上海國(guó)富如荷教育
培訓(xùn)：CDA數(shù)據(jù)分析、Python數(shù)據(jù)分析、AI 人工智能、金融數(shù)據(jù)分析
全國(guó)統(tǒng)一咨詢電話
4006-303-880
培訓(xùn)：CDA數(shù)據(jù)分析、Python數(shù)據(jù)分析、AI 人工智能、金融數(shù)據(jù)分析
上海國(guó)富AI工程師培訓(xùn)班，主要是幫助學(xué)員熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch、熟悉CNN、RNN、Faster RCNN等深度神經(jīng)網(wǎng)絡(luò)模型，并掌握其相關(guān)的優(yōu)化算法等，更多詳情請(qǐng)往下看。
CDA數(shù)據(jù)分析師培訓(xùn)，深耕數(shù)據(jù)人才教育多年，致力于打造數(shù)據(jù)人才多方位學(xué)習(xí)平臺(tái)，匯聚好的學(xué)習(xí)資源，助力數(shù)據(jù)人才找到好工作，目前，CDA已與國(guó)內(nèi)100多所好校進(jìn)行了戰(zhàn)略合作，建立了CDA數(shù)據(jù)分析師考試中心及人才培養(yǎng)基地；已出版30多本CDA數(shù)據(jù)分析師系列叢書(shū)，市場(chǎng)發(fā)行量數(shù)萬(wàn)冊(cè)；已進(jìn)行500多期線上線下數(shù)據(jù)分析及大數(shù)據(jù)培訓(xùn)課程，培養(yǎng)學(xué)員眾多。
點(diǎn)擊咨詢第一：智能化是未來(lái)的重要趨勢(shì)之一。隨著互聯(lián)網(wǎng)的發(fā)展，大數(shù)據(jù)、云計(jì)算和物聯(lián)網(wǎng)等相關(guān)技術(shù)會(huì)陸續(xù)普及應(yīng)用，在這個(gè)大背景下，智能化必然是發(fā)展趨勢(shì)之一。人工智能相關(guān)技術(shù)將首先在互聯(lián)網(wǎng)行業(yè)開(kāi)始應(yīng)用，然后陸續(xù)普及到其他行業(yè)。
第二：產(chǎn)業(yè)互聯(lián)網(wǎng)的發(fā)展必然會(huì)帶動(dòng)人工智能的發(fā)展。互聯(lián)網(wǎng)當(dāng)前正在從消費(fèi)互聯(lián)網(wǎng)向產(chǎn)業(yè)互聯(lián)網(wǎng)發(fā)展，產(chǎn)業(yè)互聯(lián)網(wǎng)將綜合應(yīng)用物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等相關(guān)技術(shù)來(lái)賦能廣大傳統(tǒng)行業(yè)，人工智能作為重要的技術(shù)之一，必然會(huì)在產(chǎn)業(yè)互聯(lián)網(wǎng)發(fā)展的過(guò)程中釋放出大量的就業(yè)崗位。
第三：人工智能技術(shù)將成為職場(chǎng)人的必備技能之一。隨著智能體逐漸走進(jìn)生產(chǎn)環(huán)境，未來(lái)職場(chǎng)人在工作過(guò)程中將會(huì)頻繁的與大量的智能體進(jìn)行交流和合作。從這個(gè)角度來(lái)看，未來(lái)掌握人工智能技術(shù)將成為一個(gè)必然的趨勢(shì)，相關(guān)技能的教育市場(chǎng)也會(huì)迎來(lái)巨大的發(fā)展機(jī)會(huì)。
大學(xué)生、在職提升、轉(zhuǎn)行或待業(yè)人員
面授/網(wǎng)課、周一到周五8-17點(diǎn)開(kāi)課
朝九晚九全程跟班答疑、一對(duì)一督學(xué)、定期直播串講、五分鐘內(nèi)有問(wèn)必答、出勤率和進(jìn)度監(jiān)督、作業(yè)與測(cè)試
熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch
熟悉深度學(xué)習(xí)應(yīng)用
熟悉CNN、RNN、Faster RCNN等深度神經(jīng)網(wǎng)絡(luò)模型，并掌握其相關(guān)的優(yōu)化算法
了解深度學(xué)習(xí)高級(jí)算法，包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等
掌握優(yōu)化算法和高性能計(jì)算方法
掌握NLP自然語(yǔ)言處理一線行業(yè)案例
掌握計(jì)算機(jī)視覺(jué)圖像識(shí)別一線行業(yè)案例
| 授課章節(jié) | 授課內(nèi)容 |
|---|---|
| "01章預(yù)備知識(shí)：圖像識(shí)別方法的演進(jìn)基礎(chǔ) | 01-01開(kāi)發(fā)環(huán)境配置：Anaconda環(huán)境和MXNet 01-02深度學(xué)習(xí)簡(jiǎn)介：起源、特點(diǎn)和發(fā)展 01-03計(jì)算機(jī)視覺(jué)概述 01-04數(shù)據(jù)操作 01-05自動(dòng)求梯度 01-06圖像識(shí)別的演進(jìn) 01-07線性回歸與線性回歸的實(shí)現(xiàn) 01-08線性模型：對(duì)數(shù)線性二分類、多分類 01-09獨(dú)熱和稠密度向量表示 01-10softmax回歸與實(shí)現(xiàn) 01-10基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)發(fā)展 |
| 02章深度學(xué)習(xí)基礎(chǔ)知識(shí) | 01-01線性模型的局限性：異或問(wèn)題 01-02非線性輸入轉(zhuǎn)換、核方法、可訓(xùn)練的映射函數(shù) 01-03感知機(jī)和多層感知機(jī)的實(shí)現(xiàn) 01-04模型選擇、欠擬合過(guò)擬合問(wèn)題 01-05權(quán)重衰減和丟棄法 01-06實(shí)戰(zhàn)案例：房?jī)r(jià)預(yù)測(cè)模型 01-07神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 01-08前饋神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò) 01-09神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 01-10深度學(xué)習(xí)計(jì)算 |
| 03章卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) | 01-01二維卷積層相關(guān)運(yùn)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(jīng)網(wǎng)絡(luò)LeNet模型 01-06深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet 01-07使用重復(fù)數(shù)據(jù)的網(wǎng)絡(luò) 01-08網(wǎng)絡(luò)中的網(wǎng)絡(luò)：NIN塊和NIN模型 01-09合并行連接的網(wǎng)絡(luò) 01-10批量歸一化 01-11殘差網(wǎng)絡(luò)ResNet模型 01-12稠密度連接網(wǎng)絡(luò)DeseNet模型 |
| 04章循環(huán)神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) | 01-01語(yǔ)言模型計(jì)算 01-02循環(huán)神經(jīng)網(wǎng)絡(luò) 01-03模型語(yǔ)言數(shù)據(jù)集 01-04循環(huán)神經(jīng)網(wǎng)絡(luò)從零開(kāi)始實(shí)現(xiàn) 01-05循環(huán)神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介實(shí)現(xiàn) 01-06通過(guò)時(shí)間反向傳播 01-07門控循環(huán)單元 01-08長(zhǎng)短期記憶 01-09深度循環(huán)神經(jīng)網(wǎng)絡(luò) 01-10雙向循環(huán)神經(jīng)網(wǎng)絡(luò) |
| 05章優(yōu)化算法與深度學(xué)習(xí) | 01-01優(yōu)化與深度學(xué)習(xí)的關(guān)系 01-02梯度下降和隨機(jī)梯度下降 01-03小批量隨機(jī)梯度下降 01-04動(dòng)量法與實(shí)現(xiàn) 01-05AdaGrad算法特點(diǎn)與實(shí)現(xiàn) 01-06RMSProp算法 01-07AdaDelta算法 01-08Adma算法 |
| 06章計(jì)算機(jī)技術(shù)與高性能計(jì)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(jì)算 01-05自動(dòng)并行運(yùn)算 01-06多GPU運(yùn)算 |
| 07章AI應(yīng)用方向之計(jì)算機(jī)視覺(jué) | 01-01使用圖像增廣訓(xùn)練模型 01-02微調(diào):熱狗識(shí)別 01-03目標(biāo)檢測(cè)和邊界框 01-04計(jì)算機(jī)視覺(jué)：錨框生成 01-05多尺度目標(biāo)檢測(cè) 01-06目標(biāo)檢測(cè)數(shù)據(jù)集：皮卡丘 01-07單發(fā)多框檢測(cè)：SSD 01-08卷積神經(jīng)網(wǎng)絡(luò)系列：R-CNN 01-09語(yǔ)意分割和數(shù)據(jù)集 01-10全卷積網(wǎng)絡(luò) 01-11樣式遷移 |
| 08章計(jì)算機(jī)視覺(jué)案例：Kaggle圖像識(shí)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(xùn)練函數(shù) 01-08step6:訓(xùn)練模型 |
| 09章AI應(yīng)用方向之NLP自然語(yǔ)言處理 | 01-01詞嵌入和連續(xù)詞袋模型 01-02近似訓(xùn)練：負(fù)采樣、層序softmax 01-03word2vec的實(shí)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(jīng)網(wǎng)絡(luò) 01-08文本情感分類：使用卷積神經(jīng)網(wǎng)絡(luò)（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(jī)制 |
| 10章NLP自然語(yǔ)言處理案例 | 01-01案例1:機(jī)器人翻譯 01-02step1:讀取和與處理數(shù)據(jù)集 01-03step2:含注意力機(jī)制的編碼器-解碼器 01-04step3:訓(xùn)練模型 01-05step4:預(yù)測(cè)不定長(zhǎng)的序列 01-06step5:評(píng)價(jià)翻譯結(jié)果 01-07唐詩(shī)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(xùn)練模型生成文字 01-12step5:更多參數(shù)說(shuō)明 01-13step6:運(yùn)行自己的數(shù)據(jù)" |
