課程大綱： 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)
加入高級會員獲得助教答疑
