大數(shù)據(jù)與人工智能導(dǎo)論（第二版）PPT模板

1、大數(shù)據(jù)與人工智能導(dǎo)論（第二版）演講人202x-11-111緒論011緒論1.1日益增長(zhǎng)的數(shù)據(jù)1.2人工智能1.3大數(shù)據(jù)與人工智能的機(jī)遇與挑戰(zhàn)1緒論1.1日益增長(zhǎng)的數(shù)據(jù)1.1.1大數(shù)據(jù)基本概念1.1.2大數(shù)據(jù)發(fā)展歷程1.1.4大數(shù)據(jù)的基本認(rèn)識(shí)1.1.3大數(shù)據(jù)的特征1緒論1.2人工智能1.2.1認(rèn)識(shí)人工智能1.2.3人工智能的現(xiàn)狀與應(yīng)用1.2.4當(dāng)人工智能遇上大數(shù)據(jù)1.2.2人工智能的派別與發(fā)展史1緒論1.3大數(shù)據(jù)與人工智能的機(jī)遇與挑戰(zhàn)a1.3.1大數(shù)據(jù)與人工智能面臨的難題1.3.2大數(shù)據(jù)與人工智能的前景b2數(shù)據(jù)工程022數(shù)據(jù)工程2.5數(shù)據(jù)的預(yù)處理技術(shù)e2.4數(shù)據(jù)的存儲(chǔ)與數(shù)據(jù)倉庫d2.1數(shù)據(jù)的多樣

2、性a2.2數(shù)據(jù)工程的一般流程b2.3數(shù)據(jù)的獲取c2.6模型的構(gòu)建與評(píng)估f2數(shù)據(jù)工程2.7數(shù)據(jù)的可視化2數(shù)據(jù)工程2.1數(shù)據(jù)的多樣性12.1.1數(shù)據(jù)格式的多樣性22.1.2數(shù)據(jù)來源的多樣性32.1.3數(shù)據(jù)用途的多樣性2數(shù)據(jù)工程2.3數(shù)據(jù)的獲取2.3.1數(shù)據(jù)來源012.3.3大數(shù)據(jù)采集平臺(tái)032.3.2數(shù)據(jù)采集方法022數(shù)據(jù)工程2.4數(shù)據(jù)的存儲(chǔ)與數(shù)據(jù)倉庫2.4.1數(shù)據(jù)存儲(chǔ)12.4.2數(shù)據(jù)倉庫22數(shù)據(jù)工程2.5數(shù)據(jù)的預(yù)處理技術(shù)012.5.1數(shù)據(jù)預(yù)處理的目的2.5.2數(shù)據(jù)清理020304052.5.3數(shù)據(jù)集成2.5.4數(shù)據(jù)變換2.5.5數(shù)據(jù)歸約2數(shù)據(jù)工程2.6模型的構(gòu)建與評(píng)估2.6.1模型的構(gòu)建12.6

3、.2評(píng)價(jià)指標(biāo)22數(shù)據(jù)工程2.7數(shù)據(jù)的可視化2.7.1可視化的發(fā)展12.7.2可視化工具23大數(shù)據(jù)框架033大數(shù)據(jù)框架01033.1hadoop簡(jiǎn)介3.2hadoop大數(shù)據(jù)處理框架3.3mapreduce編程020405063.4spark簡(jiǎn)介3.5storm簡(jiǎn)介3.6flink簡(jiǎn)介3大數(shù)據(jù)框架3.1hadoop簡(jiǎn)介3.1.1hadoop的由來13.1.2mapreduce和hdfs23大數(shù)據(jù)框架3.2hadoop大數(shù)據(jù)處理框架3.2.1hdfs組件與運(yùn)行機(jī)制013.2.2mapreduce組件與運(yùn)行機(jī)制023.2.3yarn框架和運(yùn)行機(jī)制033.2.4hadoop相關(guān)技術(shù)043.2.5hado

4、op的安裝053大數(shù)據(jù)框架3.3mapreduce編程3.3.1mapreduce綜述3.3.2map階段3.3.4reduce階段3.3.3shuffle階段3大數(shù)據(jù)框架3.4spark簡(jiǎn)介013.4.1spark概述3.4.2spark基本概念020304053.4.3spark生態(tài)系統(tǒng)3.4.4spark組件與運(yùn)行機(jī)制3.4.5spark的安裝3大數(shù)據(jù)框架3.5storm簡(jiǎn)介3.5.1storm概述013.5.3storm的應(yīng)用033.5.2storm組件和運(yùn)行機(jī)制023.5.4storm的安裝043大數(shù)據(jù)框架3.6flink簡(jiǎn)介3.6.1flink概述3.6.3flink的應(yīng)用3.6.

5、4flink的安裝和實(shí)例講解3.6.2flink組件和運(yùn)行機(jī)制4機(jī)器學(xué)習(xí)算法044機(jī)器學(xué)習(xí)算法4.2決策樹理論024.1機(jī)器學(xué)習(xí)緒論014.3樸素貝葉斯理論034.4線性回歸044.5邏輯斯蒂回歸054.6支持向量機(jī)064機(jī)器學(xué)習(xí)算法4.7集成學(xué)習(xí)4.8神經(jīng)網(wǎng)絡(luò)4.9聚類4.10降維與特征選擇4機(jī)器學(xué)習(xí)算法4.1機(jī)器學(xué)習(xí)緒論4.1.2評(píng)價(jià)標(biāo)準(zhǔn)4.1.3機(jī)器模型的數(shù)學(xué)基礎(chǔ)4.1.1機(jī)器學(xué)習(xí)基本概念4機(jī)器學(xué)習(xí)算法4.2決策樹理論4.2.1決策樹模型4.2.2決策樹的訓(xùn)練4.2.3本節(jié)小結(jié)4機(jī)器學(xué)習(xí)算法4.5邏輯斯蒂回歸3154.5.3softmax分類器4.5.1二分類邏輯回歸模型4.5.5本節(jié)小

6、結(jié)44.5.4邏輯斯蒂回歸和softmax的應(yīng)用24.5.2二分類邏輯斯蒂回歸的訓(xùn)練4機(jī)器學(xué)習(xí)算法4.6支持向量機(jī)14.6.1間隔24.6.2支持向量機(jī)的原始形式34.6.3支持向量機(jī)的對(duì)偶形式44.6.4特征空間的隱式映射：核函數(shù)54.6.5支持向量機(jī)拓展64.6.6支持向量機(jī)的應(yīng)用4機(jī)器學(xué)習(xí)算法4.7集成學(xué)習(xí)4.7.1基礎(chǔ)概念4.7.2boosting4.7.4stacking4.7.3bagging4機(jī)器學(xué)習(xí)算法4.8神經(jīng)網(wǎng)絡(luò)4.8.2感知機(jī)024.8.4sklearn中的神經(jīng)網(wǎng)絡(luò)044.8.1生物神經(jīng)元和人工神經(jīng)元014.8.3bp神經(jīng)網(wǎng)絡(luò)034.8.5本節(jié)小結(jié)054機(jī)器學(xué)習(xí)算法4.9

7、聚類01034.9.1聚類思想4.9.2性能計(jì)算和距離計(jì)算4.9.3原型聚類020405064.9.4密度聚類4.9.5層次聚類4.9.6sklearn中的聚類4.9聚類4.9.7本節(jié)小結(jié)4機(jī)器學(xué)習(xí)算法4機(jī)器學(xué)習(xí)算法4.10降維與特征選擇014.10.1維數(shù)爆炸與降維4.10.2降維技術(shù)020304054.10.3特征選擇技術(shù)4.10.4sklearn中的降維4.10.5本節(jié)小結(jié)5深度學(xué)習(xí)簡(jiǎn)介055深度學(xué)習(xí)簡(jiǎn)介5.1從神經(jīng)網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)5.2卷積神經(jīng)網(wǎng)絡(luò)5.3循環(huán)神經(jīng)網(wǎng)絡(luò)5.4生成對(duì)抗網(wǎng)絡(luò)5深度學(xué)習(xí)簡(jiǎn)介5.1從神經(jīng)網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)a5.1.1深度學(xué)習(xí)應(yīng)用5.1.2深度神經(jīng)網(wǎng)絡(luò)的困難b5深

8、度學(xué)習(xí)簡(jiǎn)介5.2卷積神經(jīng)網(wǎng)絡(luò)15.2.1卷積神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)25.2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)5深度學(xué)習(xí)簡(jiǎn)介5.3循環(huán)神經(jīng)網(wǎng)絡(luò)15.3.1循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介25.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)5深度學(xué)習(xí)簡(jiǎn)介5.4生成對(duì)抗網(wǎng)絡(luò)15.4.1生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介25.4.2生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)6強(qiáng)化學(xué)習(xí)簡(jiǎn)介066強(qiáng)化學(xué)習(xí)簡(jiǎn)介6.1有限馬爾可夫決策過程6.2動(dòng)態(tài)規(guī)劃6.3時(shí)序差分學(xué)習(xí)6.4策略梯度方法6.5深度強(qiáng)化學(xué)習(xí)6強(qiáng)化學(xué)習(xí)簡(jiǎn)介6.1有限馬爾可夫決策過程6.1.1目標(biāo)和獎(jiǎng)勵(lì)6.1.3策略和值函數(shù)6.1.4最優(yōu)策略和最優(yōu)狀態(tài)值函數(shù)6.1.2回報(bào)和分幕6強(qiáng)化學(xué)習(xí)簡(jiǎn)介6.2動(dòng)態(tài)規(guī)劃6.2.1策略評(píng)估6.2.2策略改進(jìn)6.2

9、.4價(jià)值迭代6.2.3策略迭代6強(qiáng)化學(xué)習(xí)簡(jiǎn)介6.3時(shí)序差分學(xué)習(xí)6.3.1時(shí)序差分預(yù)測(cè)6.3.2td（0）學(xué)習(xí)6.3.4q學(xué)習(xí)算法6.3.3sarsa算法6強(qiáng)化學(xué)習(xí)簡(jiǎn)介6.4策略梯度方法6.4.2蒙特卡羅策略梯度6.4.3actor-critic方法6.4.1策略梯度定理6強(qiáng)化學(xué)習(xí)簡(jiǎn)介6.5深度強(qiáng)化學(xué)習(xí)16.5.1深度q-learning26.5.2深度確定性策略梯度7數(shù)據(jù)分析實(shí)例077數(shù)據(jù)分析實(shí)例7.1基本數(shù)據(jù)分析 7.1.1數(shù)據(jù)介紹7.1.2數(shù)據(jù)導(dǎo)入與數(shù)據(jù)初識(shí)7.1.3分類7.1.4回歸7.1.5降維7.2深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn) 7.2.1tensorflow與keras安裝部署7.2.2使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫數(shù)字識(shí)別7.2.3使用lstm進(jìn)行文本情感分類 7.2.1Tensorflow與Keras安裝部署7.2.2使用卷積