人工智能趋势

  人工智能是当前乃至未来时代最热门的技术之一,已在全球范围内掀起了研究与学习热潮。 本课程由传智研究院匠心打造,课程知识体系完备,从简明的python语言开始,到机器学习,再到AI的两大应用方向:计算机视觉(CV)和自然语言处理(NLP),几乎包含了当下AI就业市场的全部需求。同时,课程学习曲线设计平滑,根据学习者对知识的消化吸收情况,循序渐进增强自身的AI技能。

学完收获:

能够熟练掌握Python开发的通用技术和框架,具备人工智能领域内机器学习,深度学习,计算机视觉和自然语言处理业务分析及开发的能力,同时培养学生使用AI算法构建业务流的能力和针对特定算法进行实用化、拓展化的再创新能力,从而足以胜任算法工程师等相关AI职位。

在校大学生

希望得到技能提升的IT人员

新入职场的技术小白

零基础想转行的非在职IT人员

有基础想转行的在职IT人员

亮点1

制定AI培训新标准
培养AI专精型人才

亮点2

位覆盖AI职业全技能
助力学员高端就业

亮点3

课程设置合理
适合AI技术初学者

亮点4

多领域多行业项目
打造AI核心竞争力

亮点5

技术大牛倾力研发
专职沉淀AI新技术

亮点6

聚力名企共建课程
整合优质技术资源

阶段一 Python基础

0小时

|

0
知识要点

Python第一个程序

变量、标识符和关键字、输入和输出、数据类型转换

条件控制语句和循环语句

比较关系运算符、逻辑运算符、三目运算符、while循环、for循环、break和continue

容器类型及函数

列表、元组、字典、有序字典、公共函数、字符串,函数的定义和调用、不定长参数函数、匿名函数、递归函数、可变和不可变类型

文件操作与面向对象

文件打开和关闭、文件的读写、os模块文件与目录相关操作、文件应用案例; 面向对象介绍、类的定义和对象的创建、添加和获取对象属性、init方法、私有方法和私有属性、继承、多态、类方法、对象方法、静态方法

异常处理及模块和包

捕获异常、异常的传递、自定义异常; 模块介绍、模块的导入、模块中的__all__、模块中 __name__ 的作用、包的介绍、包的导入

市场价值 :  1、 掌握Python基础语法, 具备基础的编程能力;
                   2、 建立起编程思维以及面向对象程序设计思想,使学员能够熟练使用Python技术完成针对小问题                          的程序编写。

阶段二 Python高级

0小时

|

10
知识要点

Python高级语法及常用标准库

闭包、装饰器、迭代器、生成器、Python内存管理、正则表达式的介绍

函数

列表、元组、字典、函数的定义和调用、不定长参数函数、匿名函数、递归函数

数据结构与算法

时间复杂度、空间复杂度、Python内置类型性能分析、链表,队列,排序,二叉树

Linux系统使用

CentOS操作系统、Linux命令使用、远程登录和远程拷贝、vi编辑器使用

网络编程与多任务编程及HTTP协议

IP、socket、基于TCP通信程序开发、多任务介绍、进程的使用、线程同步与互斥锁、死锁介绍、程线程协程的对比, HTTP协议、URL, HTTP通信过程

数据库的使用

MySQL数据库, 数据类型和约束, 条件查询, 排序, 连接查询, 子查询, 数据库的设计三范式, 外键约束, 表结构的修改, 事务及索引及PyMysql的使用

市场价值 :  1、 能够熟练使用Linux操作系统,网络编程相关技术, 实现网络间数据通信及程序设计开发中多任务
                   2、 能够理解HTTP通讯,
                   3、 能够对数据库进行操作使用.

阶段三 机器学习

0小时

|

10
知识要点

科学计算库

机器学习工作流程,机器学习算法分类、算法模型评估、Azure机器学习平台实验; matplotlib的使用;numpy的使用;pandas的使用;seaborn的使用

机器学习(算法篇)

KNN算法;线性回归与逻辑回归;决策树算法;集成学习;随机森林;XGBoost;GBDT;聚类算法; 朴素贝叶斯;支持向量机;EM算法;马尔科夫链;HMM算法;前向后向算法;Viterbi算法;Baum-Welch算法;xgboost;lightGBM sklearn与特征工程;算法调优;模型评估;模型的保存和加载

机器学习项目实训

1.《绝地求生》玩家排名预测 2、北京市租房房价预测

市场价值 :   1、掌握科学计算库及数据处理基本方法
                    2、掌握数据挖掘基本算法,可进行机器学习模型的搭建和优化

阶段四 计算机视觉与图像处理

0小时

|

10
知识要点

神经网络与Tensorflow框架

神经网络基础与Tensorflow框架;图、会话、张量、OPTensorflow高级API,训练tf.MirroedStrategy、导出tf.SavedModel等

目标分类和经典CV网络

经典卷积网络:LeNet5、AlexNet、VGG、Inception、GoogleNet、残差网络 深度学习优化;TF分布式训练:TF Strategy;迁移学习:TensorFlow HUB;模型压缩;

目标检测

RCNN,FastRCNN;FasterRCNN;SSD,YOLOv1、YOLOv2、YOLOv3:结构与工作流程、代价函数、anchor、维度聚类、先验框、细粒度与多尺度特征

图像分割

U-Net:拼接特征向量;Dilated Convolutions:聚合多尺度的信息、context module PSPNet:金字塔池化模块;Deeplab:串行部署 ASPP Mask-RCNN:结构介绍、ROI Align与Pooling对比、代价函数介绍、端到端联合训练目标分割实战案例

OpenCV基础

基本的OpenCV代码、Image数据结构、读写图像

基本的灰度变换函数

灰度直方图、灰度的线性变换、灰度对数变换、伽玛变换、灰度阈值变换、分段线性变换

直方图处理

图像矩特征点度量特征、全局直方图、局部区域直方图、散点图和3D直方图、OpenCV实践

几何变换

翻转、剪裁、遮挡、图像算数、图像金字塔、OpenCV几何变换操作

形态学

形态学定义、连通性、二值操作、平滑、梯度、纹理分割及OpenCV实践

市场价值 :  1、掌握深度学习在计算机视觉中的应用,包括但不限于ResNet/CNN,YOLO,SSD等模型及分割检测识                         别等功能实现方法
                   2、熟悉传统图像处理算法的原理及应用,并能够持续优化与迭代算法,增强就业实力

阶段五: NLP自然语言处理

0小时

|

10
知识要点

Pytorch工具与神经网络基础

Pytorch基础, Pytorch运算, 自动梯度, 损失函数, 构建神经网路 案例:手写字识别任务

自然语言处理NLP介绍

NLP的简介, 发展简史, 实际应用, 课程宗旨等

文本预处理

文本处理基本方法, 文本张量表示, 文本数据分析, 文本增强方法等 案例:路透社新闻类型分类任务

经典序列模型

HMM与CRF模型的作用, 使用过程, 差异比较以及发展现状等

RNN及变体

RNN结构解析、优缺点;LSTM结构解析、作用、实现剖析;bi-LSTM的解析与实现;GRU结构解析、作用、实现 ; bi-GRU的解析与实现;s eq2seq框架介绍 、seq2seq中使用bi-GRU 案例:全球人名分类任务,英译法翻译任务

Transfomer与传统序列模型

HMM原理、实现、优劣势;ME原理、实现、优劣势;CRF原理、实现、优劣势;Attention机制原理、作用、实现; self-attention机制的原理、作用、实现; Multi-head attention原理、作用、实现;positional encoding;Transfomer实现 案例:构建基于Transformer的语言模型

迁移学习

fasttext工具的作用, 迁移学习理论, NLP标准数据集和预训练模型的使用等 案例:全国酒店评论情感分析任务

市场价值 :  1、掌握自然语言处理领域分词,词性标注,命名实体识别等基础应用的原理和开源工具的使用。
                   2、掌握文本处理基本方法, 文本张量表示, 文本数据分析, 文本增强方法等。
                   3、掌握HMM与CRF模型的作用, 使用过程, 差异比较以及发展现状。
                   4、能够掌握RNN, LSTM, GRU,Transformer模型的作用, 细节原理解析, 模型构建过程。
                   5、掌握fasttext工具的作用, 迁移学习理论, NLP标准数据集和预训练模型的使用等。
                   6、掌握多模型训练机制, 多模型预测服务与标签图谱等。

阶段六: 人工智能面试强化

0小时

|

10
知识要点

自编码器

自编码器: 应用举例,欠完备自编码器,正则自编码器; 表示能力,层的大小和深度,随机编码器

对称权重与深度置信网络

模型可解释性,模型压缩,迁移学习,终身学习,元学习; 随机神经元-玻尔兹曼机,积极学习-Hopfield网络;

进化学习

遗传算法:字符串表示、评价适应度、种群、产生后代、选择父母; 遗传算子:交叉、变异、精英法、比赛法和小生境

分布式机器学习

分布式机器学习模型:基本概述、基于模型加和的聚合方法、基于模型集成的聚合方法; 同步和异步的对比与融合、模型并行算法

强化学习

学习情境与马尔科夫决策过程:学习情境、马尔科夫决策过程; 随机逼近,TD(0)算法,蒙特卡洛法;Q-learning,SARSA,TD(λ)算法,大状态空间 案例:Flappy Bird 强化学习实践

数据结构强化

无向图,有向图,最短路径,最小生成树,穷举搜索、回溯法; 减而治之、分而治之、变而治之、贪心法、迭代改进、动态规划

动态规划与贪心算法

活动选择问题、贪心算法原理、赫夫曼编码、拟阵和贪心算法、用拟阵求解任务调度问题

立体视觉与SLAM

基于深度学习的立体视觉匹配;摄影测量和立体视觉;相机的标定;视觉系统参数模型

点云处理

点云处理技术的基础理论:点云处理技术的基础理论;点云数据的重建方法及质量评价

市场价值 : 1、知识拓展,理解算法和模型的分布式实现及加速原理
                  2、深入理解常用算法及数据结构, 尤其是深度学习、增强学习等相关领域,及对模式识别,                         概率统计、最优化等算法原理及应用
                  3、具备跟进行业最新深度学习算法相关先进技术,研究并应用的学习算法,持续提升模型                         的精准性和鲁棒性的能力

实时人脸识别检测项目

本项目可通过摄像头实时采集视频人脸数据,也可批量图片输入自动化识别人脸;本项目对视频可实现人脸的跟踪,并标注姓名、性别、情绪(开心、生气、自然)等信息并能对进入视频的陌生人报警,通过对人眼状态的监测对疲劳驾驶发出警报,并能通过对深度神经网络的训练,进行活体检测。

项目架构图:

智能文本分类系统

智能文本分类系统是一款toB类型的应用, 解决泛娱乐领域公司内部对文本分类的需求, 用以支持推荐系统, 精准营销系统等, 它能够将各类非结构化文本进行精确分类,打上一个或多个适合的标签.从系统本身角度: 系统内包含很多NLP基础任务的处理,比如分词任务,命名实体识别任务等,又是机器翻译,文本生成工作的基础。因此,智能文本分类任务是学习NLP的必经之路。

项目展示:

项目亮点

     1.搭建多模型训练服务,保证在训练过程中,进行资源监控和分配,得以最高效率在有限资源内进行模型训练。
     2.搭建多线程并行预测服务,为了满足性能要求,这里我们将利用多线程的方式,并对每一个获得结果做最         后综合处理。
     3.图谱权重更新,随着模型的预测完成,将使用预测概率更新在该路径权重,最后根据权重计算规则,
        获得最后结果。
     4.使用n-gram特征工程,来捕捉词序对结果的影响。
     5.使用fasttext模型,适应在语料变化大,模型数量规模大,模型上下线频繁的场景。

智慧交通

汽车的日益普及在给人们带来极大便利的同时,也导致了拥堵的交通路况,以及更为频发的交通事故。智能交通技术已成为推动现代技术交通技术发展的重要力量,智能交通不仅能够提供实时的交通路况信息,帮助交通管理者规划管理策略,而且还能优化出行者的出行策略。还可以减轻交通道路的堵塞情况,降低交通事故的发生概率,提高道路运行的安全系数。智慧交通项目利用深度学习技术,跟踪路面实时车辆通行状况,并逐帧记录不同行车道车流量数目。车辆自动计数系统由计数系统、图像抓拍系统、实时监控录像系统组成,可在视频看出每个车辆的连续帧路径。该项目可拓展性强,可根据企业业务,外接计费结算系统、LED显示系统、语音播报系统、供电防雷系统等

项目展示:智慧交通技术架构图

在线医生

在线医生是一款toC类型的应用, 以微信公众号为依托, 用户通过微信扫码与在线AI医生进行交流,通过循序渐进描述自己的症状, 在线医生将逐步确定病情,同时也支持部分的闲聊功能,提升用户

项目展示:

项目亮点:

1. 基于医疗知识图谱的实体检索技术。
2. 基于bert迁移学习的命名实体审核技术
3. 基于BiLSTM+CRF的命名实体识别技术
4. 基于微信公众号和flask的模型部署服务

计算机视觉案例实战
市场价值:

综合运用计算机视觉及图像处理相关技术,并将其用于企业业务场景及工业检测如场景识别,手势姿态识别,画风迁移及生成,人体姿态估计等多方应用案例,通过案例实践,能够熟悉深度学习主要及前沿网络模型的架构原理及在实际业务场景中的应用,结合实践掌握深度学习在计算机视觉中的应用。

学习内容:

1.视频中场景识别案例

通过卷积神经网络实现场景识别,与传统的人工特征SIFT, HOG形成鲜明对比,通过训练模型,提取图片中的特征,组合出更高级的特征,最终实现场景识别,是前沿的场景识别方法,通过本案例,可牢固掌握Deep Learning的网络结构、数据集增强方法,掌握CNN提取图像特征和组合特征的特点并学习卷积神经网络提高模型容量和降低模型过拟合的方法。

2.垃圾图片分类案例

纸巾再湿也是干垃圾?瓜子皮再干也是湿垃圾?你是否傻傻分不清?通过这个案例,你不仅能无障碍分类垃圾,
更能学会一系列深度学习技能,例如:
1,掌握EfficientNet等最新的深度神经网络模型;
2,掌握图片分类问题高分优化技巧;
3,学会使用分布式任务队列Celery构建企业级应用等。

3.Flappy Bird的深度强化学习

本案例将完成如下游戏场景:障碍物以一定速度往左前行,小鸟拍打翅膀向上或向下飞翔来避开障碍物,如果碰
到障碍物,游戏就GAME OVER!而我们通过强化学习能够使小鸟能够自动识别障碍物,做出正确的动作(向上
或向下飞翔)。
通过这个案例,你将学会:
1,深度强化学习模型训练及马尔科夫决策原理
2,强化学习原理及贝尔曼优化
3,将一个游戏决策问题转换成对瞬时多维图像的分类识别问题并运用卷积神经网络来进行策略优化

4.画风融合和迁移

通过深度学习网络实现画风Style与内容Content融合,最小化损失函数根据迭代最终生成手绘风格图像,其他案
例如建筑物变化为梵高风格,狗狗变成梵高风格图片等,都是基于深度神经网络自动生成。
通过这个案例,你将学会:
1,基于深度神经网络完成图像融合重构及画风迁移
2、通过双损失函数调节实现风格内容的比例制衡
3,神经网络自适应匹配不同风格画作与写实画风融合,真正实现AI的艺术创作

5.画风融合及生成

通过生成对抗网络网络DCGAN等实现二次元图片的自动生成,通过这个案例,你将学会:
1,掌握非监督图像的生成技术及风格迁移
2、了解深度卷积生成对抗网络原理及其变体
3,掌握CycleGAN及特征解耦图像生成技术

6.姿态估计及处理

手势识别,人体姿态是人机交互领域一个重要的研究方向,本案例通过预测手势或姿态进行人机交互的技术其商用
前景广泛,通过这个案例,你将学会:
1,自底向上的方法:检测图像中的所有部件(即所有人的肢体关节),然后将属于不同人的部件进行关联/分组。
2,自顶向下的方法:加入一个人体检测器,然后分别估计各个部件,最后再计算每个人的姿态。
3,OpenPose,DeepCut,动作捕捉和增强现实等相关原理及方法

自然语言处理(NLP)案例实战
1.MSCOCO图像说明生成

案例介绍

输入为一张图片,输出该图片的说明描述文本。使用MSCOCO图像数据集,基于seq2seq的模型架构,编码器使用InceptionV3的迁移预训练模型,在此基础上进行微调,提取图像的表征。解码器使用带有attention机制的GRU模型,结合图片表征循环生成文本,其中包含多个工程技巧。

2.IMDB影评情感分析

案例介绍

输入为一段影评文本,输出为该段文本情感倾向。在这个案例中我们将使用多个不同隐层的RNN进行效果对比,以获得在IMDB标注数据集上的最有表现,同时调节不同超参数,印证它们带来的不同模型效果。

3.莎士比亚风格的文本生成

案例介绍

输入为任意文本,循环输出指定长度的莎士比亚风格的文本。以莎士比亚的剧作为训练样本,使用GRU模型直接生成概率分布,通过random categorical进行结果选择,找到最有可能的生成方案。

4.西班牙语到英语的机器翻译

案例介绍

输入为一段西班牙语,输出为对应同义的英文。以典型的西班牙语到英语的翻译文本为语料,使用带有attention机制的RNN模型,对Attention的效果进行可视化分析,并不断探寻这种机制的原理与改进方案。

5.模型并行与分布式的最佳实践

案例介绍

如何加快模型的训练和预测速度,使得在象牙塔中的理想模型能够应用于实际,促进商业化发展,一直是困扰公司技术团队的关键问题。该案例将从模型并行与分布式基本理论开始,阐述这种技术方案如何改善以上问题,并通过一系列实验对比结果论证方法的可行性。

6.应用于bert模型的动态量化技术

案例介绍

随着大型模型的出现,各项任务的指标都有了突飞猛进,但是如何将其部署在计算性能有限的场景下,如移动设备,个人终端等,成为阻碍模型应用的瓶颈,因此,模型压缩技术开始在工业界普及,尤其以能够快速操作的动,静态量化技术为主,该案例将详细介绍在大型模型bert上的动态量化技术,对比量化后模型的性能情况。

Q1

学习本课程是否需要编程基础

本课程内容设计完全面向0基础的学员设计,不需要任何编程基础就可以学习,只要求日常的计算机使用能力和经验。

A

还有问题,点击咨询