<address id="zdlvp"></address>

          <sub id="zdlvp"></sub>
          <form id="zdlvp"><nobr id="zdlvp"><nobr id="zdlvp"></nobr></nobr></form>

          <sub id="zdlvp"><listing id="zdlvp"></listing></sub>

          人工智能培訓基地人工智能開發

          選擇人工智能校區人工智能開發

          選擇校區

          北京昌平

            • 6個月
              高標準人工智能課程

            • 13+
              多領域多行業AI項目

            • 8+
              AI主流就業方向

            • 50
              專職教研團隊

            • 80%
              項目課程占比

            • 終身
              職業生態圈

            人工智能開發 培養高精尖AI人才

            為什么要學習
            人工智能開發?

            • 時代風口

            • 創新未來

            • 人才稀缺

            • 人工智能培訓班哪里好
            • 學人工智能以后從事什么工作

            選擇人工智能開發
            畢業起點高,就業前景好

            適合人群

            • 剛畢業想把握未來想抓住未來方向
              但又無從下手的
              迷茫者

            • 無基礎自學困難熱愛人工智能,但發現
              自學周期長,無法快速
              入行的初學者

            • 想轉行沒有目標在傳統行業打拼多年,
              想快速轉型未來行業的
              奮斗者

            • 喜歡鉆研人工智能熱愛新技術、新熱點、
              互聯網行業,想一步
              到位的高薪者

            人工智能第一課:學習人工智能的那些事兒

            1. 01AI能干什么,能找什么樣的工作

              認識人工智能,AI趨勢
              AI廣泛的就業領域
            2. 02初學者,如何學習人工智能

              具體就業崗位能力分析
              AI知識體系搭建和能力培養
            3. 03AI初學者認知誤區、常踩的“坑”
              成功培養1000名AI開發者后的經驗&感悟

              難不難?要求高不高?就業和擇業
              已畢業同學的入行、高薪經驗

            高級軟件工程師課程

            高級軟件工程師課程,覆蓋自然語言處理NLP、計算機視覺CV、數據科學推薦等AI各行業領先技術,培養AI專精型人才

            人工智能開發課程大綱

            • Python編程基礎

            • Python編程進階

            • 數據處理與統計分析

            • 機器學習與多場景案例實戰

            • 數據挖掘綜合項目

            • 深度學習與NLP自然語言處理基礎

            • NLP自然語言處理綜合項目

            • CV基礎&面試加強

            • CV計算機視覺綜合項目

            查看詳細課程大綱>Python編程基礎

            主要內容

            Python基礎語法Python數據處理函數文件讀寫異常處理模塊和包

            可解決的現實問題

            熟練掌握人工智能Python語言,建立編程思維以及面向對象程序設計思想,使學員能夠熟練使用Python技術完成基礎程序編寫。

            可掌握的核心能力

            1.掌握Python開發環境基本配置
            2.掌握運算符、表達式、流程控制語句、數組等的使用
            3.掌握字符串的基本操作
            4.初步建立面向對象的編程思維
            5.熟悉異常捕獲的基本流程及使用方式
            6.掌握類和對象的基本使用方式

            查看詳細課程大綱>Python編程進階

            主要內容

            面向對象 網絡編程 多任務編程 高級語法 Python編程綜合項目

            可解決的現實問題

            熟練使用Python,掌握人工智能開發必備Python高級語法。

            可掌握的核心能力

            1.掌握網絡編程技術,能夠實現網絡通訊
            2.知道通訊協議原理
            3.掌握開發中的多任務編程實現方式
            4.知道多進程多線程的原理

            查看詳細課程大綱>數據處理與統計分析

            主要內容

            Linux MySQL與SQL Numpy矩陣運算庫 Pandas數據清洗 Pandas數據整理 Pandas數據可視化 Pandas數據分析項目

            可解決的現實問題

            掌握SQL及Pandas完成數據分析與可視化操作。

            可掌握的核心能力

            1.掌握Linux常用命令,為數據開發后續學習打下的良好基礎
            2.掌握MySQL數據庫的使用
            3.掌握SQL語法
            4.掌握使用Python操作數據庫
            5.掌握Pandas案例
            6.知道會圖庫使用
            7.掌握Pandas數據ETL
            8.掌握Pandas數據分析項目流程

            查看詳細課程大綱>機器學習與多場景案例實戰

            主要內容

            機器學習簡介 K近鄰算法 線性回歸 邏輯回歸 決策樹 聚類算法 集成學習 機器學習進階算法 用戶畫像案例 電商運營數據建模分析案例

            可解決的現實問題

            掌握機器學習基本概念,利用多場景案例強化機器學習建模。

            可掌握的核心能力

            1.掌握機器學習算法基本原理
            2.掌握使用機器學習模型訓練的基本流程
            3.掌握Sklearn,Jieba,Gensim等常用機器學習相關開源庫的使用
            4.熟練使用機器學習相關算法進行預測分析
            5.掌握數據分析常用思維方法
            6.掌握不同業務場景下的指標體系搭建
            7.熟練使用各種數據分析工具進行數據提取與數據展示
            8.熟練運用常用數據分析模型解決業務問題

            查看詳細課程大綱>數據挖掘綜合項目

            主要內容

            金融風控項目業務背景介紹 風控建模介紹 機器學習評分卡 金融風控特征工程 不均衡學習和異常檢測 推薦項目數據采集 推薦系統召回業務 推薦系統排序業務 基于多路召回的實時推薦 推薦系統平臺調度 推薦系統性能評估

            可解決的現實問題

            掌握金融風控項目與計算廣告項目,泛電商推薦系統或咨詢行業推薦系統。

            可掌握的核心能力

            1.掌握風控業務場景的常用指標
            2.掌握評分卡的建模流程
            3.掌握評分卡特征工程的常用套路
            4.熟練運用機器學習算法解決風控業務場景下的問題
            5.掌握多行業推薦業務
            6.掌握推薦業務建模流程
            7.掌握召回,排序基礎算法
            8.熟練運用機器學習算法解決推薦業務問題
            9.掌握大數據計算框架基本使用

            查看詳細課程大綱>深度學習與NLP自然語言處理基礎

            主要內容

            深度學習基礎 BP神經網絡 經典神經同絡結構(CNN&RNN) 深度學習多框架對比 深度學習正則化和算法優化 深度學習Pytorch框架 NLP任務和開發流程 文本預處理 RNN及變體原理與實戰 Transformer原理與實戰 Attention機制原理與實戰 傳統序列模型 遷移學習實戰

            可解決的現實問題

            掌握深度學習基礎及神經網絡經典算法;掌握全球最熱門的PyTorch技術,完成自然語言處理基礎算法,諸如RNN、LSTM、GRU等技術。

            可掌握的核心能力

            1.pytorch工具處理神經網絡涉及的關鍵點
            2.掌握神經網絡基礎知識
            3.掌握反向傳播原理
            4.了解深度學習正則化與算法優化
            5.掌握NLP領域前沿的技術解決方案
            6.了解NLP應用場景
            7.掌握NLP相關知識的原理和實現
            8.掌握傳統序列模型的基本原理和使用
            9.掌握非序列模型解決文本問題的原理和方案
            10.能夠使用pytorch搭建神經網絡
            11.構建基本的語言翻譯系統模型
            12.構建基本的文本生成系統模型
            13.構建基本的文本分類器模型
            14.使用ID-CNN+CRF進行命名實體識別
            15.使用fasttext進行快速的文本分類
            16.勝任多數企業的NLP工程師的職位

            查看詳細課程大綱>NLP自然語言處理綜合項目

            主要內容

            解決方案列表 項目架構及數據采集 命名實體識別 對話系統 項目架構 多模型預測 模型的迭代優化 模型的上線部署與總結 智能文本分類 模型上線

            可解決的現實問題

            1.掌握在線醫生項目或在線聊天機器人NLP項目
            2.掌握文本摘要項目或知識圖譜NLP項目
            3.掌握智能文本分類項目或傳智大腦NLP項目

            可掌握的核心能力

            1.醫療領域NER解決方案
            2.對話主題相關解決方案
            3.微信端服務部署解決方案
            4.對話管理系統與A結合解決方案
            5.抽取式文本摘要解決方案
            6.生成式文本摘要解決方案
            7.自主訓練詞向量解決方案
            8.解碼方案的優化解決方案
            9.數據增強優化解決方案
            10.大規??焖傥谋痉诸惤鉀Q方案
            11.多模型井行預測解決方案
            12.分布式模型訓練解決方案
            13.多標簽知識圖譜構建解決方案

            查看詳細課程大綱>CV基礎&面試加強

            主要內容

            機器學習核心算法加強 深度學習核心算法加強 數據結構與算法 多行業項目擴展 圖像與視覺處理介紹 目標分類和經典CV網絡 目標檢測和經典CV網絡 目標分割和經典CV網絡

            可解決的現實問題

            1.掌握數據結構與算法,核心機器學習、深度學習面試題,助力高薪就業
            2.掌握計算機視覺基礎算法,諸如CNN、殘差網絡、Yolo及SSD

            可掌握的核心能力

            1.機器學習與深度學習核心算法,NLP經典算法,數據結構算法、Djkstra算法,動態規劃初步,貪心算法原理,多行業人工智能案例剖析
            2.經典卷積網絡:LeNet5、AlexNet、 VGG、 Inception、GoogleNlet、殘差網絡 深度學習優化;RCNN、FastRCNN;FasterRCNN;SSD、YOLOM、 YOLOV2、 YOLOV

            查看詳細課程大綱>CV計算機視覺綜合項目

            主要內容

            解決方案列表 項目架構及數據采集 人臉檢測與跟蹤 人臉姿態任務 人臉多任務 系統集成

            可解決的現實問題

            掌握人臉支付項目或智慧交通項目或實時人臉識別項目

            可掌握的核心能力

            1.人臉檢測與跟蹤解決方案
            2.人臉姿態任務解決方案
            3.人臉多任務解決方案
            4.人臉識別任務解決方案
            5.系統集成解決方案

            真項目

            與百度和京東共建項目,制定AI項目新標準,推出多行業、真場景、深技術的AI項目課程,并在業內建立免費體驗的在線“項目庫”
            1. 高標準“億元級”研發投入
              大廠項目共建

            2. 全行業10+AI大型項目
              覆蓋8大熱門行業

            3. 全流程大廠AI開發標準
              重現AI項目開發全流程

            4. 真場景真實海量數據
              真實業務需求

            5. 深技術技術大牛傾力研發
              專職沉淀AI新技術

            6. 嚴保障12項評審流程
              4項驗收標準

            • 人工智能應用有哪些?
            • 傳智人工智能技術棧
            • 業務分析

              業務模型

              機器學習
              機器學習
            • 機器學習

              40+解決方案

              特定目標車輛跟蹤Siamese系列模型的解決方案SORT/DeepSORT算法多目標車輛跟蹤解決方案

              建立交通流系統狀態和觀測狀態的解決方案車輛檢測、計數和分類解決方案

              圖像去畸變的解決方案實時車道線檢測的解決方案

              實時采集攝像頭人臉視頻的解決方案利用深度學習方法進行人臉屬性提取的解決方案

              動態圖像人臉定位的解決方案利用深度神經網絡進行人臉實時識別跟蹤的解決方案

              醫學影像格式轉換的解決方案肺部實質形態分割的解決方案

              利用深度學習模型進行肺結節檢測及分割的解決方案可疑病灶區域標記及預診斷的解決方案

              基于多模型級聯學習的場景識別解決方案淺CNN模型和深CNN模型集成學習

              mlp模型組合預判場景解決方案在線圖片識別-商品檢測項目(CV)

              基于端到端算法的目標檢測解決方案模型訓練中數據增強的解決方案

              基于Label Image的圖像標注的解決方案知識圖譜的雙畫像關系存儲解決方案

              動態/靜態標簽的AI屬性方案實時響應的AI金字塔召回方案

              wide-deep模型的排序模型方案醫療領域NER解決方案

              對話主題相關解決方案微信端服務部署解決方案

              對話管理系統與AI結合解決方案大規??焖傥谋痉诸惤鉀Q方案

              多模型并行預測解決方案分布式模型訓練解決方案

              多標簽知識圖譜構建解決方案基于Flume+Kafka的實時數據采集解決方案

              基于詞頻、詞向量的文章畫像抽取解決方案離線定時任務多路召回的解決方案

              wide&deep深度神經網絡模型的排序方案雙通道redis&hbase的實時請求服務解決方案

              推薦系統冷啟動解決方案中文分詞和向量化的解決方案

              基于神經網絡端到端的解決方案語言模型調優與注意力機制優化的方案

              10+技術棧

              模型訓練流水線模型并行預測服務模型熱更新微服務分布式模型訓練自動參數調優Fasttext模型全面解析應用Transformer遷移學習深入實踐ResNet主干視覺網絡剖析強化學習與對抗網絡解讀大型模型壓縮與知識蒸餾探索對抗網絡系列算法論文復現……

            人工智能開發項目體驗

            學員作品

            打造企業級開發環境,引導學員以業務場景進行開發,完成企業級項目實訓,積累業務開發落地能力
            • AI培訓機構學員作品

              房屋租金模型預測AI進階班一期第2組

              簡介:一線城市中,租房情況越來越多,通過機器學習模型,訓練出一個房租預測模型,可以指導大家在租房中,合理的價位完成交易。

            • AI培訓班學員作品

              課程每日反饋模型預測AI進階班二期第3組

              簡介:每日反饋模型預測是通過機器學習經典算法訓練模型,對學員每日反饋內容進行歸類,輔助完成更好的教學管理。

            • 房屋租金模型預測AI進階班一期第4組

              簡介:一線城市中,租房情況越來越多,通過機器學習模型,訓練出一個房租預測模型,可以指導大家在租房中,合理的價位完成交易。

            • 課程每日反饋模型預測AI進階班二期第5組

              簡介:每日反饋模型預測是通過機器學習經典算法訓練模型,對學員每日反饋內容進行歸類,輔助完成更好的教學管理。

            • 房屋租金模型預測AI進階班一期第5組

              簡介:一線城市中,租房情況越來越多,通過機器學習模型,訓練出一個房租預測模型,可以指導大家在租房中,合理的價位完成交易。

            人工智能開發實戰標準及流程

            企業標準流程完成項目實戰,保障所學即為所用

            大廠教研師資團隊 全程陪伴帶你乘風破浪

            • 專職課程研發團隊嚴控課程質量 讓課程與企業實時接軌

              72%高學歷博士、碩士研究生、985

              58%大廠背景百度、阿里、華為、騰訊

            • 嚴選資深教學講師從源頭把握授課質量 講透技術重難點

              16標準嚴選老師錄取率<3%

              10教學經驗授課經驗豐富

              免費視頻教程 惠及千萬學子

              人工智能開發
              學習路線圖

              自學必看零基礎最新版

              免費領取視頻教程、重難點技術解析、學習工具、學習筆記等

              立即前往學習 >

              多年精研教學 成就學員長線發展

              人工智能首期線下班開班

              2016年2016年7月,傳智播客Python+人工智能學院成立;2016年4月16日,從80名C++學員中篩選30名同學,培訓Python開發,并以百分百的就業率完成試運營;2016年8月8日,Python+人工智能班,首期線下開班

              人工智能率先引入爬蟲項目

              2017年2017年1月率先引入爬蟲項目,提升課程廣度和深度,更加貼切市場需求;2017年5月率先引入深度學習課程,培養大批PythonWeb和人工智能人才

              人工智能跟進新技術新領域

              2018年Python開發方面引入反爬蟲、Python數據持久化、異步IO、內存緩存、項目部暑專項課;Python開發方面引入自動化測試和自動化運維課程體系;人工智能方面引入數據科學推薦系統、數據分析課程、NLP相關課程體系;擴大研發隊伍,加強研發力度,獨創了N+12 教學新模式;跟進新技術、新領域,為學員提供免費長期的學習服務

              人工智能首期AI進階線下班開班

              2019年引入京東、阿里等大廠一線技術人員,為打造優質課程體系提供技術支撐;Python開發推出10+多行業多領域項目;人工智能推出10+多行業多領域項目;Python+人工智能分為兩個班型Python開發特訓班、人工智能AI進階班;2019年12月21日,人工智能AI進階班,首期線下開班

              人工智能推出計算機視覺項目

              2020年人工智能推出計算機視覺項目:智能交通、實時人臉識別、計算機視覺案例庫提升AI學員就業核心競爭力;人工智能推出自然語言處理NLP項目:在線AI醫生項目、智能文本分類項目提升AI學員就業核心競爭力

              人工智能拓寬數據挖掘和NLP方向課程

              2022年培養企業應用型高精尖AI人工智能人才;引入UCloud全新云環境助力學科教學;涵蓋了所有人工智能生態圈技術和應用;引入數據處理與統計分析階段課程,更加注重學員數據處理能力;全新升級了13+多行業項目,拓寬了數據挖掘和NLP方向課程;課程設計更加合理,更加適合AI初學者學習

              2016

              2017

              2018

              2019

              2020

              2022

              課程大綱

              1. 基礎班

                1. Python編程基礎

              2. 就業班

                1. Python編程進階 2. 數據處理與統計分析 3. 機器學習與多場景項目實戰 4. 金融風控項目與廣告Ctr預估項目二選一 5. 深度學習基礎 6. 自然語言處理基礎 7. AI醫生與AI聊天機器人二選一 8. 投滿分項目與知識圖譜二選一 9. 傳智大腦與文本摘要項目二選一 10. 面試加強 11. 人臉支付項目、智慧交通項目與實時人臉識別CV項目三選一 12. 計算機視覺基礎

              3. 人工智能開發 V3.0版本

              • Python編程基礎基礎班 1

                課時:8天技術點:85項測驗:1次學習方式:線下面授

                學習目標

                1.掌握Python開發環境基本配置| 2.掌握運算符、表達式、流程控制語句、數組等的使用| 3.掌握字符串的基本操作| 4.初步建立面向對象的編程思維| 5.熟悉異常捕獲的基本流程及使用方式, 6.掌握類和對象的基本使用方式|

                主講內容

                1. Python基礎語法零基礎學習Python的開始,包含了以下技術點:

                01_變量| 02_標識符和關鍵字| 03_輸入和輸出| 04_數據類型轉換| 05_PEP8編碼規范| 06_比較/關系運算符| 07_if判斷語句語法格式| 08_三目運算符| 09_while語句語法格式| 10_while 循環嵌套| 11_break 和 continue| 12_while 循環案例| 13_for循環|

                2. Python數據處理掌握Python的數據類型,并對其進行操作處理,包含了以下技術點:

                01_字符串定義語法格式| 02_字符串遍歷| 03_下標和切片| 04_字符串常見操作| 05_列表語法格式| 06_列表的遍歷| 07_列表常見操作| 08_列表嵌套| 09_列表推導式| 10_元組語法格式| 11_元組操作| 12_字典語法格式| 13_字典常見操作| 14_字典的遍歷|

                3. 函數能夠實現Python函數的編寫,包含了以下技術點:

                01_函數概念和作用、函數定義、調用| 02_函數的參數| 03_函數的返回值| 04_函數的注釋| 05_函數的嵌套調用| 06_可變和不可變類型| 07_局部變量| 08_全局變量| 09_組包和拆包、引用|

                4. 文件讀寫能夠使用Python對文件進行操作,包含了以下技術點:

                01_文件的打開與關閉、文件的讀寫| 02_文件、目錄操作及案例| 03_os模塊文件與目錄相關操作|

                5. 異常處理主要介紹了在Python編程中如何處理異常,包含了以下技術點:

                01_異常概念| 02_異常捕獲| 03_異常的傳遞|

                6. 模塊和包主要介紹了Python中的模塊和包的體系,以及如何使用模塊和包,包含了以下技術點:

                01_模塊介紹| 02_模塊的導入| 03_包的概念| 04_包的導入| 05_模塊中的__all__ | 06_模塊中__name__ |

              • Python編程進階就業班 1

                課時:10天技術點:98項測驗:1次學習方式:線下面授

                學習目標

                1.掌握網絡編程技術,能夠實現網絡通訊| 2.知道通訊協議原理| 3.掌握開發中的多任務編程實現方式| 4. 知道多進程多線程的原理|

                主講內容

                1. 面向對象從逐步建立起面向對象編程思想,再到會使用對象,到創建對象,再到真正理解為什么封裝對象,包含了以下技術點:

                01_面向對象介紹| 02_類的定義和對象的創建| 03_添加和獲取對象屬性| 04_self 參數| 05_init方法| 06_繼承| 07_子類方法重寫| 08_類屬性和實例屬性| 09_類方法、實例方法、靜態方法|

                2. 網絡編程主要學習通訊協議,以及Python實現TCP、HTTP通訊,包含了以下技術點:

                01_IP地址的介紹| 02_端口和端口號的介紹| 03_TCP的介紹| 04_Socket的介紹| 05_TCP網絡應用的開發流程| 06_基于TCP通信程序開發|

                3. 多任務編程主要學習Python中多線程、多進程,包含了以下技術點:

                01_多任務介紹| 02_多進程的使用| 03_多線程的使用| 04_線程同步|

                4. 高級語法主要學習Python的高級語法,包含以下技術點:

                01_閉包| 02_裝飾器| 03_迭代器| 04_深淺拷貝| 05_正則|

                5. Python編程綜合項目通過前邊所學知識,完成綜合案例,鍛煉編程能力、培養編程思維

                01_Python編程綜合項目|

              • 數據處理與統計分析就業班 2

                課時:10天技術點:115項測驗:1次學習方式:線下面授

                學習目標

                1.掌握Linux常用命令,為數據開發后續學習打下的良好基礎| 2. 掌握MySQL數據庫的使用| 3. 掌握SQL語法| 4. 掌握使用Python操作數據庫| 5.掌握Pandas案例| 6.知道會圖庫使用| 7.掌握Pandas數據ETL| 8. 掌握Pandas數據分析項目流程|

                主講內容

                1. Linux掌握Linux操作系統常用命令和權限管理

                01_Linux命令使用| 02_Linux命令選項的使用| 03_遠程登錄和遠程拷貝| 04_Linux權限管理| 05_vi編輯器使用| 06_集群搭建準備|

                2. MySQL與SQL零基礎小白通過MySQL數據庫,掌握核心必備SQL,包含了以下技術點:

                01_數據庫概念和作用| 02_MySQL數據類型| 03_數據完整性和約束| 04_數據庫、表基本操作命令| 05_表數據操作命令| 06_where子句| 07_分組聚合| 08_連接查詢| 09_外鍵的使用| 10_Pymysql|

                3. Numpy矩陣運算庫Numpy矩陣運算庫技術,包含以下技術點:

                01_Numpy運算優勢,數組的屬性,數組的形狀|02_Numpy實現數組基本操作|03_Numpy實現數組運算,矩陣乘法,矩陣求逆,伴隨矩陣|

                4. Pandas數據清洗Pandas數據清洗技術,包含以下技術點:

                1.數據組合:01_Pandas數據組合_concat連接;02_Pandas數據組合_merge數據;03_Pandas數據組合_join| 2.缺失值處理:01_缺失值處理介紹;02_缺失值處理_缺失值數量統計;03_缺失值處理;04_缺失值處理_刪除缺失值;05_缺失值處理_填充缺失值| 3.整理數據| 4.Pandas數據類型| 5.apply函數:01_Series和DataFrame的apply方法;02_apply使用案例|

                5. Pandas數據整理Pandas數據處理技術,包含以下技術點:

                1.數據分組: 01_單變量分組聚合; 02_通過調用agg進行聚合; 03_分組后transform; 04_transform練習| 2.Pandas透視表: 01_透視表概述&會員存量增量分析; 02_會員增量等級分布; 03_增量等級占比分析&整體等級分布; 04_線上線下增量分析&地區店均會員數量; 05_會銷比計算; 06_連帶率計算; 07_復購率計算| 3.datetime數據類型: 01_日期時間類型介紹; 02_提取日期分組案例; 03_股票數據處理; 04_datarange函數; 05_綜合案例|

                6. Pandas數據可視化Pandas數據可視化技術,包含以下技術點:

                01_Matplotlib可視化| 02_Pandas可視化| 03_Seaborn可視化|

                7. Pandas數據分析項目利用所學的Python Pandas,以及可視化技術,完成數據處理項目實戰

                RFM客戶分群案例: 01_RFM概念介紹| 02_RFM項目_數據加載和數據處理| 03_RFM項目_RFM計算| 04_RFM項目_RFM可視化| 05_RFM項目_業務解讀和小結|

              • 機器學習與多場景項目實戰就業班 3

                課時:10天技術點:153項測驗:1次學習方式:線下面授

                學習目標

                1.掌握機器學習算法基本原理| 2.掌握使用機器學習模型訓練的基本流程| 3.掌握Sklearn,Jieba,Gensim等常用機器學習相關開源庫的使用| 4. 熟練使用機器學習相關算法進行預測分析| 5.掌握數據分析常用思維方法| 6.熟練使用各種數據分析工具進行數據提取與數據展示| 7.熟練運用常用數據分析模型解決業務問題|

                主講內容

                1. 機器學習該部分主要學習機器學習基礎理論,包含以下技術點:

                01_人工智能概述| 02_機器學習開發流程和用到的數據介紹| 03_特征工程介紹和小結| 04_機器學習算法分類| 05_機器學習模型評估| 06_數據分析與機器學習|

                2. K近鄰算法該部分主要學習機器學習KNN算法及實戰,包含以下技術點:

                01_K近鄰算法基本原理| 02_K近鄰算法進行分類預測| 03_sklearn實現knn| 04_訓練集測試集劃分| 05_分類算法的評估| 06_歸一化和標準化| 07_超參數搜索| 08_K近鄰算法總結|

                3. 線性回歸該部分主要學習機器學習線性回歸算法及實戰,包含以下技術點:

                01_線性回歸簡介| 02_線性回歸API使用初步| 03_導數回顧| 04_線性回歸的損失函數和優化方法| 05_梯度下降推導| 06_波士頓房價預測案例| 07_欠擬合和過擬合| 08_模型的保存和加載| 09_線性回歸應用-回歸分析|

                4. 邏輯回歸該部分主要學習機器學習邏輯回歸算法及實戰,包含以下技術點:

                01_邏輯回歸簡介| 02_邏輯回歸API應用案例| 03_分類算法評價方法| 04_邏輯回歸應用_分類分析|

                5. 聚類算法該部分主要學習機器學習聚類算法及實戰,包含以下技術點:

                01_聚類算法的概念| 02_聚類算法API的使用| 03_聚類算法實現原理| 04_聚類算法的評估| 05_聚類算法案例|

                6. 決策樹該部分主要學習機器學習決策樹算法及實戰,包含以下技術點:

                01_決策樹算法簡介| 02_ 決策樹分類原理| 03_特征工程-特征提取| 04_ 決策樹算法api| 05_ 決策樹案例|

                7. 集成學習該部分主要學習機器學習集成算法算法及實戰,包含以下技術點:

                01 集成學習算法簡介| 02 Bagging和隨機森林| 03 隨機森林案例| 04 Boosting介紹| 05 GBDT介紹| 06 XGBOOST介紹| 07 LightGBM介紹|

                8. 機器學習進階算法該部分主要學習機器學習高階算法及實戰,包含以下技術點:

                01 SVM| 02 樸素貝葉斯|

                9. 用戶畫像案例多場景項目實戰部分,包含以下技術點:

                01_用戶行為分析| 02_用戶畫像標簽分類| 03_統計類標簽| 04_用戶分群模型| 05_用戶流失預測|

                10. 電商運營數據建模分析案例電商多場景項目實戰部分,包含以下技術點:

                01_零售銷售報表| 02_數據探索性分析| 03_特征工程| 04_模型訓練與特征優化| 05_模型部署上線|

              • 金融風控項目與廣告Ctr預估項目二選一就業班 4

                課時:6天技術點:88項測驗:0次學習方式:線下面授

                學習目標

                1.掌握風控業務場景的常用指標| 2.掌握評分卡的建模流程| 3.掌握評分卡特征工程的常用套路| 4.熟練運用機器學習算法解決風控業務場景下的問題|

                傳統金融由于風控審批主要靠人工進行,審批速度慢,一般只服務大公司,或者收入較高的人群,很多低端、無穩定收入的群體和小微企業無法享受到傳統金融服務。面臨如此龐大的市場,小額貸款作為新型的金融服務產品應運而生,小額貸款業務具有單筆金額小、單筆利潤低、利潤率高、審批速度快的熱點,所以基于用戶申請信息的快速自動審批系統(風控系統)就成了互聯網金融領域核心的競爭力。金融風控項目搭建了整套金融風控知識體系,從反欺詐、信用風險策略、評分卡模型構建等熱點知識,使得學員具備中級金融風控分析師能力。

                主講解決方案

                1.金融領域數據處理解決方案| 2.金融風控策略解決方案| 3.金融風控特征工程解決方案| 4.金融風控評分卡模型解決方案| 5.信用分風險策略解決方案| 6.風控模型部署與評估解決方案|

                主講知識點

                1、風控領域業務知識介紹:常見信貸風險、金融風控領域常用術語等| 2、評分卡建模概述:信貸審批業務基本流程、ABC評分卡概念、正負樣本定義方法等| 3、評分卡建模特征工程:特征衍生、特征交叉、特征評估與篩選| 4、機器學習評分卡模型訓練:邏輯回歸評分卡、集成學習評分卡、模型評價(KS,AUC),評分映射方法,模型報告| 5、不均衡學習和異常點檢測:樣本不均衡的處理方法,異常點檢測的常用方法|

              • 深度學習基礎就業班 5

                課時:4天技術點:100項測驗:1次學習方式:線下面授

                學習目標

                1.pytorch工具處理神經網絡涉及的關鍵點|2.掌握神經網絡基礎知識|3.掌握反向傳播原理|4.了解深度學習正則化與算法優化|

                主講內容

                1. 神經網絡基礎該部分主要學習神經網絡基礎,包含以下技術點:

                01_神經網絡基礎:神經網絡的構成、激活函數、損失函數、優化方法及正則化|02_反向傳播原理:梯度下降算法、鏈式法則、反向傳播算法、改善反向傳播算法性能的迭代法|03_深度學習正則化與算法優化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam;04_實現多層神經網絡案例|

                2. 深度學習多框架對比該部分主要學習深度學習多框架對比,包含以下技術點:

                01_Pytorch| 02_Tensorflow| 03_MxNet| 04_paddlepaddle|

                3. Pytorch框架該部分主要學習Pytorch深度學習框架,包含以下技術點:

                01_Pytorch介紹|02_張量概念|03_張量運算|04_反向傳播|05_梯度,自動梯度|06_參數更新|07_數據加載器|08_迭代數據集|

              • 自然語言處理基礎就業班 6

                課時:12天技術點:180項測驗:1次學習方式:線下面授

                學習目標

                1.掌握NLP領域前沿的技術解決方案|2.了解NLP應用場景|3.掌握NLP相關知識的原理和實現|4.掌握傳統序列模型的基本原理和使用|5.掌握非序列模型解決文本問題的原理和方案|6.能夠使用pytorch搭建神經網絡|7.構建基本的語言翻譯系統模型|8.構建基本的文本生成系統模型|9.構建基本的文本分類器模型|10.使用ID-CNN+CRF進行命名實體識別|11.使用fasttext進行快速的文本分類|12.勝任多數企業的NLP工程師的職位|

                主講內容

                1. NLP入門該部分主要學習NLP基礎,包含以下技術點:

                01_經典案例|01_對話系統簡介|02_NLU簡介|03_文本生成簡介|04_機器翻譯簡介|05_智能客服介紹|06_機器人寫作介紹|07_作文打分介紹

                2. 文本預處理該部分主要學習文本預處理技術,包含以下技術點:

                01_文本處理的基本方|02_文本張量表示方法|03_文本語料的數據分析,文本特征處理,數據增強方法|04_分詞,詞性標注,命名實體識別|05_one-hot編碼,Word2vec,Word Embedding|06_標簽數量分布,句子長度分布,詞頻統計與關鍵詞詞云|

                3. RNN及變體該部分主要學習RNN、LSTM、GRU等技術,包含以下技術點:

                01_傳統RNN,LSTM,Bi-LSTM,GRU,Bi-GRU|02_新聞分類案例,機器翻譯案例|03_seq2seq,遺忘門,輸入門,細胞狀態,輸出門,更新門,重置門|

                4. Transfomer原理該部分主要學習Transform技術,包含以下技術點:

                01_輸入部分,輸出部分,編碼器部分,解碼器部分,線性層|02_softmax層,注意力機制,多頭注意力機制|03_前饋全連接層,規范化層,子層連接結構,語言模型|04_wikiText-2數據集,模型超參數|05_模型的訓練,模型驗證|

                5. 傳統的序列模型該部分主要學習傳統序列模型,包含以下技術點:

                01_HMM原理,HMM實現,HMM優劣勢|02_CRF原理,CRF優劣勢,03_CRF與HMM區別,CRF實現|04_HMM歷CRF歷史,HMM現狀,CRF現狀|

                6. 遷移學習該部分主要學習遷移學習,包含以下技術點:

                01_fasttext工具,進行文本分類|02_CBOW模式,skip-gram模式,預訓練模型|03_微調,微調腳本,訓練詞向量|04_模型調優|05_n-gram特征|06_CoLA 數據集,SST-2 數據集,MRPC 數據集|07_BERT,GPT,GPT-2,08_pytorch.hub|

              • AI醫生與AI聊天機器人二選一就業班 7

                課時:9天技術點:110項測驗:0次學習方式:線下面授

                學習目標

                1.基于大規模知識圖譜技術與自然語言處理在醫療領域的應用場景|2.基于語音識別與語音生成技術的與患者語音溝通的交互方式|3.基于微服務架構的人工智能產品|4.基于端到端以及結合知識庫的多輪多任務對話系統網絡結構|5.掌握數據清洗以及知識抽取、知識圖譜構建|6.掌握圖數據庫neo4j相關技術點及基本操作|7.掌握Pipeline方式與end-to-end流程設計方式以及不同|8.掌握mem2seq模型論文到代碼實現方案|9.掌握微信公眾號接口開發以及第三發api接口集成|

                在線醫生項目是一個基于自然語言理解方向的問答機器人。類似的應用,還有百度地圖的小度、天貓精靈、淘寶小蜜,招商銀行的小招等。該項目結合醫學知識圖譜、深度學習、對話管理、微信公眾號開發等技術,旨在降低首醫成本,為患者提供基本醫學診斷意見服務。技術層面包含語音識別、自然語言理解、對話管理以及自然語言生成等環節,其中又包含領域識別,用戶意圖識別,槽位填充,對話狀態追蹤,對話策略等技術細節。功能上為患者提供根據癥狀信息給出診斷意見任務與就近治療任務。通過學習該課程,學生可以了解多輪多任務對話系統的技術點以及業務流程

                主講解決方案

                1.醫療領域NER解決方案| 2.對話主題相關解決方案| 3.微信端服務部署解決方案| 4.對話管理系統與AI結合解決方案|

                主講知識點

                1.項目介紹:生活類任務對話系統介紹,在線醫生項目介紹| 2.聊天機器人入門:申請公眾號、搭建微信開發環境,安裝werobot以及常用接口實現,Demo:你說我學與圖尚往來,案例:配置自己的機器人| 3.數據爬取:爬取專業醫療知識網站,數據篩選,清理不完備數據,數據提取定位以及知識抽取數據準備,醫學問答數據提取,疾病、癥狀知識抽取| 4.醫學知識圖譜: 知識圖譜介紹,知識圖譜在醫療領域的應用,知識存儲各大廠商介紹,Neo4j安裝環境搭建,Python調用neo4j并完成數據插入與查詢操作,案例:完成基于知識圖譜的對話機器人| 5.醫學命名實體識別:命名實體識別介紹,命名實體識別在醫學方面的應用,BiLSTM+CRF模型原理介紹,BiLSTM+CRF模型實現,IDCNN模型原理介紹,IDCNN模型實現,案例:疾病與癥狀命名實體識別| 6.任務對話系統(Pipeline方法): 任務對話系統介紹,自然語言理解介紹-領域識別,自然語言理解介紹-用戶意圖識別,語義槽介紹以及在任務對話系統中的作用,語義槽設計,命名實體識別在語義槽中的應用,語義槽實現,對話管理-對話狀態追蹤介紹,對話狀態追蹤實現,對話管理-對話策略介紹,對話策略實現,項目:基于pipeline的對話系統實現| 7.論文學習與轉化:Mem2seq的來龍去脈以及論文解讀,模型對比:包括與seq2seq以及+attention,準備訓練數據,Mem2seq模型實現| 8.任務對話系統(end-to-end方法):端到端對話系統介紹,基于端到端模型Mem2seq的項目介紹,項目:基于端到端的任務對話系統部署上線|

              • 投滿分項目與知識圖譜二選一就業班 8

                課時:8天技術點:130項測驗:0次學習方式:線下面授

                學習目標

                1.掌握TextRank模型| 2.掌握seq2seq模型| 3.掌握PGN模型| 4.掌握生成式模型的評估方法| 5.掌握生成式模型的迭代優化|

                文本摘要項目是一個基于NLP底層基礎任務的全流程實現項目。在工業界有廣泛應用,比如四六級的閱讀理解考試,新浪體育的球評新聞,今日頭條的新聞快遞,金融簡報等等。涉及到互聯網場景下海量的大段文本的信息壓縮和融合技術,可以讓人們在信息爆炸的時代快速瀏覽重要信息。通過本項目的學習,可以掌握工業界最主流的處理文本摘要的模型和優化技術。這里面關于解碼方案的優化,數據增強的優化,還有訓練策略的優化,無論是理論還是代碼,都可以非常方便的遷移到未來企業級的開發中。同時在部署方案上,掌握GPU部署和CPU部署的相同點和不同點。

                主講解決方案

                1.抽取式文本摘要解決方案| 2.生成式文本摘要解決方案| 3.自主訓練詞向量解決方案| 4.解碼方案的優化解決方案| 5.數據增強優化解決方案| 6.訓練策略優化解決方案| 7.GPU部署解決方案| 8.CPU部署解決方案|

                主講知識點

                1.文本摘要的應用場景,主流處理方案的模式| 2.工業場景下的原始數據全流程處理, 原始數據很雜亂, 需要按照需求一步步的取舍, 去噪, 最終得到模型階段可用的數據| 3.搭建基于textRank的抽取式文本摘要模型, 并進行評估| 4.搭建基于經典seq2seq架構的生成式文本摘要, 并進行評估| 5.搭建基于PGN先進架構的生成式文本摘要, 并進行評估| 6.詳細解析生成式NLP任務的評估算法BLEU和ROUGE, 并實現rouge的評估代碼| 7.針對于損失函數的優化方案coverage解決文本重復問題| 8.針對于解碼器端的優化, 按照beam search進行解碼的實現方案| 9.針對于NLP領域數據增強的實現方案, 采用單詞替換法, 回譯數據法, 半監督學習法的理論和代碼實現| 10.針對于訓練策略的優化, Scheduled Sampling和Weight Tying的理論和代碼實現| 11.實現模型的GPU部署和CPU部署|

              • 傳智大腦與文本摘要項目二選一就業班 9

                課時:6天技術點:130項測驗:0次學習方式:線下面授

                學習目標

                1.搭建多模型訓練服務,保證在訓練過程中,進行資源監控和分配,得以最高效率在有限資源內進行模型訓練|2.搭建多線程并行預測服務, 為了滿足性能要求,這里我們將利用多線程的方式,并對每一個獲得結果做最后綜合處理|3.圖譜權重更新, 隨著模型的預測完成,將使用預測概率更新在該路徑權重,最后根據權重計算規則,獲得最后結果|4.使用n-gram特征工程, 來捕捉詞序對結果的影響|5.使用fasttext模型,適應在語料變化大,模型數量規模大,模型上下線頻繁的場景|

                傳智大腦是一個基于自然語言處理方向的致力于教育垂直領域內的AI平臺,類似的應用還有百度開發平臺, 曠視, 標貝, 圖靈機器人等在各個垂直領域的AI平臺.該項目結合深度學習, 遷移學習, 模型壓縮和推斷加速等技術, 旨在給公司進行AI賦能, 提高公司工作人員的工作效率, 給公司降低運營成本.積累更多的數據, 為后續的更多業務的開展提高數據和技術支撐.在業務上, 為信息中心打造一款自能提取系統, 為咨詢老師減輕工作壓力的同事, 是的數據收集更加準確可靠.同時打造一款可以快速批閱試卷的智能系統, 為更多的業務賦能AI.提高效率, 減輕工作壓力.

                主講解決方案

                1.教育領域信息提取的解決方案| 2.智能批閱試卷系統的解決方案| 3.全國開班統計分析解決方案|

                主講知識點

                1. 項目介紹: 傳智教育作為中國頭部教育機構,內部眾多軟件系統需要AI支持,同時,公司內又開設眾多主流學科,如 java,python+大數據,人工智能等,這些所有學科在項目研發中也越來越需要AI賦能,生產更多能夠復原企業化的項目產品。因此,"傳智大腦"項目應運而生| 2. 數據申請: 數據是有數倉人員經過脫敏之后提供的最新的數據| 3. 信息中心網咨系統: 需要提取的信息種類, 方法和對應的解決方案,產品設計邏輯和業務部門之間的對接流程,對數據的分析過程,對模型的選擇過程及其選擇原因,模型的訓練和驗證過程,模型的部署服務和改進過程| 4. 模型上線: 模型接口的封裝過程,模型的熱更新過程,模型的后期優化過程| 5. 智能試卷批閱系統: 智能批閱系統的介紹,業務需求介紹深度學習模型的介紹,系統方案的確定,模型的選擇,模型的訓練| 6. 系統監控: 模型的后期優化, 數據監控反饋,模型的后期優化,模型壓縮,ONNX-Runtime技術,AMP技術使用|

              • 面試加強就業班 10

                課時:5天技術點:72項測驗:2次學習方式:線下面授

                學習目標

                1.掌握機器學習核心算法|2.掌握深度學習核心算法|3.掌握數據結構與算法|4.掌握多行業項目擴展|5.理解算法和模型的分布式實現及加速原理|6.深入理解常用算法,模式識別,概率統計、最優化等算法原理及應用|7.深入理解算法和模型調優方式及優缺點|

                主講內容

                1. 機器學習算法與ScikitLearn該部分主要加強機器學習核心算法,包含以下技術點:

                01_分類算法| 02_回歸的算法| 03_聚類算法| 04_數據科學流程|

                2. 深度學習算法與Pytorch該部分主要加強深度學習核心算法,包含以下技術點:

                01_深度學習| 02_深度學習RNN實戰| 03_深度學習算法LSTM實戰| 04_深度學習多框架實戰|

                3. 數據結構算法該部分主要加強數據結構核心算法,包含以下技術點:

                01_時間復雜度,空間復雜度,Python內置類型性能分析,順序表| 02_鏈表:鏈表和鏈表的應用;隊列:隊列概念,隊列的實現與應用,雙端隊列| 03_排序和搜索算法:冒泡排序,選擇排序,插入排序、快速排序,搜索,常見算法效率,散列表| 04_二叉樹:樹的引入,二叉樹,二叉樹的遍歷,二叉樹擴展|

                4. 多行業數據挖掘項目和NLP拓展該部分主要加強多行業項目,包含以下技術點:

                01_多行業挖掘項目擴展| 02_NLP項目擴展 | 01_項目多場景實戰|

              • 人臉支付項目、智慧交通項目與實時人臉識別CV項目三選一就業班 11

                課時:6天技術點:98項測驗:1次學習方式:線下面授

                學習目標

                1.掌握PCA、ICA、LDA和EP在人臉識別上的綜合運用|2.掌握基于PyQt5的GUI編程模塊及信號槽機制|3.利用人臉檢測,掃描”加“判別”在圖像范圍內掃描,再逐個判定候選區域是否是人臉|4.利用狀態判別,能識別出人臉的性別、表情等屬性值|5.利用人臉識別,識別出輸入人臉圖對應身份的算法,找出“一個”與輸入特征相似度最高的特征|

                人臉支付項目是一個基于計算機視覺方向的人臉識別項目,該項目以支付系統為背景介紹人臉處理的整體流程。類似的應用,如辦公打卡,智慧食堂,人臉考勤,嫌疑人識別等。該項目利用機器學習和深度學習的方法,針對攝像頭捕獲的視頻圖像,進行人臉區域檢測,人臉跟蹤,人臉姿態,年齡,性別,關鍵點等屬性的檢測,人臉矯正,人臉比對完成人臉的識別。通過該項目,學生可學習到人臉相關任務的技術點以及相應的業務流程

                主講解決方案

                1.視頻中人臉檢測的解決方案|2.人臉姿態(歐拉角)檢測的解決方案|3.人臉關鍵點識別的解決方案|4.人臉多任務(年齡,性別等)檢測的解決方案|5.人臉特征比對的解決方案

                主講知識點

                1.項目介紹:支付方式發展的介紹,人臉支付項目介紹,開發環境的搭建 2.視頻中的人臉檢測:人臉檢測方法介紹,人臉檢測的評價指標介紹,數據標注方式的介紹及獲取數據方式的介紹,數據增強方法的介紹,yolo模型的介紹及模型構架,模型訓練方式的介紹及實現,模型驗證方式介紹及實現 3.人臉姿態:人臉姿態檢測方法介紹,人臉姿態數據標注方法和獲取方法介紹及實現,Resnet模型介紹及構建,模型訓練和驗證的介紹和實現 4.人臉關鍵點:人臉關鍵點檢測方法介紹,人臉關鍵點數據標注方法和獲取方法介紹及實現,resnet模型介紹及構建,模型訓練和驗證的介紹和實現 5.人臉多任務:人臉多任務介紹,人臉多任務數據標注方法和獲取方法介紹及實現,senet模型介紹及構建,模型訓練和驗證的介紹和實現 6.人臉比對:人臉比對介紹,人臉比對數據標注方法和獲取方法介紹及實現,arcface模型介紹及構建,模型訓練和驗證的介紹和實現,人臉數據庫的構建與管理 7.系統集成:基于仿射變換的人臉矯正的實現,姿態過大或距離過遠的人臉的過濾,系統集成方式的介紹和實現

              • 計算機視覺基礎就業班 12

                課時:6天技術點:80項測驗:1次學習方式:線下面授

                學習目標

                1.熟悉深度學習主要及前沿網絡模型的架構原理及在實際業務場景中的應用|2.掌握深度學習在計算機視覺中的應用,包括但不限于分割檢測識別等等,3.掌握實際工作中深度學習的具體流程,數據及標注處理,建模訓練,及模型部署應用等|4.實現物體(人體,人臉,通用目標)檢測,跟蹤與識別,道路交通及工業環境險情發現等多領域的深度學習解決方案,|5.能夠對圖像處理、人臉算法,或者對于各種深度學習框架實現的算法進行調優|6.可勝任深度學習算法工程師,圖像與計算機視覺算法工程師等,并持續優化與迭代算法|

                主講內容

                1. 神經網絡該模塊主要介紹深度學習的基礎知識,神經網絡的構成,損失函數,優化方法等,及反向傳播算法等內容。

                1.神經網絡基礎:神經網絡的構成、激活函數、損失函數、優化方法及正則化|2.反向傳播原理:梯度下降算法、鏈式法則、反向傳播算法、改善反向傳播算法性能的迭代法|3.深度學習正則化與算法優化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam|4.實現多層神經網絡案例|

                2. 圖像與視覺處理介紹該模塊主要介紹計算機視覺的定義,發展歷史及應用場景

                01_計算機視覺定義、計算機視覺發展歷史|02_計算機視覺技術和應用場景、計算機視覺知識樹和幾大任務|

                3. 目標分類和經典CV網絡該模塊主要介紹卷積神經網絡CNN,經典的網絡架構,并通過分類案例介紹模型的實踐方法

                1.CNN:卷積的計算方法,多通道卷積,多卷積和卷積,池化層和全連接層|2.卷積網絡結構:LeNet5、AlexNet、VGG、Inception/GoogleNet、殘差網|3.目標分類實戰案例:ImageNet分類|4.Apache Flink極客挑戰賽——垃圾圖片分類

                4. 目標檢測和經典CV網絡該模塊主要介紹目標檢測任務,常見數據集,及經典的兩階段和單階段的目標檢測算法,并通過目標檢測案例介紹實踐方法

                1.目標檢測任務與數據集介紹:檢測任務目的、常見數據集、應用場景;RCNN:交并比、map、非極大抑制NMS、正負樣本;SPPNet:SPP層映射;FastRCNN:ROI Pooling;FasterRCNN:RPN、代價函數、訓練流程與結果分析、FPN與FasterRCNN結合;YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5:結構與工作流程、代價函數、anchor、維度聚類、細粒度與多尺度特征、先驗框與代價函數;SSD:Detector & classifier、SSD代價函數、特征金字塔;目標檢測實戰案例:COCO數據集上目標檢測

                5. 目標分割和經典CV網絡該模塊介紹圖像分割的基本任務,語義分割和實例分割,及常用的網絡架構,并通過MaskRCNN完成圖像的實例分割

                1.目標分割任務類型、數據集|2.全卷積FCN網絡:網絡結構、跳級連接、語義分割評價標準、結果分析|3.U-Net:拼接特征向量|4.Dilated Convolutions:聚合多尺度的信息、context module|5.SegNet:金字塔池化模塊|6.Deeplab:串行部署 ASPP|7.Mask-RCNN:結構介紹、ROI Align與Pooling對比、代價函數介紹、端到端聯合訓練|8.目標分割實戰案例;

              • 人工智能開發 V版本課程說明

                課程名稱:主要針對:主要使用開發工具:

                課程介紹

              “周”更新日志
              課程大版本更新

              課程更新日志按周更新熱點/前沿技術

              • 新增2022-08-09

                ·神經網絡基礎-dropout對網絡參數的影響· 神經網絡基礎-BN層理解· 神經網絡基礎-價格分類-案例介紹· 神經網絡基礎-價格分類-構建數據集

              • 新增2022-08-02

                ·神經網絡基礎-adagrad優化方法· 神經網絡基礎-rmsprop優化方法· 神經網絡基礎-adam和小節· 神經網絡基礎-dropout原理

              • 新增2022-07-25

                ·神經網絡基礎-反向傳播算法案例講解· 神經網絡基礎-反向傳播算法代碼演示· 神經網絡基礎-指數加權平均· 神經網絡基礎-momentum優化方法

              • 升級2022-07-18

                ·優化PyTorch使用-模型定義方法-實現線性回歸· 優化PyTorch使用-直接序列化模型對象· 優化PyTorch使用-存儲模型參數

              • 新增2022-07-11

                ·神經網絡基礎-激活函數小節· 神經網絡基礎-網絡參數初始化· 神經網絡基礎-梯度下降算法回顧· 神經網絡基礎-正向傳播和鏈式法則

              • 升級2022-07-04

                ·優化PyTorch使用-手動構建線性回歸小節· 優化PyTorch使用-模型定義方法-基本組件的使用· 優化PyTorch使用-模型定義方法-數據加載器

              • 新增2022-06-28

                · 神經網絡基礎-simoid激活函數· 神經網絡基礎-tanh激活函數· 神經網絡基礎-relu激活函數· 神經網絡基礎-softmax激活函數

              • 新增2022-06-21

                ·神經網絡基礎-人工神經網絡概述· 神經網絡基礎-激活函數的作用

                升級

                · 優化PyTorch使用-手動構建線性回歸-訓練函數編寫思路· 優化PyTorch使用-手動構建線性回歸-訓練函數代碼實現

              • 新增2022-06-14

                · Transformers庫管道方式實現基礎NLP任務 · Transformers庫自動模型方式實現基礎NLP任務 · Transformers庫具體模型實現基礎NLP任務· 遷移學習中文分類案例· 遷移學習中文填空案例· 遷移學習句子關系管理· 刪除Transformers發布模型舊的方式

              • 升級2022-06-07

                · 優化seq2seq英譯法案例· 數據處理機制· Python語言操作Flink· 優化Transformer模塊測試案例· 輸入部分· 輸出部分· 編碼器部分· 解碼器部分

              • 新增2022-05-31

                · NLP基礎課程新增 詞向量檢索基礎知識

                升級

                · 詞嵌入層可視化顯示實驗· RNNAPI編程案例· RNN人名分類器案例· 數據處理機制· 模型訓練方法

              • 新增2022-05-24

                · 如何構建特征,如何評估特征 · 從原始數據構造出新特征的方法 · 新增特征變換的方法· 新增缺失值處理的方法

              • 新增2022-05-17

                · 信貸審批業務的基本流程 · 新增ABC評分卡 · 新增風控建模的基本流程· 新增評分卡模型正負樣本定義方法

              • 新增2022-05-10

                · 增加SQL進行風控報表開發 · 增加信貸審批業務的基本流程 · 增加風控建模的基本流程· 機器學習風控模型的優勢

              • 新增2022-05-03

                · 增加LR理論推導 · 增加樸素貝葉斯推導 · 增加用戶畫像案例· 增加金融風控項目

              • 新增2022-04-26

                · 增加Python進行RFM分群 · 增加使用Pyecharts繪制3D圖形 · 增加SVM理論推導· 增加GBDT理論推導

              • 新增2022-04-19

                · ViBert · 圖像分析方法 · 標簽數據統計及應用· 梯度剪裁方法

              • 升級2022-04-12

                · 優化Numpy基礎矩陣預算 · 應用Pandas進行簡單排序、分組、聚合等計算 · 優化Pandas處理方法

              • 新增2022-04-05

                · MOE方法 · 級聯MOE Model · GAP評估方法· NextVLad視頻聚合

              • 新增2022-03-29

                · 模型剪枝 · RoBerta新模型 · Transformer-XL新模型· 多分類知識蒸餾

              • 新增2022-03-22

                · Vggish · PCA方法 · SE Context模型融合· Logistics模型分類

              • 新增2022-03-15

                · 增加MySQL的Datagrip工具連接數據庫 · 增加SQL的窗口函數用法 · 增加Pandas的透視表用法

              • 新增2022-03-08

                · pad的增強方式 · 分布式訓練 · 視頻標簽任務· MFCC

              • 新增2022-03-01

                · 增加Pyecharts實現各種圖形繪制 · 刪除Ununtu系統 · 增加Linux中Shell的基本操作

                升級

                · 升級優化為CentOs系統

              • 新增2022-02-22

                · 模型量化方法 · 模型剪枝方法 · 模型蒸餾方法· tf-serving模型部署

              • 新增2022-02-15

                · Python進階中增加數據爬蟲案例

                升級

                · 升級閉包裝飾器內容 · 優化升級深拷貝和淺拷貝的

              • 新增2022-02-08

                · 年齡檢測方法 · NAS神經網絡搜索 · NAS-FPN網絡· 人臉矯正對齊

              • 新增2022-01-25

                · yolo-tiny模型 · 多任務模型介紹 · mish激活函數· mmdetection目標檢測框架

              • 新增2022-01-18

                · Python基礎案例增加學生管理系統 · Python進階中增加多任務編程 · Python進階增加FastAPI搭建服務器

              • 新增2022-01-11

                · wing損失函數 · 人臉關鍵點檢測 · 關鍵點描述方法 · SEnet注意力模型

              • 新增2022-01-04

                · BERT+CRF · TENER · nested NER優化

              • 新增2021-12-28

                · 人臉性別檢測 · 人臉年齡檢測 · 人臉對比 · arcface損失函數

              • 新增2021-12-14

                · 人臉模糊判斷 · 人臉相似度檢測 · 度量學習模型 · 孿生模型

              • 新增2021-11-30

                · 人臉檢測 · 人臉跟蹤 · 人臉三維角度檢測 · 人臉明暗檢測

              • 新增2021-11-16

                · 后處理方法GreedyNMS · Swish激活函數 · SENET注意力機制 · Focal loss

              • 新增2021-11-12

                · 后處理方法GreedyNMS · Swish激活函數 · SENET注意力機制 · Focal loss

              • 新增2021-11-09

                · 文本摘要項目部署 · textcnn模型原理 · textcnn模型實現 · textcnn模型優化

              • 新增2021-11-02

                · hue增強方法 · 多張圖增強 · LRRelu激活函數 · 噪聲增強方式

              • 新增2021-10-26

                · CPU優化 · Flask框架的介紹 · Django框架的介紹 · API接口封裝

              • 新增2021-10-19

                · 內容理解 · 內容生成 · 內容安全治理的主要技術 · 內容安全要解決的核心問題

              • 新增2021-10-12

                · 半監督數據增強 · Scheduled sampling優化策略 · Weight tying優化策略 · CPU優化

              • 新增2021-10-05

                · 圖像文本掩碼 · 視覺文本匹配 · 掩碼視覺區域 · 序列到序列目標損失

              • 新增2021-09-28

                · gensim實現TF-IDF算法 · 純Python代碼實現純TF-IDF算法 · TF-IDF模型 · 回譯數據

              • 新增2021-09-21

                · 多模態的語言表征 · 基于自編碼自回歸架構的模型 · 單流結構 · 雙流結構

              • 新增2021-09-14

                · viterbi Decode · Beam-serch Decode · Beam-serch優化模型 · 單詞替換數據增強

              • 新增2021-09-07

                · 新型網絡 · 仇恨言論檢測 · 職責界定 · 多模態核心任務

              • 新增2021-08-31

                · coverage數學原理 · PGN + coverage網絡優化 · Beam-search算法 · Greedy Decode

              • 新增2021-08-24

                · 跳層連接skip layers · 模型感受野RFB · 注意力機制Point-wise attention · DIOU網絡預測

              • 新增2021-08-17

                · BLEU算法解析 · ROUGE評估 · ROUGE算法解析 · ROUGE算法實現

              • 新增2021-08-11

                · 字典性質的描述舉例 · 多線程優化 · 人臉三維重建 · 異常的使用場景舉例

              • 新增2021-08-04

                · PGN模型的數據迭代器 · PGN模型實現 · PGN模型網絡訓練 · BLEU評估

              • 新增2021-07-27

                · 對比度調整 · SPP結構 · sam注意力機制 · 空間注意力

              • 新增2021-07-20

                · 內容張量context vector計算 · 單詞分布張量P_vocab計算 · 分布張量P_w計算 · PNG網絡數據清洗

              • 新增2021-07-13

                · 知識蒸餾方法 · 模型剪枝方法 · Dropblock正則化 · Hide and seek圖像增強

              • 新增2021-07-07

                · Transformer問答試題 · Elmo模型講解 · yoloV4模型 · Siamese系列網絡詳解

              • 新增2021-06-30

                · 升級集成學習知識框架 · 細化集成學習算法推導過程 · stacking算法優化 · 北京市租房房價預測

              • 新增2021-06-22

                · 模型的整體實現 · 數據清洗 · gensim訓練詞向量 · 詞向量優化模型

              • 新增2021-06-15

                · SAT自對抗訓練進行數據增強 · 數據增強意義 · CSP模塊介紹 · SPP結構

              • 新增2021-06-08

                · 多核并行處理數據優化 · 參數配置及數據優化 · 模型數據的優化 · 模型子層的實現

              • 新增2021-06-01

                · 小目標檢測技巧 · 損失函數設計 · CIOU損失

              • 新增2021-05-25

                · 基于jieba的TextRank · 基于TextRank算法模型構建 · 文本摘要數據集優化· seq2seq架構實現文本摘要架構

              • 新增2021-05-18

                · 馬賽克增強 · gridmask · Cutmix· 填充

              • 新增2021-05-11

                · TextRank算法實現 · 關鍵詞抽取 · 關鍵短語抽取· 關鍵句抽取

              • 新增2021-05-04

                · 數據增強 · mixup · cutout· 隨機擦除

              • 新增2021-04-27

                · 抽取式摘要 · 生成式摘要 · 文本摘要項目數據集· TextRank算法原理

              • 升級2021-04-20

                · tfrecord文件介紹 · 圖像數據feature構建 · Example的構建· writer_to_tfrecord的使用

              • 新增2021-04-13

                · 靜態量化和動態量化對比 · prune技術介紹 · 持久化修剪后的模型· 模型推斷加速

              • 升級2021-04-06

                · yoloV3的損失計算 · yoloV4模型介紹 · 正負樣本的設計· 多任務損失

              • 升級2021-03-30

                · 標簽平滑技術優化 · badcase分析案例演示 · badcase優化總結· 模型熱更新講解優化

              • 新增2021-03-22

                · ORB特征的方向設計 · 目標的外接矩形 · ROIAlign算法· 全卷積網絡

              • 升級2021-03-16

                · GLUE標準數據集介紹 · run_glue腳本講解方式調整 · gpu服務器驗證優化介紹· weight_decay演示調優

              • 新增2021-03-09

                · 大津法 · 輪廓檢測 · 矩特征· 目標的質心計算

              • 升級2021-03-02

                · bert模型調整 · 考試數據集實例演示 · 考試數據清洗代碼精煉· bert-Multilingual進行微調優化

              • 升級2021-02-23

                · FPN進行特征融合 · 候選框的多尺度映射方法 · 候選框的選擇方法· 對比混合精度馴良

              • 新增2021-02-16

                · 上線模型優化 · 模型量化壓縮技術 · ONNX-Runtime推斷加速· 對比混合精度馴良練

              • 升級2021-02-09

                · 選擇性搜索(SS) · 目標框位置回歸的意義 · 候選區域映射的方法· fasttext模型baseline訓練

              • 升級2021-02-02

                · Django中views文件講解順序 · 多線程實現舉例 · fasttext模型原生代碼pytorch實現· fasttext模型baseline訓練

              • 新增2021-01-26

                · 目標檢測評價指標MAP · softNMS方法 · overfeat方法· RPN網絡詳解

              • 新增2021-01-19

                · 從SQL中獲取數據演示 · 意向校區識別代碼邏輯 · "手機號","微信號","QQ號"識別規則細化· 與后端交互數據舉例

              • 升級2021-01-12

                · IOU在目標跟蹤中的使用 · 相機外參的計算方法 · 圖像畸變產生的原因· 圖像去畸變的方法

              • 升級2021-01-05

                · 信息中心需求分析細化 · 產品設計邏輯修改 · 原始數據分析思路· fasttext講解案例

              • 新增2020-12-29

                · 分水嶺算法介紹 · GraphCut算法簡介 · 二分圖原理介紹· 最優匹配方法介紹

              • 升級2020-12-21

                · flask框架整體介紹 · 市場中主流AI平臺演示 · 標貝科技產品體驗演示· 傳智大腦整體架構介紹

              • 新增2020-12-14

                · VGG模型實現 · Inception系列模型對比 · 邊緣檢測計算復雜度介紹· 傅里葉變換在圖像處理中的應用

              • 升級2020-12-07

                · series和dataframe介紹 · torchserve實驗 · 非正常卷積網絡結構解析· 車輛偏離車道中心距離優化

              • 新增2020-11-30

                · lightGBM推導 · 優化實體提取模型 · 多尺度網絡與非正常卷積初步· 車道線檢測laneNet實現

              • 升級2020-11-23

                · 樸素貝葉斯常見面試題講解 · 修改部分項目bug · 多精度多分辨率通道分組網絡總結· sort算法進行多目標跟蹤優化

              • 新增2020-11-16

                · 機器學習中svr的介紹 · 積分梯度解析 · 嘴唇分割模型優化 · 多目標跟蹤deepsort算法的實現

              • 升級2020-11-09

                · 機器學習svm部分面試題 · bert源碼解析 · 嘴唇分割模型訓練· fasterRCNN目標檢測優化

              • 新增2020-11-02

                · 相對路徑和絕對路徑的使用場景描述 · LIT實驗 · 用于圖像分割的實時分組網絡 · 模型微調方法簡介

              • 升級2020-10-26

                · 優化tree命令的安裝及使用 · Reformer實驗 · 多分辨率卷積核通道分組網絡· yoloV3進行目標檢測案例

              • 新增2020-10-19

                · 操作系統的簡介內容 · Captum實驗 · 通道補償技術· 圖像增強方法實現

              • 升級2020-10-13

                · 優化面向對象的介紹 · 可解釋性工具 · 多分支網絡結構設計 · G使用tf.keras完成網絡模型的搭建

              • 新增2020-10-08

                · 文件操作案例 · GPT-3解決生成 · 網絡瓶頸結構探索· GoogLeNet的網絡構建

              • 升級2020-09-28

                · vim的常用操作命令 · 數據增強方法 · MobileNet網絡深度對實驗的影響· tensorflow入門升級

              • 新增2020-09-08

                · 增加break關鍵字的使用場景案例 · 模型蒸餾 · Neocognitron網絡· k-means算法推導過程舉例

              • 升級2020-09-01

                · 邏輯運算符的演示案例 · 模型剪枝 · 加深網絡,提升模型性能· 樸素貝葉斯案例修改

              • 新增2020-08-25

                · 增加變量的演示案例 · ALBERT解析 · 輕量級人臉表情和年齡識別· 對多態的描述舉例

              • 升級2020-08-18

                · 優化對集合的性質的描述 · 模型量化 · 三維人臉庫的使用與重建· 優化對私有屬性的使用場景的描述

              • 新增2020-08-11

                · 字典性質的描述舉例 · 多線程優化 · 人臉三維重建· 異常的使用場景舉例

              • 升級2020-08-04

                · 優化對Python語言性質的描述 · BART實驗解決NER · 人臉美顏與遷移學習· 優化Python2和Python3的對比

              • 升級2020-07-28

                · 場景識別案例優化模型方法 · 圖像與視覺處理專業課優化方案啟動 · 自然語言處理PyTorch工具講解調優

              • 升級2020-07-21

                · pytorch講義 · CV基礎考試題 · RCNN系列目標檢測模型 · 人臉檢測案例

              • 新增2020-07-14

                · GPT模型講解 · 典型的NLP算法 · SIamRPN++網絡講解 · DeepLab系列介紹

              • 升級2020-07-10

                · KNN算法導入案例 · 線性回歸正規方程推導過程 · 線性回歸案例迭代 · 虛擬環境安裝詳解

              • 新增2020-07-07

                · Transformer問答試題 · Elmo模型講解 · yoloV4模型 · Siamese系列網絡詳解

              • 升級2020-06-30

                · 升級集成學習知識框架 · 細化集成學習算法推導過程 · stacking算法優化 · 北京市租房房價預測

              • 新增2020-06-23

                · 基于seq2seq的機器翻譯任務 · 莎士比亞風格的文本生成任務 · ResNet模型在GPU上的并行實踐任務 · 自然語言處理:NLP案例庫(6個案例)

              • 新增2020-06-16

                · 圖像與視覺處理:計算機視覺面試題(80道) · 圖像與視覺處理:算法強化課程8天 · 計算機視覺面試題視頻(80道) · 圖像與視覺處理:計算機視覺案例庫

              • 新增2020-06-09

                · 基礎NLP試題 · AI醫生項目試題 · 文本標簽項目試題, 和泛娛樂項目試題 · 自然語言處理:NLP題庫(135道)

              • 新增2020-06-02

                · 車道檢測 · 車輛技術 · 車輛跟蹤 · 圖像與視覺處理:智慧交通項目

              • 升級2020-05-26

                · 決策樹案例 · 調整預剪枝、后剪枝知識點講解 · 決策回歸樹講解 · 基尼指數優化

              • 新增2020-05-19

                · 口罩識別 · 活體檢測 · 人臉屬性識別 · 圖像與視覺處理:人臉識別項目

              • 升級2020-05-12

                · SVM算法推導過程講解 · 樸素貝葉斯前面增加概率知識介紹 · HMM模型推導過程 · HMM案例優化

              • 新增2020-05-05

                · 形態學定義、連通性 · 二值操作、平滑、梯度 · 紋理分割及OpenCV實踐 · 圖像與視覺處理:形態學專題

              • 新增2020-04-28

                · 幾何變換專題 · 翻轉、剪裁、遮擋、圖像算數 · 圖像金字塔、OpenCV幾何變換操作? · 翻轉、剪裁、遮擋、OpenCV幾何變換操作

              • 升級2020-04-21

                · gbdt案例優化 · xgboost算法推導過程講解 · lightGBM算法 · pubg案例優化

              • 新增2020-04-14

                · 圖像矩特征點度量特征、全局直方圖 · 局部區域直方圖、散點圖和3D直方圖 · OpenCV實踐 · 圖像與視覺處理:直方圖處理專題

              • 新增2020-04-07

                · 命名實體識別模型BiLSTM + CRF · 句子對主題相關模型BERT · 在線部分關于neo4j數據庫、redis的實時存取 · 自然語言處理:AI在線醫生項目

              • 升級2020-03-31

                · xgboost算法介紹 · OTTO案例 · xgboost和gbdt對比 · bgdt推導過程優化

              • 新增2020-03-24

                · fasttext工具介紹 · fasttext訓練詞向量, 并完成詞向量遷移 · fasttext工具實現文本分類的代碼案例 · 自然語言處理:fasttext訓練詞向量、文本分類,詞向量遷移

              • 新增2020-03-17

                · 灰度直方圖、灰度的線性變換 · 灰度對數變換、伽瑪變換 · 灰度閾值變換、分段線性變換 · 圖像與視覺處理:基本的灰度變換函數專

              • 新增2020-03-10

                · EM算法 · 極大釋然估計講解 · HMM模型 · HMM案例搭建

              • 新增2020-03-03

                · 基本的OpenCV代碼 · Image數據結構、讀寫圖像 · OpenCV基礎專題函數與API講解

              • 升級2020-02-25

                · 線性回歸知識點講 · xgboost講解案例 · 邏輯回歸多分類問題評估 · RNN+Attention實現英譯法任務

              • 新增2019-12-27

                · Transformer架構圖的詳解 · 四大組成模塊的分塊代碼詳解和示例 · copy小案例 · 自然語言處理:Transformer的原理和架構

              • 新增2019-12-20

                · 數據分析實戰,北京市租房數據統計分析 · NBA球員數據分析 · 電影數據分析案例 · pandas讀取Excel、sql

              • 新增2019-12-13

                · Dilated Convolutions:聚合多尺度的信息 · PSPNet:金字塔池化模塊 · Mask-RCNN:端到端聯合訓練目標分割實戰案例 · 圖像與視覺處理:圖像分割專題

              • 新增2019-12-06

                · RNN構造人名分類器的案例 · RNN實現英譯法的seq2seq架構代碼 · 在seq2seq架構基礎上添加Attention的架構方案代碼 · 自然語言處理:RNN構造人名分類器

              • 新增2019-11-29

                · 目標檢測專題RCNN,FastRCNN · FasterRCNN· 先驗框、細粒度與多尺度特征· 圖像與視覺處理:目標檢測專題

              • 新增2019-11-22

                · 數據可視化庫seborn · 箱線圖知識點 · 增加小提琴圖知識點· 單變量、多變量分析

              • 新增2019-11-15

                · RNN、LSTM、 GRU基本結構和原理介紹 · Attention機制原理 · 代碼示例和圖解注意力機制· 自然語言處理:RNN、 LSTM、 GRU、 Attention等

              • 新增2019-11-08

                · 經典卷積網絡:LeNet5、AlexNet、VGG、Inception、GoogleNet · 殘差網絡、深度學習優化 · 遷移學習:TensorFlow HUB;模型壓縮· 圖像與視覺處理:經典卷積網絡

              • 新增2019-11-01

                · 項目實訓-“吃雞”玩家排名預測 · 決策樹算法案例 · 邏輯回歸案例· 樸素貝葉斯案例

              • 新增2019-10-20

                · hanlp命名實體識別工具 · word2vector原理到應用,文本的預處理前數據分析,添加ngram特征 · 文本數據增強, 回譯數據增強法· 自然語言處理:文本分詞,命名實體識別,Word2Vector,文本數據分析

              • 新增2019-10-10

                · 機器學習經典算法樸素貝葉斯 · 機器學習經典算法支持向 · 聚類算法推導過程· SVM手寫數字識別案例

              • 新增2019-10-08

                · 神經網絡基礎與Tensorflow框架 · 圖、會話、張量、OPTensorflow高級API,訓練tf.MirroedStrategy · 導出tf.SavedModel等· 神經網絡基礎與Tensorflow框架

              • 新增2019-08-20

                · 原始文本預處理, word2vec · fasttext多分類的應用 · 并升級工程整合和實時服務· 自然語言處理:中文標簽化系統項目

              • 新增2019-06-30

                · 召回策略算法代碼更新 · 排序策略算法代碼更新 · neo4j數據庫的應用· 自然語言處理:泛娛樂推薦系統項目


              2022.01.20 升級版本3.0

              課程名稱

              人工智能AI進階班

              課程推出時間

              2022.01.20

              課程版本號

              3.0

              主要培養目標

              以機器學習和深度學習技術,培養企業應用型高精尖AI人才

              主要使用開發工具

              Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s

              課程介紹

              人工智能V3.0課程體系升級以企業需求為導向,專為培養和打造高級人工智能工程師、高含金量課程重磅推出,以業務為核心驅動項目開發,課程包括機器學習和深度學習框架Pytorch和TensorFlow,能夠解決企業級數據挖掘、NLP自然語言處理與CV計算機視覺實際問題,通過理論和真實項目相結合,讓學生能夠掌握人工智能核心技術和應用場景。并推出「六項目制」項目教學,通過六個不同類型和開發深度的項目,使學員能夠全面面對大部分企業人工智能應用場景。大型項目庫,多行業多領域人工智能項目課程,主流行業全覆蓋,其中項目課程天數占比為100天,包括了多行業13個場景的項目課程,讓學生達到大廠的項目經驗要求。課程消化吸收方面:V3.0在V2.0版本基礎上迭代更新,注重專業課的消化吸收,降低學習難度,提升就業質量。

              1

              優化優化Python系統編程,針對人工智能必須的Python高階知識體系重構課程

              1

              新增[數據處理與統計分析階段],以Linux為基礎,通過SQL和Pandas完成數據處理與統計分析,為人工智能數據處理奠定技術基礎。

              1

              優化優化機器學習算法,每個算法都兼具使用場景,數學推導過程及參數調優

              1

              新增[機器學習與多場景],增加多場景案例實戰,包括用戶畫像,電商運營建模等多場景案例實戰

              1

              新增數據挖掘方向[百京金融風控]項目,從反欺詐、信用風險策略、評分卡模型構建等熱點知識,使得學員具備中高級金融風控分析師能力。

              1

              新增數據挖掘方向[萬米推薦系統]項目,從多數據源采集、多路召回、基于機器學習算法粗排算法與基于深度學習精排,解決了在大數據場景下如何實現完整推薦系統,使得學員可以具備企業級推薦項目開發能力。

              1

              優化深度學習基礎課由TensorFlow切換為Pytorch,面向零基礎同學更加友好

              1

              優化NLP基礎課程Transform基礎和Attention注意力機制在原理之后增加英譯漢的案例,加強學生對基礎算法原理的理解

              1

              優化NLP基礎課程遷移學習API版本變化問題,優化傳統序列模型算法原理

              1

              新增NLP方向[蜂窩頭條文本分類優化]項目,增強學生NLP算法優化方面技能

              1

              新增NLP方向[知識圖譜]項目,通過本體建模,知識抽取,知識融合,知識推理,知識存儲與知識應用方面,學生可以掌握完整知識圖譜構建流程。

              1

              新增[面試加強課]通過鞏固機器學習與深度學習基礎算法,加強核心算法掌握,增加數據結構基礎算法、動態規劃算法、貪心算法等面試高頻算法題,加強多行業人工智能案例理解與剖析

              1

              刪除Ubuntu環境搭建開發環境

              1

              友情提示更多學習視頻+資料+源碼,請加QQ:2632311208。

              2021.02.01 升級版本2.0

              課程名稱

              人工智能AI進階班

              課程推出時間

              2021.02.01

              課程版本號

              2.0

              主要針對

              python3 & python2

              主要使用開發工具

              linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s

              課程介紹

              AI理論方面: 通過最新開發的文本摘要項目、傳智大腦項目, 提升學員復雜模型訓練和優化的能力。
              AI工程化方面: 新增的算法工程化講座, 直接面向一線公司實際開發場景和需求, 比如服務日志, A/B測試, Git提交, Docker, K8S部署等, 讓學員親臨公司場景, 求職后更好的無縫銜接進企業級開發。
              AI新熱點和趨勢: 通過增加量化、剪枝、知識蒸餾、遷移學習等一線優化技術, 讓學生有更多處理問題的武器和思路;增加知識圖譜熱點、mmlab框架熱點、YOLO1~5算法系列,能更好的匹配業界需求。
              課程消化吸收方面:V2.0在V.1.x版本基礎上迭代更新,注重專業課的消化吸收,降低學習難度,提升就業速度、就業質量。

              1

              新增NLP方向【文本摘要項目】:自動完成文本信息的主題提取,中心思想提取,可以類比京東,當當網的商品自動宣傳文案;快速的將主要信息展示給用戶, 廣泛應用于財經, 體育, 電商, 醫療, 法律等領域?;趕eq2seq + attention的優化模型,基于PGN + attention + coverage的優化模型,基于PGN + beam-search的優化模型,文本的ROUGE評估方案和代碼實現:weight-tying的優化策略、scheduled sampling的優化策略。

              1

              新增AI基礎設置類項目【傳智大腦】,目前提供AI前端功能展示、AI后端模型部署、AI在線服務、AI模型訓練功能等系統功能。AI開發服務提供了信息中心網咨輔助系統,文本分類系統、考試中心試卷自動批閱系統、CV統計全國開班人數等系統;綜合NLP、CV和未來技術熱點。

              1

              新增CV方向【人流量統計項目】:以特定商場、客服場景對人流量進行分析和統計。掌握mmlab框架、核心模塊MMDetection;resnet骨架網絡特征提取,SSD網絡和Cascade R-CNN網絡目標檢測;利用剪枝,壓縮和蒸餾等方法減小模型規模;完成前后端部署(Flask + Gunicorn)、模型部署(ONNX-runtime技術)。

              1

              優化NLP方向【AI在線醫生項目】: 兩個離線模型 (命名實體審核模型, 命名實體識別模型)的優化,提升準確率, 召回率,F1的效果。 一個在線模型 (句子主題相關模型)的優化, 重在量化, 壓縮, 知識蒸餾, 提升處理速度并展示對比測試實驗。

              1

              新增知識圖譜熱點案例:知識圖譜編程、深化neo4j中的cypher代碼, 相關案例。

              1

              新增計算機視覺目標檢測熱點算法YoLov1~v5 V1~V5模型的網絡架構、輸入輸出、訓練樣本構建,損失函數設計;模型間的改進方法;多尺度檢測方法、先驗框設計;數據增強方法、多種網絡架構及設計不同模型的方法。

              1

              優化計算機視覺專業課:RCNN系列網絡進階課程:FasterRCNN目標檢測的思想,anchor(錨框)設計與實現,掌握RPN網絡是如何進行候選區域的生成的,掌握ROIPooling的使用方法掌握fasterRCNN的訓練方法,掌握RCNN網絡的預測方法。

              1

              新增AI算法工程化專題:10個子案例展示算法工程化中的實際工程問題, 企業真實開發中的問題和解決方案。研發, 測試環境的異同, 服務日志的介紹和實現, A/B測試,模型服務風險監控,在線服務重要指標,Git提交與代碼規范化,正式環境部署(Docker, K8S),,數據分析與反饋。

              2020.6.1 升級版本 1.5

              課程名稱

              人工智能AI進階班

              課程推出時間

              2020.6.1

              課程版本號

              1.5

              主要針對版本

              python3 & python2

              主要使用開發工具

              linux+PyCharm+Pytorch+Tensorflow

              課程介紹

              以周為單位迭代更新課程,包括機器學習、自然語言處理NLP、計算機視覺、AI算法強化等課程。同時為了更好的滿足人工智能學員更快速的適應市場要求,推出了自然語言處理NLP案例庫、計算機視覺CV案例庫、面試強化題等等。同時也增加職業拓展課,學生學習完AI課程以后,可在職學習:推薦系統、爬蟲、泛人工智能數據分析。

              1

              新增計算機視覺CV案例庫

              1

              新增自然語言處理案例庫

              1

              新增AI企業面試題

              1

              新增算法強化課程

              1

              新增計算機視覺強化課

              2019.12.21 升級版本 1.0

              課程名稱

              人工智能AI進階班

              課程推出時間

              2019.12.21

              課程版本號

              1.0

              主要針對版本

              Python3 & Python2

              主要使用開發工具

              linux+PyCharm+Pytorch+Tensorflow

              課程介紹

              人工智能賦能實體產業的規模以每年40%的速度遞增,人工智能人才在計算機視覺CV、自然語言處理NLP、數據科學的推薦廣告搜索的需求越來越明確。傳智教育研究院經過2年潛心研發,萃取百余位同行經驗,推出全新的人工智能1.0課程。全新的人工智能課程體系具有以下優勢:
              1)六個月高級軟件工程師培訓課程。精準定位、因材施教,人工智能和Python開發分成兩個不同的班型進行授課。
              2)理論+實踐培養AI專精型人才。如何培養人才達到企業的用人標準?傳智教育提出了課程研發標準:1、AI理論方面,培養學員AI算法研究能力:AI算法實用性、先進性、可拓展性;2、AI實踐方面,培養學員利用AI理論解決企業業務流的能力。
              3)多領域多行業項目,全生態任性就業。設計多領域多行業項目有:智能交通項目(CV)、 實時人臉檢測項目(CV)、在線AI醫生項目(NLP)、智能文本分類項目(NLP)、泛娛樂推薦項目(CV+推薦)、CT圖像肺結節自動檢測項目(CV)、小智同學-聊天機器人(NLP)、場景識別項目(CV)、在線圖片識別-商品檢測項目(CV)、黑馬頭條推薦系統(推薦+數據科學)。
              4)AI職業全技能(NLP、CV、數據科學-推薦廣告搜索),涵蓋8大主流就業崗位。視覺處理工程師(CV)、自然語言處理工程師(NLP)、推薦系統工程師、機器學習工程師、深度學習工程師、數據分析工程師、數據挖掘工程師、知識圖譜工程師。
              5)課程設置科學合理,適合AI技術初學者。
              6)技術大牛傾力研發,專職沉淀AI新技術。

              1

              新增機器學習進階課程

              1

              新增計算機視覺項目:實時人臉檢測項目、智能交通項目

              1

              新增自然語言處理NLP項目:在線AI醫生項目、智能文本分類項目

              1

              新增算法強化課程:進化學習、分布式機器學習、數據結構強化

              實力雄厚的人工智能開發課程研發團隊

              源源不斷引進大廠技術大牛,專業研發課程升級、迭代,與企業需求實時接軌

                授課經驗豐富的人工智能開發講師團隊

                教師錄取率<3%,從源頭把控師資,帶你過關斬將掌握每一個知識點

                貫穿學習全程、保障學習效果的AI教輔系統

                用數據驅動教學,貫通教/學/練/測/評,為每一位學員私人定制學習計劃和就業服務

                1. 學前入學多維測評

                2. 學前目標導向式學習

                3. 學中隨堂診斷糾錯

                4. 學中階段效果測評

                5. 學后在線作業試題庫

                6. 學后問答社區查漏補缺

                7. 保障BI報表數據呈現

                8. 就業全面指導就業

                更多Tlias就業服務

                就業流程
                全信息化處理

                學員能力
                雷達圖分析

                定制個性化
                就業服務

                技術面試題
                講解

                就業指導課
                面試項目分析

                HR面試攻略

                模擬企業
                真實面試

                專業簡歷指導

                面試復盤輔導

                風險預警
                企業黑名單提醒

                打造學員職業生態圈

                老學員畢業后即可加入傳智匯精英社區,持續助力學員職場發展,一次學習永久服務

                傳智教育旗下IT互聯網精英社區,以匯聚互聯網前沿技術為核心,以傳遞、分享為己任,聯合經緯創投、創新工場、京東人工智能、華為等眾多關注互聯網的知名機構及企業、行業大咖,共同研究中國互聯網深度融合、跨界滲透、整合匯聚、相互促進的信息化資源共享平臺。

                • 行業沙龍

                • 高端人脈

                • 職場資源

                • 技術研習

                人工智能開發全國就業薪資情況

                查看其他班級

                9970元/月平均薪資

                15900元/月最高薪資

                100%就業率

                58月薪過萬

                • 姓名
                • 性別
                • 就業時間
                • 就職城市
                • 就職企業
                • 薪資
                • 福利待遇
                • 姓名
                • 培訓前崗位
                • 培訓前薪資
                • 培訓后薪資
                • 入職時間
                • 入職公司
                • 就職城市

                *學員就業信息統計數據為數據庫中實時調取的真實相關數據,非廣告宣傳

                 
                诱人的巨大双乳按摩

                        <address id="zdlvp"></address>

                        <sub id="zdlvp"></sub>
                        <form id="zdlvp"><nobr id="zdlvp"><nobr id="zdlvp"></nobr></nobr></form>

                        <sub id="zdlvp"><listing id="zdlvp"></listing></sub>