会议详情 菜单
Python高级编程与机器学习技术及应用培训班2019(3月南京班)

Python高级编程与机器学习技术及应用培训班2019(3月南京班)

2019-03-14 08:30 至 2019-03-18 18:00

南京  

北京中科资环信息技术研究院   

50人

报名截止

推荐会议:2025大健康产业技术创新(昆明)论坛 暨中生协特医食品及生物活性肽工作委员会第三届年会

发票类型:增值税普通发票 增值税专用发票

参会凭证:现场凭电话姓名参会

-会议内容-

各企事业单位:

近年来,随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生,人工智能迎来了新一轮的发展浪潮。尤其是近年来,Python编程语言受到越来越多科研人员的喜爱,在多个编程语言排行榜中持续夺冠。因此,为了帮助广大科研人员更加系统地学习Python编程内容及其在机器学习中的具体应用,北京中科资环信息技术研究院特举办“Python高级编程与机器学习技术及应用” 培训班,旨在帮助学员掌握Python编程的基础知识与技巧,经典机器学习算法(BP神经网络、极限学习机、支持向量机、决策树与随机森林等)的基本原理及Python代码实现方法,遗传算法的基本原理及其在特征选择中的应用,以及Python深度学习入门知识等。虽然网上的Python教程和Python机器学习之类的教程很多,但是系统化的学习和有人一对一的指导效果差异是很大的。本次培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式,抽丝剥茧、深入浅出分析机器学习在应用时需要掌握的经验及编程技巧。此外,本次培训还将通过实际案例的形式,介绍如何提炼创新点,以及如何发表高水平论文等相关经验。

一、组织机构

主办单位:北京中科资环信息技术研究院 

会议指定协办单位:北京中科硕博研计算技术中心

二、时间地点:

2019年3月14日—3月18日    江苏-南京

(时间安排:第一天报到、授课四天)

三、培训目标:

1.掌握Python基础编程及进阶提升方法

2.掌握BP神经网络、极限学习机、支持向量机、决策树与随机森林、遗传算法等的基本原理及其Python代码实现方法

3.掌握最新的深度学习(卷积神经网络)的基本原理及其Python代码实现方法

4.通过实操培训掌握各种编程技巧

5.解决学员实际工作中的疑难问题

6.熟悉人工智能的最新动态及发展趋势

四、主讲专家:

主讲专家主要从事python编程、机器学习与数据挖掘、数据可视化和软件开发、生理系统建模与仿真、生物医学信号处理,具有丰富的实战应用经验,已发表多篇高水平的国际学术研究论文。

五、培训对象:

各省市、自治区从事各行各业的机器学习、数据挖掘、图像处理等方向相关的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校本科生、硕士和博士等相关人员,以及对机器学习、深度学习和Python编程感兴趣的广大爱好者。

六、颁发证书:

参加会议的学员可以获得《python机器学习技术》专业技术培训证书。此证书作为个人学习和知识更新、专业技能提升、单位人才聘用的参考依据。

注:请学员准备电子版:姓名+身份证号+2寸蓝底证件照片发给工作人员。

-主办方介绍-

北京中科资环信息技术研究院 北京中科资环信息技术研究院

中科资环是在资源、环境等相关领域信息技术不断地发展的背景下正式成立。中科资环现今与院校和科研机构以及相关研究团队建立长期稳定的合作关系,这是中科资环持续发展重要的基础,也很好的搭建了各单位的信息互通以及相关领域合作,中科资环研究团队为推动资源、生态、环境的信息化发展提供重要的基础保障。 中科资环主要致力于在资源、生态、环境等信息领域的软件系统研发、项目合作、技术咨询、技术推广以及国内外相关主导软件代理等。中科资环已经组建完成生物、(水、大气)环境、农业、3s技术等领域信息发展中心。为更好的服务于各单位,中科资环成立环境系统模拟事业部、以及教育中心。中科资环下设各中心聘请多位教授、研究员等成为各中心的长期顾问专家,大幅度提高了中科资环的科研实力。

课程大纲

时间

授课方式

课程

主要内容

Day

1

08:30-09:00

课程简介

经验分享

第一章Python 入门基础

1、到底应该如何学习编程?应该学习哪种编程语言?为什么Python越来越受欢迎?

2、Python环境搭建( 下载、安装与版本选择)。

3、如何选择Python编辑器?(IDLE、Notepad++、PyCharm、Jupyter…)

4、Python程序的运行(Hello World)

6、Python基础(数据类型和变量、字符串和编码、list和tuple、条件判断、循环、函数的定义与调用等)

7、常见的错误与程序调试

8、第三方模块的安装与使用

9、文件读写(I/O)

10、Python绘图基础

09:00-12:00

相关知识点复习与巩固

理论讲解与案例演示

实操练习

14:00-15:30

理论讲解与案例演示

实操练习

第二章Numpy模块库入门

1、Numpy简介、下载与安装

2、Numpy数据类型

3、Numpy数组的创建与索引

4、Numpy数组操作

5、Numpy函数(字符串函数、数学和统计函数等)

6、Numpy矩阵库

7、Numpy线性代数

15:30-16:30

理论讲解与案例演示

实操练习

第三章Python 绘图基础

1、Python初级绘制

2、改变线条的颜色和粗细

3、添加图例

4、图像、字图、坐标轴和记号

5、常见的图像形状(散点图、条形图、等高线图…)

16:30-18:00

理论讲解与案例演示

实操练习

第四章Python 图像处理基础

1、图像的常见格式及读写(彩色图像、灰度图像、二值图像等)

2、图像的基本操作(几何变换、时频域变换等)

3、图像直方图(图像的对比度、亮度等改变)

4、PIL图像处理模块库简介

5、案例讲解

Day

2

08:30-12:00

14:00-16:30

理论讲解与案例演示

实操练习

第五章

BP神经网络基础

1、BP神经网络的基本原理(人工智能发展过程经历了哪些曲折?人工神经网络的分类有哪些?有导师学习和无导师学习的区别是什么?BP神经网络的拓扑结构和训练过程是怎样的?什么是梯度下降法?BP神经网络建模的本质是什么?)

2、Scikit-Learn模块库简介、下载与安装

3、BP神经网络的 Python 实现(怎样划分训练集和测试集?为什么需要归一化?归一化是必须的吗?什么是梯度爆炸与梯度消失?)

4、BP神经网络参数的优化(隐含层神经元个数、学习率、初始权值和阈值等如何设置?什么是交叉验证?)

5、值得研究的若干问题(欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等)

6、案例演示一:近红外光谱汽油辛烷值预测(回归拟合)

7、案例演示二:MNIST手写数字识别(分类识别)

8、实操练习

16:30 – 18:00

理论讲解与案例演示

实操练习

第六章

极限学习机及其Python实现

1、极限学习机(Extreme Learning Machine, ELM)的基本原理(ELM的基本算法,“极限”体现在哪些地方?)

2、ELM 与 BP 神经网络的区别与联系

3、ELM的Python代码实现

4、案例实践:鸢尾花种类识别

Day 

3

08:00 – 10:00

理论讲解与案例演示

实操练习

知识点总结、延拓

第七章

支持向量机及其Python实现

1、SVM的基本原理(什么是经验误差最小和结构误差最小?SVM的本质是解决什么问题?SVM的四种典型结构是什么?核函数的作用是什么?什么是支持向量?)

2、SVM扩展知识(如何解决多分类问题?SVM除了建模型之外,还可以帮助我们做哪些事情?)

3、SVM的Python代码实现 

4、案例实践一:乳腺癌肿瘤诊断

5、案例实践二:混凝土强度预测

10:00 – 12:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第八章

决策树、随机森林(组合学习)及其Python实现

1、决策树的基本原理(微软小冰读心术的启示;什么是信息熵和信息增益?ID3算法和C4.5算法的区别与联系)

2、随机森林的基本原理(为什么需要随机森林算法?广义与狭义意义下的“随机森林”分别指的是什么?“随机”提现在哪些地方?随机森林的本质是什么?)

3、决策树、随机森林(组合学习)的Python代码实现

4、案例实践:乳腺癌肿瘤诊断

5、知识扩展:决策树除了建模型之外,还可以帮我们做什么事情?怎样解读随机森林的结果?

14:00 – 16:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第九章

遗传算法及其Python实现

1、遗传算法(Genetic Algorithm, GA)的基本原理(以遗传算法为代表的群优化算法的基本思想是什么?目前国内外的研究热点在哪些方面?)

2、遗传算法的Python代码实现

3、案例实践一:一元函数的寻优计算(极大值与极小值)

4、案例实践二:离散变量的寻优计算(基于遗传算法的特征变量筛选)

16:00 – 18:00

理论讲解与案例演示

实操练习

知识点总结、延拓

课堂讨论

第十章:变量降维与特征选择

1、变量降维与特征选择在概念上的区分

2、主成分分析(PCA)、偏最小二乘(PLS)的基本原理(PCA与PLS的区别与联系;PCA除了降维之外,还可以帮助我们做什么?)

2、常见的特征选择方法(优化搜索、Filter和Wrapper等;前向与后向选择法;区间法;无信息变量消除法;正则稀疏优化方法等)

3、案例实践:变量降维与特征选择的Python代码实现

Day 

4

08:30-12:00

理论讲解与案例演示

实操练习

第十一章

深度学习入门基础与卷积神经网络


1、深度学习与传统机器学习的区别与联系(网络的隐含层数越多越好吗?与传统机器学习的区别是什么?)

2、Python深度学习开源工具箱简介

3、卷积神经网络的基本原理(什么是卷积核?CNN的典型拓扑结构是怎样的?CNN的权值共享机制是什么?CNN提取的特征是怎样的?)

4、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等典型深度神经网络的区别与联系解读

5、卷积神经网络参数调试技巧

6、keras案例演示一:CNN预训练模型实现物体识别

7、keras案例演示二:利用卷积神经网络抽取抽象特征

8、keras案例演示三:自定义卷积神经网络拓扑结构

14:00-15:30

理论讲解与课题讨论

第十二章

深度学习热门研究方向

1、迁移学习算法的基本原理(为什么需要迁移学习?为什么可以迁移学习?迁移学习的基本思想是什么?)

2、常用的迁移学习算法简介(基于实例、特征和模型,譬如:TrAdaboost算法)

3、基于深度神经网络的迁移学习算法

4、循环神经网络RNN的基本工作原理

5、长短时记忆网络LSTM的基本工作原理

6、对抗生成网络GAN(什么是对抗生成网络?为什么需要对抗生成网络?对抗生成网络可以帮我们做什么?)

7、专题讨论:数据VS.模型,孰更重要?(模型泛化性能不好,究竟是孰之过?)

8、人工智能的未来发展趋势及研究热点分析

15:30-17:00

理论讲解与案例演示

第十三章

科研与创新方法概述

1、如何查阅文献资料?(你会使用Google Scholar、Sci-Hub、ResearchGate吗?应该去哪些地方查找与论文配套的数据和代码?)

2、如何高效率撰写专业论文?(SCI不同分区的论文差别在哪些地方?你知道你的论文为什么显得很单薄吗?)

3、从审稿人的角度看,SCI期刊论文需要具备哪些要素?(审稿人关注点有哪些?如何回应审稿人提出的意见?)

4、如何提炼与挖掘创新点?(如果在算法层面上难以做出原创性的工作,如何结合实际问题提炼与挖掘创新点?)

17:00-18:00

课堂讨论

复习与答疑

第十四章

讨论与答疑

1、建立微信群,便于后期的讨论与答疑

2、讨论与答疑,解答学员的实际问题

3、相关学习资料分享与拷贝(图书推荐、在线课程推荐等)

-会议门票-

培训费用:4300元(报名费、培训费、资料费、午餐费)住宿可统一安排,费用自理。

会议标签:

Python 编程 机器学习

温馨提示
酒店与住宿: 异地参会客户请注意,为防止会议临时变动,建议您先与活动家客服确认参会信息,再安排出行与住宿事宜。
退款规则: 活动各项资源需提前采购,购票后不支持退款,可以换人参加。

相关会议

分享到

QQ好友 QQ空间 微博 ×