西安國富AI工程師培訓班，主要是幫助學員熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch、熟悉CNN、RNN、Faster RCNN等深度神經網絡模型，并掌握其相關的優(yōu)化算法等，更多詳情請往下看。
人工智能是研究、開發(fā)用于模擬、延伸和擴展人智能的理論、方法、技術及應用系統(tǒng)的一門新技術科學。人工智能領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。
人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。
大學生、在職提升、轉行或待業(yè)人員
面授/網課、周一到周五8-17點開課
朝九晚九全程跟班答疑、一對一督學、定期直播串講、五分鐘內有問必答、出勤率和進度監(jiān)督、作業(yè)與測試
熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch
熟悉深度學習應用
熟悉CNN、RNN、Faster RCNN等深度神經網絡模型，并掌握其相關的優(yōu)化算法
了解深度學習高級算法，包括卷積神經網絡、循環(huán)神經網絡等
掌握優(yōu)化算法和高性能計算方法
掌握NLP自然語言處理一線行業(yè)案例
掌握計算機視覺圖像識別一線行業(yè)案例
| 授課章節(jié) | 授課內容 |
|---|---|
| "01章預備知識：圖像識別方法的演進基礎 | 01-01開發(fā)環(huán)境配置：Anaconda環(huán)境和MXNet 01-02深度學習簡介：起源、特點和發(fā)展 01-03計算機視覺概述 01-04數(shù)據(jù)操作 01-05自動求梯度 01-06圖像識別的演進 01-07線性回歸與線性回歸的實現(xiàn) 01-08線性模型：對數(shù)線性二分類、多分類 01-09獨熱和稠密度向量表示 01-10softmax回歸與實現(xiàn) 01-10基于深度學習的圖像識別技術發(fā)展 |
| 02章深度學習基礎知識 | 01-01線性模型的局限性：異或問題 01-02非線性輸入轉換、核方法、可訓練的映射函數(shù) 01-03感知機和多層感知機的實現(xiàn) 01-04模型選擇、欠擬合過擬合問題 01-05權重衰減和丟棄法 01-06實戰(zhàn)案例：房價預測模型 01-07神經網絡基礎 01-08前饋神經網絡、BP神經網絡 01-09神經網絡的訓練 01-10深度學習計算 |
| 03章卷積神經網絡與深度學習 | 01-01二維卷積層相關運算 01-02填充和步幅 01-03多輸入通道和多輸出通道 01-04二維最大池化層和平均池化層 01-05卷積神經網絡LeNet模型 01-06深度卷積神經網絡AlexNet 01-07使用重復數(shù)據(jù)的網絡 01-08網絡中的網絡：NIN塊和NIN模型 01-09合并行連接的網絡 01-10批量歸一化 01-11殘差網絡ResNet模型 01-12稠密度連接網絡DeseNet模型 |
| 04章循環(huán)神經網絡與深度學習 | 01-01語言模型計算 01-02循環(huán)神經網絡 01-03模型語言數(shù)據(jù)集 01-04循環(huán)神經網絡從零開始實現(xiàn) 01-05循環(huán)神經網絡的簡介實現(xiàn) 01-06通過時間反向傳播 01-07門控循環(huán)單元 01-08長短期記憶 01-09深度循環(huán)神經網絡 01-10雙向循環(huán)神經網絡 |
| 05章優(yōu)化算法與深度學習 | 01-01優(yōu)化與深度學習的關系 01-02梯度下降和隨機梯度下降 01-03小批量隨機梯度下降 01-04動量法與實現(xiàn) 01-05AdaGrad算法特點與實現(xiàn) 01-06RMSProp算法 01-07AdaDelta算法 01-08Adma算法 |
| 06章計算機技術與高性能計算 | 01-01衡量性能的方法 01-02提高性能性能的各種編程方法 01-03命令式和混合編程 01-04異步計算 01-05自動并行運算 01-06多GPU運算 |
| 07章AI應用方向之計算機視覺 | 01-01使用圖像增廣訓練模型 01-02微調:熱狗識別 01-03目標檢測和邊界框 01-04計算機視覺：錨框生成 01-05多尺度目標檢測 01-06目標檢測數(shù)據(jù)集：皮卡丘 01-07單發(fā)多框檢測：SSD 01-08卷積神經網絡系列：R-CNN 01-09語意分割和數(shù)據(jù)集 01-10全卷積網絡 01-11樣式遷移 |
| 08章計算機視覺案例：Kaggle圖像識別 | 01-01案例1:圖像分類 01-02案例2:狗的品種 01-03step1:獲取和整理數(shù)據(jù)集 01-04step2:圖像增廣 01-05step3:讀取數(shù)據(jù)集 01-06step4:定義模型 01-07step5:定義訓練函數(shù) 01-08step6:訓練模型 |
| 09章AI應用方向之NLP自然語言處理 | 01-01詞嵌入和連續(xù)詞袋模型 01-02近似訓練：負采樣、層序softmax 01-03word2vec的實現(xiàn) 01-04子詞潛入：fastText 01-05全局向量的詞潛入：GloVe 01-06求近義詞和類比詞 01-07文本情感分類：使用循環(huán)神經網絡 01-08文本情感分類：使用卷積神經網絡（textCNN） 01-09編碼器、解碼器 01-10貪婪搜索、全局搜索、束搜索 01-11注意力機制 |
| 10章NLP自然語言處理案例 | 01-01案例1:機器人翻譯 01-02step1:讀取和與處理數(shù)據(jù)集 01-03step2:含注意力機制的編碼器-解碼器 01-04step3:訓練模型 01-05step4:預測不定長的序列 01-06step5:評價翻譯結果 01-07唐詩生成器 01-08step1:定義輸入數(shù)據(jù) 01-09step2:定義多層LESTM模型 01-10step3:定義損失函數(shù) 01-11step4:訓練模型生成文字 01-12step5:更多參數(shù)說明 01-13step6:運行自己的數(shù)據(jù)" |
