          Python基礎及案例應用集訓_高級培訓

一
利用文本分析進行網絡輿情分析
利用文本分析進行命名實體識別
——
文本分析簡介及文本分析流程

中文分詞方法

中文詞性標注方法

關鍵詞提取方法

命名實體識別

文本分析模型實作與比較: 以網絡輿情分析模型及命名實體識別為例

二
利用文本分析進行新聞文件分類及新聞文件摘要
利用深度學習模型建置人臉識別及物體偵測模型
——
新聞文件分類方法

中文文本摘要方法

人臉識別及應用

OpenCV及Dlib簡介

人臉偵測及人臉68個特征擷取

人臉識別(利用ResNet)

物體檢測與定位及應用

目標檢測技術概述

YOLOv3簡介及COCO 數據集(80類people (人)，bicycle(自行車)，car(汽車)...等數據)

物體定位

物體檢測

文本分析及深度學習模型實作與比較: 以新聞文件分類與摘要及人臉識別及物體偵測模型為例

三
利用半監督學習技術進行電信業客戶流失模型的建置
利用深度學習技術進行信用卡盜刷預測模型建置
——
傳統監督學習方法與非監督學習方法

半監督學習方法概述

半監督學習模型實作與比較: 以電信業客戶流失模型為例

智能反欺詐概述

反欺詐手法

機器學習方法

深度學習方法

深度學習模型實作與比較: 以信用卡盜刷預測模型為例

四
以利潤大化為目標之產品營銷模型的建置
利用集成學習建置小額信貸及信用風險預測模型
——
傳統模型評估方法與利潤大化評估方法

增益圖與利潤圖

利潤大化模型實作與比較: 以產品營銷模型為例

傳統學習與集成學習

集成學習的分類：模型融合與機器學習元算法

模型融合模型建置(多數法(Max Voting)、平均法(Averaging)、

加權平均法(Weighted Averaging)、堆疊法(Stacking)、混合法(Blending))

機器學習元算法模型建置(袋裝法(Bagging)、袋裝通用法(Bagging meta-estimator)、隨機森林(Random Forest)、

提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)