大数据与人工智能导论（第二版）PPT模板

1、大数据与人工智能导论（第二版）演讲人202x-11-111绪论011绪论1.1日益增长的数据1.2人工智能1.3大数据与人工智能的机遇与挑战1绪论1.1日益增长的数据1.1.1大数据基本概念1.1.2大数据发展历程1.1.4大数据的基本认识1.1.3大数据的特征1绪论1.2人工智能1.2.1认识人工智能1.2.3人工智能的现状与应用1.2.4当人工智能遇上大数据1.2.2人工智能的派别与发展史1绪论1.3大数据与人工智能的机遇与挑战a1.3.1大数据与人工智能面临的难题1.3.2大数据与人工智能的前景b2数据工程022数据工程2.5数据的预处理技术e2.4数据的存储与数据仓库d2.1数据的多样

2、性a2.2数据工程的一般流程b2.3数据的获取c2.6模型的构建与评估f2数据工程2.7数据的可视化2数据工程2.1数据的多样性12.1.1数据格式的多样性22.1.2数据来源的多样性32.1.3数据用途的多样性2数据工程2.3数据的获取2.3.1数据来源012.3.3大数据采集平台032.3.2数据采集方法022数据工程2.4数据的存储与数据仓库2.4.1数据存储12.4.2数据仓库22数据工程2.5数据的预处理技术012.5.1数据预处理的目的2.5.2数据清理020304052.5.3数据集成2.5.4数据变换2.5.5数据归约2数据工程2.6模型的构建与评估2.6.1模型的构建12.6

3、.2评价指标22数据工程2.7数据的可视化2.7.1可视化的发展12.7.2可视化工具23大数据框架033大数据框架01033.1hadoop简介3.2hadoop大数据处理框架3.3mapreduce编程020405063.4spark简介3.5storm简介3.6flink简介3大数据框架3.1hadoop简介3.1.1hadoop的由来13.1.2mapreduce和hdfs23大数据框架3.2hadoop大数据处理框架3.2.1hdfs组件与运行机制013.2.2mapreduce组件与运行机制023.2.3yarn框架和运行机制033.2.4hadoop相关技术043.2.5hado

4、op的安装053大数据框架3.3mapreduce编程3.3.1mapreduce综述3.3.2map阶段3.3.4reduce阶段3.3.3shuffle阶段3大数据框架3.4spark简介013.4.1spark概述3.4.2spark基本概念020304053.4.3spark生态系统3.4.4spark组件与运行机制3.4.5spark的安装3大数据框架3.5storm简介3.5.1storm概述013.5.3storm的应用033.5.2storm组件和运行机制023.5.4storm的安装043大数据框架3.6flink简介3.6.1flink概述3.6.3flink的应用3.6.

5、4flink的安装和实例讲解3.6.2flink组件和运行机制4机器学习算法044机器学习算法4.2决策树理论024.1机器学习绪论014.3朴素贝叶斯理论034.4线性回归044.5逻辑斯蒂回归054.6支持向量机064机器学习算法4.7集成学习4.8神经网络4.9聚类4.10降维与特征选择4机器学习算法4.1机器学习绪论4.1.2评价标准4.1.3机器模型的数学基础4.1.1机器学习基本概念4机器学习算法4.2决策树理论4.2.1决策树模型4.2.2决策树的训练4.2.3本节小结4机器学习算法4.5逻辑斯蒂回归3154.5.3softmax分类器4.5.1二分类逻辑回归模型4.5.5本节小

6、结44.5.4逻辑斯蒂回归和softmax的应用24.5.2二分类逻辑斯蒂回归的训练4机器学习算法4.6支持向量机14.6.1间隔24.6.2支持向量机的原始形式34.6.3支持向量机的对偶形式44.6.4特征空间的隐式映射：核函数54.6.5支持向量机拓展64.6.6支持向量机的应用4机器学习算法4.7集成学习4.7.1基础概念4.7.2boosting4.7.4stacking4.7.3bagging4机器学习算法4.8神经网络4.8.2感知机024.8.4sklearn中的神经网络044.8.1生物神经元和人工神经元014.8.3bp神经网络034.8.5本节小结054机器学习算法4.9

7、聚类01034.9.1聚类思想4.9.2性能计算和距离计算4.9.3原型聚类020405064.9.4密度聚类4.9.5层次聚类4.9.6sklearn中的聚类4.9聚类4.9.7本节小结4机器学习算法4机器学习算法4.10降维与特征选择014.10.1维数爆炸与降维4.10.2降维技术020304054.10.3特征选择技术4.10.4sklearn中的降维4.10.5本节小结5深度学习简介055深度学习简介5.1从神经网络到深度神经网络5.2卷积神经网络5.3循环神经网络5.4生成对抗网络5深度学习简介5.1从神经网络到深度神经网络a5.1.1深度学习应用5.1.2深度神经网络的困难b5深

8、度学习简介5.2卷积神经网络15.2.1卷积神经网络的生物学基础25.2.2卷积神经网络结构5深度学习简介5.3循环神经网络15.3.1循环神经网络简介25.3.2循环神经网络结构5深度学习简介5.4生成对抗网络15.4.1生成对抗网络简介25.4.2生成对抗网络结构6强化学习简介066强化学习简介6.1有限马尔可夫决策过程6.2动态规划6.3时序差分学习6.4策略梯度方法6.5深度强化学习6强化学习简介6.1有限马尔可夫决策过程6.1.1目标和奖励6.1.3策略和值函数6.1.4最优策略和最优状态值函数6.1.2回报和分幕6强化学习简介6.2动态规划6.2.1策略评估6.2.2策略改进6.2

9、.4价值迭代6.2.3策略迭代6强化学习简介6.3时序差分学习6.3.1时序差分预测6.3.2td（0）学习6.3.4q学习算法6.3.3sarsa算法6强化学习简介6.4策略梯度方法6.4.2蒙特卡罗策略梯度6.4.3actor-critic方法6.4.1策略梯度定理6强化学习简介6.5深度强化学习16.5.1深度q-learning26.5.2深度确定性策略梯度7数据分析实例077数据分析实例7.1基本数据分析 7.1.1数据介绍7.1.2数据导入与数据初识7.1.3分类7.1.4回归7.1.5降维7.2深度学习项目实战 7.2.1tensorflow与keras安装部署7.2.2使用卷积神经网络进行手写数字识别7.2.3使用lstm进行文本情感分类 7.2.1Tensorflow与Keras安装部署7.2.2使用卷积