北京软件开发工程师培训班

课程亮点：

朝九晚九全程跟班答疑、一对一督学、定期直播串讲、五分钟内有问必答、出勤率和进度监督、作业与测试

学习目标：

1, 通过4天学习掌握Python案例应用的实操；

2, 课程涉及到了Python在不同案例中的应用；

3, 涉及文本分析，深度学习，半监督学习，深度学习等Python的前沿应用；

4, 通过案例的讲解，真正实现学校授课与实战的目标。

课程内容：

01章利用文本分析进行网络舆情分析和命名实体识别

01-01文本分析简介及文本分析流程

01-02中文分词方法

01-03中文词性标注方法

01-04关键词提取方法

01-05命名实体识别

01-06文本分析模型实作与比较: 以网络舆情分析模型及命名实体识别为例

02章利用文本分析进行新闻文件分类及新闻文件摘要，利用深度学习模型建置人脸识别及物体侦测模型

02-01新闻文件分类方法

02-02中文文本摘要方法

02-03人脸识别及应用

02-04OpenCV及Dlib简介

02-05人脸侦测及人脸68个特征撷取

02-06人脸识别(利用ResNet)

02-07物体检测与定位及应用

02-08目标检测技术概述

02-09YOLOv3简介及COCO 数据集(80类people (人)，bicycle(自行车)，car(汽车)...等数据)

02-10物体定位

02-11物体检测

02-12文本分析及深度学习模型实作与比较: 以新闻文件分类与摘要及人脸识别及物体侦测模型为例

03章利用半监督学习技术进行电信业客户流失模型的建置，利用深度学习技术进行信用卡盗刷预测模型建置

03-01传统监督学习方法与非监督学习方法

03-02半监督学习方法概述

03-03半监督学习模型实作与比较: 以电信业客户流失模型为例

03-04智能反欺诈概述

03-05反欺诈手法

03-06机器学习方法

03-07深度学习方法

03-08深度学习模型实作与比较: 以信用卡盗刷预测模型为例

04章以利润最大化为目标之产品营销模型的建置，利用集成学习建置小额信贷及信用风险预测模型

04-01传统模型评估方法与利润最大化评估方法

04-02增益图与利润图

04-03利润最大化模型实作与比较: 以产品营销模型为例

04-04传统学习与集成学习

04-05集成学习的分类：模型融合与机器学习元算法

04-06模型融合模型建置(多数法(Max Voting)、平均法(Averaging)、加权平均法(Weighted Averaging)、堆叠法(Stacking)、混合法(Blending))

04-07机器学习元算法模型建置(袋装法(Bagging)、袋装通用法(Bagging meta-estimator)、随机森林(Random Forest)、提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)

04-08集成学习方法实作与比较: 以小额信贷及信用风险预测模型为例