當前位置:首頁 > 公開課 > 項目管理 > Python大數據核心技術實戰

Python大數據核心技術實戰

關注度:500   編號:273611
舉辦時間:
  • 北京 2019-09-25
  • 蘇州 2019-10-28
  • 珠海 2019-11-26
  • 北京 2019-12-26
Python大數據核心技術實戰
點擊報名 添加到購物車
Python大數據核心技術實戰培訓,從數學層面推導最經典的機器學習算法,以及每種算法的示例和代碼實現(Python)、如何做算法的參數調試、以實際應用案例分析各種算法的選擇等,強化矩陣運算、概率論、數理統計的知識運用,掌握機器學習根本,提高在實際工作中選擇算法的能力。
Python大數據機器

Python大數據核心技術實戰課程特色與背景

    課程學習目標
    1.每個算法模塊按照“原理講解→分析數據→自己動手實現→特征與調參”的順序。
    2.“Python
相關內容導讀“Python”
Python核心編程培訓班  上海 2019/5/24(4天)

Python核心編程培訓班課程,旨在幫助從實戰的角度對Python進行了全面的剖析,并以案例來分析和探討Python技術的應用場景;了解Python腳本的應用場景并掌握可視化界面的開發;通過實際項目案例來掌握Python的數據分析思路及方法;培訓學員掌握Python基礎應用。

Python+計算機圖像(視覺)處理培訓班  上海 2019/5/27(5天)

計算機圖像處理課程,旨在幫助從實戰的角度對計算機視覺技術進行了全面的剖析,并結合實際案例分析和探討計算機視覺技術的應用場景,給予計算機視覺技術培訓相關從業人員進行指導和啟迪;并且通過各個應用場景的實際經典項目案例,深入解讀計算機視覺技術的圖像處理技巧。

Python+機器學習與深度學習實戰培訓班  寧波 2019/6/27(4天)

Python+機器學習與深度學習實戰培訓班,旨在幫助學員掌握回歸算法理論與實戰;集成學習算法理論與實戰;Tensorflow;生成式對抗網絡GANs;從實戰的角度對深度學習技術進行了全面的剖析,并結合實際案例分析和探討深度學習的應用場景,給深度學習相關從業人員以指導和啟迪;

Python Web開發與爬蟲實踐培訓班  北京 2019/7/17(4天)

Python Web開發與爬蟲實踐培訓班,旨在幫助學員了解Python Web開發的整個流程, 和常用技術。 包括Django 開發框架、ORM映射技術、Scrapy動態頁面爬取 、分布式爬蟲實現;熟練掌握 Django核心語法、與MVT設計模式;熟練使用WebPack進行模塊化開發;學習完此課程學員可以完全勝任Python Web開發崗位需求。

數據清洗和特征提取”,提升學習深度、降低學習坡度。
    3.增加網絡爬蟲的原理和編寫,從獲取數據開始,重視將實踐問題轉換成實際模型的能力,分享工作中的實際案例或Kaggle案例:廣告銷量分析、環境數據異常檢測和分析、數字圖像手寫體識別、Titanic乘客存活率預測、用戶-電影推薦、真實新聞組數據主題分析、中文分詞、股票數據特征分析等。
    4.強化矩陣運算、概率論、數理統計的知識運用,掌握機器學習根本。
    5.闡述機器學習原理,提供配套源碼和數據。
    6.以直觀解釋,增強感性理解。
    7.對比不同的特征選擇帶來的預測效果差異。
    8.重視項目實踐,重視落地。思考不同算法之間的區別和聯系,提高在實際工作中選擇算法的能力。
    9.涉及和講解的部分Python庫有:Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。
    課程目標
    本課程特點是從數學層面推導最經典的機器學習算法,以及每種算法的示例和代碼實現(Python)、如何做算法的參數調試、以實際應用案例分析各種算法的選擇等。

課程大綱

細培訓內容介紹
模塊一機器學習的數學基礎1 - 數學分析
1. 機器學習的一般方法和橫向比較
2. 數學是有用的:以SVD為例
3. 機器學習的角度看數學
4. 復習數學分析
5. 直觀解釋常數e
6. 導數/梯度
7. 隨機梯度下降
8. Taylor展式的落地應用
9. gini系數
10. 凸函數
11. Jensen不等式
12. 組合數與信息熵的關系
模塊二機器學習的數學基礎2 - 概率論與貝葉斯先驗
1. 概率論基礎
2. 古典概型
3. 貝葉斯公式
4. 先驗分布/后驗分布/共軛分布
5. 常見概率分布
6. 泊松分布和指數分布的物理意義
7. 協方差(矩陣)和相關系數
8. 獨立和不相關
9. 大數定律和中心極限定理的實踐意義
10. 深刻理解最大似然估計MLE和最大后驗估計MAP
11. 過擬合的數學原理與解決方案
模塊三機器學習的數學基礎3 - 矩陣和線性代數
1. 線性代數在數學科學中的地位
2. 馬爾科夫模型
3. 矩陣乘法的直觀表達
4. 狀態轉移矩陣
5. 矩陣和向量組
6. 特征向量的思考和實踐計算
7. QR分解
8. 對稱陣、正交陣、正定陣
9. 數據白化及其應用
10. 向量對向量求導
11. 標量對向量求導
12. 標量對矩陣求導工作機制
模塊四Python基礎1 - Python及其數學庫
1. 解釋器Python2.7與IDE:Anaconda/Pycharm
2. Python基礎:列表/元組/字典/類/文件
3. Taylor展式的代碼實現
4. numpy/scipy/matplotlib/panda的介紹和典型使用
5. 多元高斯分布
6. 泊松分布、冪律分布
7. 典型圖像處理
8. 蝴蝶效應
9. 分形與可視化
模塊五Python基礎2 - 機器學習庫
1. scikit-learn的介紹和典型使用
2. 損失函數的繪制
3. 多種數學曲線
4. 多項式擬合
5. 快速傅里葉變換FFT
6. 奇異值分解SVD
7. Soble/Prewitt/Laplacian算子與卷積網絡
8. 卷積與(指數)移動平均線
9. 股票數據分析
模塊六Python基礎3 - 數據清洗和特征選擇
1. 實際生產問題中算法和特征的關系
2. 股票數據的特征提取和應用
3. 一致性檢驗
4. 缺失數據的處理
5. 環境數據異常檢測和分析
6. 模糊數據查詢和數據校正方法、算法、應用
7. 樸素貝葉斯用于鳶尾花數據
8. GaussianNB/MultinomialNB/BernoulliNB
9. 樸素貝葉斯用于18000+篇/Sogou新聞文本的分類
模塊七 回歸1. 線性回歸
2. Logistic/Softmax回歸
3. 廣義線性回歸
4. L1/L2正則化
5. Ridge與LASSO
6. Elastic Net
7. 梯度下降算法:BGD與SGD
8. 特征選擇與過擬合
模塊八Logistic回歸
1. Sigmoid函數的直觀解釋
2. Softmax回歸的概念源頭
3. Logistic/Softmax回歸
4. 最大熵模型
5. K-L散度
6. 損失函數
7. Softmax回歸的實現與調參
模塊九回歸實踐
1. 機器學習sklearn庫介紹
2. 線性回歸代碼實現和調參
3. Softmax回歸代碼實現和調參
4. Ridge回歸/LASSO/Elastic Net
5. Logistic/Softmax回歸
6. 廣告投入與銷售額回歸分析
7. 鳶尾花數據集的分類
8. 交叉驗證
9. 數據可視化
模塊十決策樹和隨機森林
1. 熵、聯合熵、條件熵、KL散度、互信息
2. 最大似然估計與最大熵模型
3. ID3、C4.5、CART詳解
4. 決策樹的正則化
5. 預剪枝和后剪枝
6. Bagging
7. 隨機森林
8. 不平衡數據集的處理
9. 利用隨機森林做特征選擇
10. 使用隨機森林計算樣本相似度
11. 數據異常值檢測
模塊十一隨機森林實踐
1. 隨機森林與特征選擇
2. 決策樹應用于回歸
3. 多標記的決策樹回歸
4. 決策樹和隨機森林的可視化
5. 葡萄酒數據集的決策樹/隨機森林分類
6. 波士頓房價預測
模塊十二提升
1. 提升為什么有效
2. 梯度提升決策樹GBDT
3. XGBoost算法詳解
4. Adaboost算法
5. 加法模型與指數損失
模塊十三提升實踐
1. Adaboost用于蘑菇數據分類
2. Adaboost與隨機森林的比較
3. XGBoost庫介紹
4. Taylor展式與學習算法
5. KAGGLE簡介
6. 泰坦尼克乘客存活率估計
模塊十四SVM
1. 線性可分支持向量機
2. 軟間隔的改進
3. 損失函數的理解
4. 核函數的原理和選擇
5. SMO算法
6. 支持向量回歸SVR
模塊十五SVM實踐
1. libSVM代碼庫介紹
2. 原始數據和特征提取
3. 葡萄酒數據分類
4. 數字圖像的手寫體識別
5. SVR用于時間序列曲線預測
6. SVM、Logistic回歸、隨機森林三者的橫向比較
模塊十六聚類(一)
1. 各種相似度度量及其相互關系
2. Jaccard相似度和準確率、召回率
3. Pearson相關系數與余弦相似度
4. K-means與K-Medoids及變種
5. AP算法(Sci07)/LPA算法及其應用
模塊十七聚類(二)
1. 密度聚類DBSCAN/DensityPeak(Sci14)
2. DensityPeak(Sci14)
3. 譜聚類SC
4. 聚類評價AMI/ARI/Silhouette
5. LPA算法及其應用
模塊十八聚類實踐
1. K-Means++算法原理和實現
2. 向量量化VQ及圖像近似
3. 并查集的實踐應用
4. 密度聚類的代碼實現
5. 譜聚類用于圖片分割
模塊十九EM算法
1. 最大似然估計
2. Jensen不等式
3. 樸素理解EM算法
4. 精確推導EM算法
5. EM算法的深入理解
6. 混合高斯分布
7. 主題模型pLSA
模塊二十EM算法實踐
1. 多元高斯分布的EM實現
2. 分類結果的數據可視化
3. EM與聚類的比較
4. Dirichlet過程EM
5. 三維及等高線等圖件的繪制
6. 主題模型pLSA與EM算法
模塊二十一主題模型LDA
1. 貝葉斯學派的模型認識
2. Beta分布與二項分布
3. 共軛先驗分布
4. Dirichlet分布
5. Laplace平滑
6. Gibbs采樣詳解
模塊二十二LDA實踐
1. 網絡爬蟲的原理和代碼實現
2. 停止詞和高頻詞
3. 動手自己實現LDA
4. LDA開源包的使用和過程分析
5. Metropolis-Hastings算法
6. MCMC
7. LDA與word2vec的比較
8. TextRank算法與實踐
模塊二十三隱馬爾科夫模型HMM
1. 概率計算問題
2. 前向/后向算法
3. HMM的參數學習
4. Baum-Welch算法詳解
5. Viterbi算法詳解
6. 隱馬爾科夫模型的應用優劣比較
模塊二十四HMM實踐
1. 動手自己實現HMM用于中文分詞
2. 多個語言分詞開源包的使用和過程分析
3. 文件數據格式UFT-8、Unicode
4. 停止詞和標點符號對分詞的影響
5. 前向后向算法計算概率溢出的解決方案
6. 發現新詞和分詞效果分析
7. 高斯混合模型HMM
8. GMM-HMM用于股票數據特征提取
模塊二十五課堂提問與互動討論

課程主講

    張老師:
    阿里大數據高級專家,國內資深的Spark、Hadoop技術專家、虛擬化專家,對HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生態系統中的技術進行了多年的深入的研究,更主要的是這些技術在大量的實際項目中得到廣泛的應用,因此在Hadoop開發和運維方面積累了豐富的項目實施經驗。近年主要典型的項目有:某電信集團網絡優化、中國移動某省移動公司請賬單系統和某省移動詳單實時查詢系統、中國銀聯大數據數據票據詳單平臺、某大型銀行大數據記錄系統、某大型通信運營商全國用戶上網記錄、某省交通部門違章系統、某區域醫療大數據應用項目、互聯網公共數據大云(DAAS)和構建游戲云(Web Game Daas)平臺項目等。

課程對象

大數據分析應用開發工程師、大數據分析項目的規劃咨詢管理人員、大數據分析項目的IT項目高管人員、大數據分析與挖掘處理算法應用工程師、大數據分析集群運維工程師、大數據分析項目的售前和售后技術支持服務人員。
備  注
課程費用:7800元/人
參加過本課程的網友都關注過大數據分析應用培訓專題

推薦課程
項目管理相關課程
相關專題推薦
相關文檔下載
    {Rela_Download}
相關文章
  • 如何報名參加公開課?
  • 報名流程一:
  • 電話咨詢、傳真報名表 -> 書面確認并繳費 -> 參加培訓 (下載報名表)
  • 報名流程二:
  • 網上填寫報名表 -> 書面確認并繳費 -> 參加培訓
  • 咨詢熱線:
  • 深圳 0755-26063246   26063236
  • 上海 021-51879301    北京 18910826048、010-51651498
  • 報名傳真:
  • 深圳 0755-61624059    上海 021-51686940    北京 010-58043505
  • 電子郵件:
  • kf#cnbm.net.cn    fy1288#vip.163.com(發郵件時請將#改為@)
課程主題:
Python大數據核心技術實戰
課程編號:273611 
*開課計劃:
  • 北京 2019-09-25
  • 蘇州 2019-10-28
  • 珠海 2019-11-26
  • 北京 2019-12-26
*姓  名:
*性  別:  
*職務:
*部門:
*電話:
*手機:
傳真:
*E-Mail:
*參加人數:
其他人員:
   
   
   
   
   
   
   
*單位名稱:
通信地址:
備注:
(如多人報名、需代訂酒店等補充信息請填寫到備注欄)
*驗證碼:
  看不清?點一下驗證碼換一組
 
(* 為必填項)
   
暫無評論,快來添加一條!
點擊這里提交你的留言
明星97游戏