人工智能（AI）與機器學習基礎培訓

應用機器學習導論

• 統計學習與機器學習。
• 迭代與評估。
• 偏差-方差權衡。
• 監督學習與無監督學習。
• 機器學習解決的問題。
• 訓練、驗證、測試——避免過擬合的機器學習流程。
• 機器學習的工作流程。
• 機器學習算法。
• 爲問題選擇適當的算法。

算法評估

• 評估數值預測。
  • 準確度度量：ME、MSE、RMSE、MAPE。
  • 參數與預測穩定性。
• 評估分類算法。
  • 準確度及其問題。
  • 混淆矩陣。
  • 類別不平衡問題。
• 可視化模型性能。
  • 收益曲線。
  • ROC曲線。
  • 提升曲線。
• 模型選擇。
• 模型調優——網格搜索策略。

建模數據準備

• 數據導入與存儲。
• 理解數據——基本探索。
• 使用pandas庫進行數據操作。
• 數據轉換——數據整理。
• 探索性分析。
• 缺失值——檢測與解決方案。
• 異常值——檢測與策略。
• 標準化、歸一化、二值化。
• 定性數據重新編碼。

用於異常檢測的機器學習算法

• 監督算法。
  • KNN。
  • 集成梯度提升。
  • SVM。
• 無監督算法。
  • 基於距離的方法。
  • 基於密度的方法。
  • 基於概率的方法。
  • 基於模型的方法。

理解深度學習

• 深度學習基本概念概述。
• 區分機器學習與深度學習。
• 深度學習的應用概述。

神經網絡概述

• 什麼是神經網絡。
• 神經網絡與迴歸模型的對比。
• 理解數學基礎與學習機制。
• 構建人工神經網絡。
• 理解神經節點與連接。
• 處理神經元、層、輸入與輸出數據。
• 理解單層感知器。
• 監督學習與無監督學習的區別。
• 學習前饋與反饋神經網絡。
• 理解前向傳播與反向傳播。

使用Keras構建簡單的深度學習模型

• 創建Keras模型。
• 理解數據。
• 指定深度學習模型。
• 編譯模型。
• 擬合模型。
• 處理分類數據。
• 處理分類模型。
• 使用模型。

使用TensorFlow進行深度學習

• 準備數據。
  • 下載數據。
  • 準備訓練數據。
  • 準備測試數據。
  • 縮放輸入。
  • 使用佔位符與變量。
• 指定網絡架構。
• 使用成本函數。
• 使用優化器。
• 使用初始化器。
• 擬合神經網絡。
• 構建圖。
  • 推理。
  • 損失。
  • 訓練。
• 訓練模型。
  • 圖。
  • 會話。
  • 訓練循環。
• 評估模型。
  • 構建評估圖。
  • 使用評估輸出進行評估。
• 大規模訓練模型。
• 使用TensorBoard可視化和評估模型。

深度學習在異常檢測中的應用

• 自編碼器。
  • 編碼器-解碼器架構。
  • 重建損失。
• 變分自編碼器。
  • 變分推斷。
• 生成對抗網絡。
  • 生成器-判別器架構。
  • 使用GAN進行異常檢測的方法。

集成框架

• 結合不同方法的結果。
• 自助聚合。
• 平均異常得分。