【培訓收益】

1.知識圖譜的基本概念和應用場景

2.知識圖譜系統的整體技術框架

3.知識更新和知識抽取的關鍵技術

4.實體分類和實體對齊的關鍵技術

5.知識關聯和推理的關鍵技術

課程大綱

第一章.機器學習和深度學習系統設計方法論

a)機器學習和深度學習的概念和區別

b)人工智能算法工程師的日常工作流程

c)傳統機器學習的系統設計方法

d)人工智能時代深度學習的系統設計方法

第二章.機器學習和深度學習人工智能的常見開發流程

a)洞悉公司業務業務邏輯痛點，抽象出計算機解決方法方案

b)數據清洗和預處理

c)構建數據集，數據特征工程

d)模型選擇，模型訓練，模型評估，模型測試

e)開線效果評估

f)線上開發性能測試，運行上線

第三章.機器學習和深度學習實用環境搭建方法和實踐

a)以做NLP的文本分類項目為例

b)安裝相應的環境依賴的python工具包，如sklearn，keras，numpy，pandas等

c)安裝深度學習框架，安裝tensorflow或者pytorch

d)安裝GPU顯卡加速支持的驅動，如cuda驅動等

e)從業務拉取數據，構建數據集，數據特征工程

f)選擇合適的算法模型，進行訓練，觀察每一輪訓練的準確率和召回率

g)進行訓練過后的效果評估

第四章.機器學習的離線訓練

e)模型選擇的標準

f)網格搜索，交叉驗證法，留出法

g)面臨的問題：類目樣本不均衡，樣本數量不夠，樣本質量不佳，如何解決？

i.類目不均衡：Facol Loss

ii.樣本數量不夠：數據增強

iii.樣本質量不佳：

h)模型衡量標準：準確率，召回率，F1，AUC和ROC的概念

第五章.機器學習的在線預測

a)高并發，低延時

b)灰度測試，A/B Test分桶對比

c)效果好壞標準：CTR點擊率，平均停留時長，PV/UV變化等

第六章.機器學習模型的線上實時反饋機制

a)在線實時反饋

b)在線學習微調機制

第七章.人工智能整體是一個復雜，反饋的系統工程