机器学习及深度学习应用课程

　　机器学习及深度学习应用课程：课程案例涵盖了产品营销、中小企业借贷、电信业客户流失、共享住宿价格预测等多个领域，使学员能够应对不同领域的实际问题，并灵活运用机器学习技术解决挑战。

　　强调文本分析技术：课程特别关注英文和中文文本分析技术，学员将学习英文和中文文本数据的预处理方法、情感分析、关键词提取等技术，培养学员在文本数据处理方面的专业能力。

　　结合Hugging Face经典模型：课程将介绍Hugging Face经典英文和中文语言模型的使用，并与传统机器学习模型进行比较。学员将了解最新的自然语言处理技术，并能够评估和选择适合的模型来解决实际问题。

　　课程目标

　　掌握利润学习技术，并应用于产品营销模型的建置

　　掌握目标类别不平衡学习技术，并应用于银行贷款模型的建置

　　掌握半监督式机器学习技术，并应用于电信客户流失模型的建置

　　掌握并实现集成学习技术，并应用于共享住宿日租价格模型的建置

　　掌握英文文本分析的流程及预处理技术

　　实作社群网站的英文贴文响应分析模型

　　实作社群网站的英文贴文情绪分析模型

　　实作电影网站的电影评分模型

　　实作产品分类预测模型

　　运用Hugging Face的大型英文预训练语言模型解决英文文本分析的问题

　　掌握中文文本分析的流程及预处理技术

　　实作消费者评论的情绪分析模型

　　实作不当评论的分析模型

　　实作从产品的图片及产品的描述信息，预测相同产品的分析模型

　　实作AI文章鉴识预测模型

　　运用Hugging Face的大型中文预训练语言模型解决中文文本分析的问题

　　学习对象

　　机器学习从业人员：对机器学习有一定基础的从业人员，希望进一步深入学习和应用进阶技术的专业人士

　　数据分析师：希望扩展文本分析技术和应用范围，提升在文本数据处理和解决方案设计方面的能力的数据分析师

　　业务决策者：希望了解机器学习在实际业务中的应用，掌握评估模型效果和选择合适模型的知识，以指导业务决策的管理者

　　其他对机器学习和文本分析感兴趣的学习者：对机器学习和文本分析技术感兴趣的学生、研究人员或爱好者，希望通过该课程系统学习相关知识和技能

　　课程内容

　　1章进阶机器学习技术(半监督式学习、利润化学习、目标类别不平衡学习、集成学习)及实操案例分享

　　1-1传统模型评估方法与利润化评估方法

　　1-2增益图与利润图

　　2章案例一：利润化模型实作:以产品营销模型为例(2018/12考题)

　　2-1目标类别不平衡的问题

　　2-2目标类别不平衡的处理方式

　　3章案例二：目标类别不平衡模型实作:找出有资金需求的中小企业借贷户并销售其贷款产品(2019/12考题)

　　3-1传统监督学习方法与非监督学习方法

　　3-1半监督学习方法概述

　　4章案例三：半监督学习模型实作:以电信业客户流失模型为例(2019/6考题)

　　4-1传统学习与集成学习

　　4-1集成学习的分类：模型融合与机器学习元算法

　　5章案例四：集成学习方法实作与比较:从租赁特征、房源特征、房主特征、位置特征、以及声誉特征的信息，预测共享住宿的日租价格

　　6章英文文本分析技术、Hugging Face经典英文模型使用及实操案例分享

　　6-1文本分析简介及文本分析流程

　　6-2英文文本数据预处理方法(词性标注、字根还原、停用词处理、关键词撷取、词袋模型)

　　7章案例五：英文文本分析模型实作:从贴文的信息中预测此贴文是否能获得高响应

　　8章案例六：英文文本分析模型实作:从贴文的短信息中识别此贴文的情绪

　　9章案例七：英文文本分析模型实作:从使用者过去的观影行为、电影名称以及电影剧情描述的信息，预测使用者对电影的评分

　　10章案例八：英文文本分析模型实作:从产品描述的信息中，预测产品类别

　　10-1Hugging Face经典英文语言模型使用并与传统机器学习模型比较

　　11章中文文本分析技术、Hugging Face经典中文模型使用及实操案例分享

　　11-1中文文本数据预处理方法(分词、词性标注、停用词处理、关键词撷取、词嵌入模型)

　　12章案例九：中文文本分析模型实作:从产品的消费者评论中识别此评论的情绪是正评或负评

　　13章案例十：中文文本分析模型实作:从评论信息中识别此评论是否为不当的评论

　　14章案例十一：中文文本分析模型实作:从产品的图片及产品的描述信息中，预测哪些是相同的产品

　　15章案例十二：中文文本分析模型实作:从文章的描述信息中，预测此文章是否由AI所产生出来的

　　15-1Hugging Face经典中文语言模型使用并与传统机器学习模型比较