本学习培训实践活动与基础理论并举，根据基础理论解读，优化算法论述，实例分析和编号实践活动，及其对全新的人工智能技术优化算法的发展趋势和网络的剖析和详细介绍，使学生不但把握深度学习，人工智能技术行业常用算法，并且具备一定的创新性,将我人工智能技术的前沿和网络技术性.
此外,教师将好几个电信网领域的大数据与AI新项目/经典案例,开展萃取和提炼出,编造了大明电信公司实例,便于将大数据,多种多样算饭串连起來,根据TensorFlow程序编写实践活动,将人工智能技术运用到学生的具体金融机构业务中,更为接近学生的日常事务.
终实践活动中的业务数据信息复杂多变,环境模拟数据信息可能简单化或歪曲业务难题,因此 此次学习培训的数据信息都来自于抗过敏以后的业务数据信息,便于学生可以将所教无缝拼接运用到具体工作上.
部分:人工智能技术和深度学习简述
1大数据与人工智能技术简述
两人工智能化的界定
设备对人的大脑的模仿游戏—图灵测试
智能化的内涵与外延
AI与人们智能化的差别
3电信网应用领域实例详细介绍
第二一部分:大数据Hadoop/Spark系统架构图学习培训
1大数据之Hadoop详细介绍
Hadoop与hadoop社区简介
Hadoop的系统架构
Hadoop常见部件介绍，Hive,pig,HBase,ZK介绍
Hadoop在互联网技术和电信网金融业的应用简介
2HDFS
Hadoop的系统文件一览
HDFS介绍
HDFS系统架构
HDFS的实际操作
HDFS文档的建立删掉增加实际操作
3大数据之Spark详细介绍
Spark手机软件栈详细介绍
Spark每日任务的调节和监管
Spark工作的装包，递交和运作监管
Spark的配备和调优
4s店parkSQL
联接SparkSQL
SparkSQL的表实际操作
SparkSQL的JavaAPI实际操作
SparkSQL的配备和调优
第三一部分:优化算法与模型学习培训
1统计分析类模型简略详细介绍
线性回归模型简略详细介绍
逻辑回归模型和情景简述
两人工神经网络
从逻辑回归到人力神经网络
深层神经网络
设计方案深层神经网络的佳实践
3卷积和神经网络CNN
卷积层详细介绍
池化层
全连接层
DropOut正则化
常见主要参数详细介绍和CNN优化
4循环系统神经网络RNN
RNN运用简述
时间序列分析LSTM模型
自然语言理解解决基本
双重RNN与深层RNN
RNN完成实例
第四一部分:大明电信网实例实践活动
1实例详细介绍
大明电信网的收益和盈利持续下降,遭遇极大的挑戰,高管科学研究后发觉下列三个难题是元凶:
高使用价值顾客的流动率升高
顾客投诉量升高
个人信用贷款毁约率升高
业务部,信息化管理部,业务支撑点等每个部门拟选用TensorFlow创建深度学习模型,根据持续提升的综合服务平台，提升用户黏性、业务需求量来减少客户不选择我们，为客户出示人性化服务,提升客户ARPU
2创建大数据系统软件
构建hadoop大数据群集
构建Spark大数据群集
从业务系统软件/数据库查询收集客户资料,业务数据信息,客户网上纪录等数据信息
根据SQL方法获得大数据群集中的顾客,业务数据信息
3TensorFlow实践活动
Tensorflow详细介绍
撰写个TensorFlow程
4应用逻辑回归对客户细分
数据采集,数据预处理
创建模型,对客户开展归类
模型的点评和调优
5设计方案人力神经网络优化算法,改善归类的实际
设计方案人力神经网络模型
模型的点评和调优
比照逻辑性回归算法和人力神经网络优化算法
6应用循环系统神经网络开展预测分析
搜集业务的特点数据信息
应用循环系统神经网络优化算法,创建业务预测分析模型
模型的点评和调优
7应用卷积和神经网络开展图像识别技术
应用經典的卷积和神经网络googleNet,对大明电信网的各种各样单据,各种各样业务单中的手写体和印刷体协同鉴别
搜集顾客的图象数据信息
选用經典的卷积和神经网络,鉴别进到营业网点的顾客
对高使用价值客户开展客户关系维护和目的性的营销
地理位置 Location
