教育行業(yè)A股IPO第一股（股票代碼 003032）

全國咨詢/投訴熱線：400-618-4000    舉報郵箱:mc@itcast.cn

課程大綱

  1. 基礎班

    1. Python編程基礎

  2. 就業(yè)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(zhàn) 4. 金融風控項目 5. 數據挖掘項目實戰(zhàn) 6. 深度學習基礎 7. 自然語言處理基礎 8. ChatGPT技術深入淺出 9. 文本摘要與傳智大腦項目二選一 10. 知識圖譜與投滿分項目二選一 11. 泛娛數據關系抽取項目實戰(zhàn) 12. 面試加強 13. 計算機視覺基礎 14. 人臉支付項目、智慧交通項目二選一

  3. 人工智能開發(fā) V4.0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(fā)環(huán)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(guī)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(huán)嵌套| 11_break 和 continue| 12_while 循環(huán)案例| 13_for循環(huán)

    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(yè)班 1

    課時:7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(fā)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. 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(fā)流程| 06_基于TCP通信程序開發(fā)|

    2. 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|

    3. 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_正則

    4. Python數據結構主要學習主要查找算法、排序算法、關鍵數據結構

    01_時間復雜度| 02_線性表| 03_鏈表| 04_常用數據結構

  • 數據處理與統計分析就業(yè)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(fā)后續(xù)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(yōu)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(qū)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：

    1.Matplotlib可視化| 2.Pandas可視化| 3.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(zhàn)

    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(yè)務解讀和小結|

  • 機器學習與多場景項目實戰(zhàn)就業(yè)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(yè)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(fā)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(zhàn)，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(zhàn)，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(yōu)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(zhàn)，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(zhàn)，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(zhàn)，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(zhàn)，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(zhàn)，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(zhàn)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(zhàn)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(yōu)化| 05_模型部署上線

  • 金融風控項目就業(yè)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

    以金融風控項目為例：1.掌握風控業(yè)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(yè)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(wěn)定收入的群體和小微企業(yè)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(yè)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(yè)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(yè)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|

  • 數據挖掘項目實戰(zhàn)就業(yè)班 5

    課時:4天技術點:50項測驗:1次學習方式:線下面授

    學習目標

    1.掌握多行業(yè)數據挖掘業(yè)務| 2.掌握數據建模流程| 3.掌握機器學習調參方法| 4.熟練運用機器學習算法解決數據挖掘業(yè)務問題

    該項目主要為數據挖掘多場景項目實戰(zhàn)，皆在通過項目實戰(zhàn)提升學生動手能力，利用機器學習技術解決數據挖掘問題，主要包括人才流失模型實戰(zhàn)、現金貸風控模型實戰(zhàn)、點擊率預估項目實戰(zhàn)和用戶復購項目實戰(zhàn)等，每個部分都是完整的業(yè)務和實現流程，通過此部分學習夯實機器學習技術基礎，掌握多場景數據挖掘應用。

    主講解決方案

    1.數據分析解決方案| 2.特征工程解決方案| 3.機器學習模型調參解決方案| 4.模型融合解決方案

    主講知識點

    1_x001f_.人才流失模型實戰(zhàn)| 2.現金貸風控模型實戰(zhàn)| 3.點擊率預估項目實戰(zhàn)| 4.用戶復購項目實戰(zhàn)

  • 深度學習基礎就業(yè)班 6

    課時:6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|3.了解深度學習正則化與算法優(yōu)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(yōu)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(yōu)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(yè)班 7

    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(yè)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(tài)，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(guī)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(yōu)劣勢|02_CRF原理，CRF優(yōu)劣勢，03_CRF與HMM區(qū)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(yōu)|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

  • ChatGPT技術深入淺出就業(yè)班 8

    課時:12天 技術點:80項 測驗:1次 學習方式:線下面授

    學習目標

    掌握ChatGPT系列自然語言模型，掌握自然語言處理項目，完成項目全流程開發(fā)。

    主講內容

    1. ChatGPT入門主要學習ChatGPT注冊、使用及Python調用ChatGPT，包含以下技術點：

    ChatGPT背景介紹|如何使用ChatGPT|ChatGPT入門程序|ChatGPT實際應用場景案例

    2. ChatGPT原理詳解主要學習從GPT到ChatGPT原理詳解

    ChatGPT本質|GPT系列模型介紹|GPT-1詳解|GPT-2詳解|GPT-3詳解|ChatGPT原理詳解

    3. ChatGPT項目實戰(zhàn)主要以實際業(yè)務為驅動完成ChatGPT項目實戰(zhàn)

    項目背景|數據預處理|基于ChatGPT完成模型搭建|模型結果分析

    4. 基于大型預訓練模型搭建聊天機器人學習從0-1搭建聊天機器人

    i語料處理方法|文本分詞方法|閑聊機器人實現|基于Seq2Seq基礎模型實現閑聊機器人|基于預訓練模型優(yōu)化|模型部署上線

    5. 聊天機器人和問答系統主要學習完整的聊天機器人項目

    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

  • 文本摘要與傳智大腦項目二選一就業(yè)班 9

    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

    以文本摘要項目為例：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(yōu)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(yè)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(yè)界最主流的處理文本摘要的模型和優(yōu)化技術。這里面關于解碼方案的優(yōu)化，數據增強的優(yōu)化，還有訓練策略的優(yōu)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(yè)級的開發(fā)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(yōu)化解決方案| 5.數據增強優(yōu)化解決方案| 6.訓練策略優(yōu)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(yè)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(yōu)化方案coverage解決文本重復問題| 8.針對于解碼器端的優(yōu)化,按照beamsearch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(jiān)督學習法的理論和代碼實現| 10.針對于訓練策略的優(yōu)化,ScheduledSampling和WeightTying的理論和代碼實現| 11.實現模型的GPU部署和CPU部署

  • 知識圖譜與投滿分項目二選一就業(yè)班 10

    課時:6天技術點:80項測驗:0次學習方式:線下面授

    學習目標

    以投滿分項目為例：1.基于大規(guī)模業(yè)務留存數據構建快速文本分類系統|2.基于推薦系統內部分頻道投遞的需求,快速搭建短文本精準分類投遞的模型|3.基于隨機森林和FastText搭建快速基線模型,驗證業(yè)務通道的能力.|4.基于BERT的遷移學習優(yōu)化模型搭建的能力.|5.實現神經網絡量化的優(yōu)化與測試.|6.實現神經網絡剪枝的優(yōu)化與測試.|7.實現神經網絡知識蒸餾的優(yōu)化與測試.|8.更多主流預訓練模型的優(yōu)化與深度模型剖析|9.BERT模型在生成式任務和工程優(yōu)化上的深入擴展|10.小樣本學習,對比學習,主動學習的介紹

    投滿分項目主要解決在海量新聞,咨詢等文本信息的場景下,需要完成文本類別的快速鑒別與分類,并完成按頻道的投遞和排隊,最終推薦給對該類別感興趣的用戶,從而提升點擊量、閱讀量、付費量等關鍵指標.。該項目結合頭條真實場景下的海量數據,快速搭建隨機森林和FastText的基線模型,以驗證商業(yè)化落地的可行性。更多聚焦在深度學習的優(yōu)化方法上,搭建基于BERT的初版微調模型,應用量化,剪枝,預訓練模型微調,知識蒸餾等多種手段,反復迭代,反復優(yōu)化模型的離線效果,在線效果，并提供充分的擴展閱讀資料,包括AlBERT,RoBERTa,macBERT,?SpanBERT,?MASS,Electra,GPT2,?T5,Transformer-XL,XLNet,Reformer等工業(yè)界主流前沿模型的深入解讀與代碼實踐。還包括學術界和工業(yè)界都很關注的小樣本學習,對比學習,主動學習的技術點詳解分析。

    主講解決方案

    1.海量文本快速分類基線模型解決方案| 2.基于預訓練模型優(yōu)化的解決方案| 3.模型量化優(yōu)化的解決方案| 4.模型剪枝優(yōu)化的解決方案| 5.模型知識蒸餾優(yōu)化的解決方案| 6.主流遷移學習模型微調優(yōu)化的解決方案

    主講知識點

    1.解決方案列表| 2.項目背景介紹| 3.遷移學習優(yōu)化| 4.模型的量化| 5.模型的剪枝| 6.遷移學習微調| 7.模型的知識蒸餾

  • 泛娛數據關系抽取項目實戰(zhàn)就業(yè)班 11

    課時:4天技術點:40項測驗:0次學習方式:線下面授

    學習目標

    1.理解關系抽取任務|2.了解實現關系抽取任務的基本方法|3.掌握Casrel模型架構及工作原理|4.掌握關系抽取數據處理方法|5.掌握關系抽取的應用場景

    該項目針對于泛娛樂場景下復雜業(yè)務關系進行實體抽取，幫助企業(yè)構建知識圖譜。關系抽取也是是從自然語言文本中抽取實體及其之間關系的信息技術，是信息檢索、智能問答、智能對話等人工智能應用的重要基礎，基于關系抽取構建泛娛樂場景下的實體關系，利用圖數據庫展示實體之間的關系，助力數字化轉型。

    主講解決方案

    1.文本數據處理解決方案| 2.基于Casrel模型實現關系抽取的解決方案

    主講知識點

    1.項目介紹：理解關系抽取任務以及關系抽取的常見場景| 2.環(huán)境構建：項目開發(fā)所需搭建的環(huán)境| 3.數據集介紹：數據來源、獲取方式以及存儲方式介紹| 4.數據處理：構建DataSet以及Dataloader| 5.Casrel模型構建：實現關系抽取

  • 面試加強就業(yè)班 12

    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(yè)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(yōu)化等算法原理及應用|7.深入理解算法和模型調優(yōu)方式及優(yōu)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(zhàn)| 03_深度學習算法LSTM實戰(zhàn)| 04_深度學習多框架實戰(zhàn)

    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(yè)數據挖掘項目和NLP拓展該部分主要加強多行業(yè)項目，包含以下技術點：

    01_多行業(yè)挖掘項目擴展| 02_NLP項目擴展 | 01_項目多場景實戰(zhàn)

  • 計算機視覺基礎就業(yè)班 13

    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(yè)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(yè)環(huán)境險情發(fā)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(yōu)|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(xù)優(yōu)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(yōu)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(yōu)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(yōu)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(fā)展歷史及應用場景

    01_計算機視覺定義、計算機視覺發(fā)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(zhàn)案例：ImageNet分類|4.Apache Flink極客挑戰(zhàn)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|2.RCNN：交并比、map、非極大抑制NMS、正負樣本|3.SPPNet：SPP層映射；FastRCNN：ROI Pooling|4.FasterRCNN：RPN、代價函數、訓練流程與結果分析、FPN與FasterRCNN結合|5.YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5|6.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|7.SSD：Detector & classifier、SSD代價函數、特征金字塔|8.目標檢測實戰(zhàn)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(zhàn)案例

  • 人臉支付項目、智慧交通項目二選一就業(yè)班 14

    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

    以人臉支付項目為例：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(qū)域是否是人臉|4.利用狀態(tài)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(qū)域檢測，人臉跟蹤，人臉姿態(tài)，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(yè)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(tài)（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(fā)展的介紹，人臉支付項目介紹，開發(fā)環(huán)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(tài)：人臉姿態(tài)檢測方法介紹，人臉姿態(tài)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(tài)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

  • 人工智能開發(fā) V版本課程說明

    課程名稱：主要針對：主要使用開發(fā)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2023-06-29

    · VFL損失函數的介紹· DFL損失的使用· anchor的對齊方式

  • 新增2023-06-21

    · 量化機制的介紹· 圖優(yōu)化方法的使用

  • 新增2023-06-15

    · yoloV8的架構解析· 雙流FPN結構的設計

  • 新增2023-06-07

    · 正負樣本的分配策略· Batch normalization在預測階段的使用

  • 新增2023-06-02

    · 卷積和池化降維策略的融合· 輔助頭設計方法

  • 新增2023-05-25

    · yoloV7模型的網絡結構· E-ELAN的設計策略

  • 新增2023-05-18

    · Rep-PAN的特征融合方式· EfficientRep結構的使用

  • 新增2023-05-10

    ·REPVgg的思想· 訓練和預測網絡結構分離的策略

  • 新增2023-05-04

    ·SIOU損失的策略

    升級

    ·IOU系列的損失函數

  • 新增2023-04-26

    ·檢測端的解耦結構· anchor-free的檢測方式

  • 新增2023-04-18

    ·yoloV6進行目標檢測的思想· yoloV6的網絡結構

  • 升級2023-04-12

    ·實現關系抽取API接口搭建· Neo4j圖數據庫介紹與使用· 娛樂數據知識圖譜搭建

  • 升級2023-04-06

    ·Joint聯合方法實現關系抽取· Casrel關系抽取模型架構介紹· Casrel模型實現關系抽取原理

  • 升級2023-03-28

    ·Pipeline方法實現關系抽取· BiLSTM+Attention關系分類模型架構介紹· BiLSTM+Attention模型實現關系分類原理

  • 升級2023-03-23

    ·規(guī)則進行關系抽取的概念· 規(guī)則進行關系抽取的步驟和原理

  • 升級2023-03-15

    ·關系抽取方法基礎知識介紹· 解析關系抽取的任務特點· 分析關系抽取任務的評價指標· 對比介紹實現關系抽取的常用方法

  • 新增2023-03-07

    ·FastText模型架構原理· 層次softmax以及負采樣優(yōu)化方法

  • 升級2023-03-01

    ·文本數據增強方式接口更改· 機器翻譯案例代碼錯誤修改

  • 新增2023-02-23

    ·ChatGPT的基本使用· 挖掘ChatGPT背后原理· 基于ChatGPT完成聊天機器人項目的介紹

  • 升級2023-02-17

    ·圖像分類的經典網絡· 智慧交通項目目標跟蹤方法

  • 新增2023-02-09

    ·預訓練模型的知識融入技術· 工業(yè)界發(fā)布模式介紹

  • 新增2023-02-03

    ·BERT模型參數詳解與優(yōu)化經驗· 基于BERT完成生成式任務的介紹

  • 新增2023-01-28

    ·知識蒸餾原理詳解· 知識蒸餾優(yōu)化文本多分類

  • 新增2023-01-19

    ·百度ERNIE模型介紹與微調· MENGZI模型介紹與微調· NeZha模型介紹與微調

  • 新增2023-01-13

    ·K-BERT和KG-BERT模型介紹· MASS模型介紹與微調· BART模型介紹與微調

  • 新增2023-01-05

    ·MacBERT模型介紹與微調· SpanBERT模型介紹與微調· FinBERT模型介紹與微調

  • 新增2022-12-29

    ·XLNet模型介紹與微調· Electra模型介紹與微調· RoBERTa模型介紹與微調

  • 新增2022-12-20

    ·AlBERT模型介紹與微調· T5模型介紹與微調· ansformer-XL模型介紹與微調

  • 新增2022-12-14

    ·多參數模塊的剪枝技術· 全局剪枝技術· 用戶自定義剪枝

  • 新增2022-12-06

    ·定制化數據處理代碼· 模型動態(tài)量化技術· 特定網絡的剪枝技術

  • 新增2022-11-30

    ·FastText完成多分類的基線模型· FastText模型優(yōu)化與部署· 基于BERT的文本多分類遷移學習模型

  • 新增2022-11-22

    ·數據來源解決方案· 隨機森林基線模型

  • 新增2022-11-16

    ·BERT GPT ELMo模型的不同點和各自優(yōu)缺點

  • 新增2022-11-08

    ·GPT的架構· GPT的訓練過程· GPT2的架構

  • 新增2022-11-02

    ·Transformer的并行計算過程· Transformer可以替代Seq2Seq原因· ELMo總體架構· ELMo模型預訓練任務

  • 新增2022-10-27

    ·Transformer模塊的Encode結構和作用· Transformer模塊的Decoder結構和作用· Self attention機制中的歸一化原因

  • 新增2022-10-19

    ·循環(huán)神經網絡-案例-網絡搭建· 循環(huán)神經網絡-案例-訓練函數· 循環(huán)神經網絡-案例-預測函數

  • 新增2022-10-11

    ·循環(huán)神經網絡-案例-數據清洗· 循環(huán)神經網絡-案例-構建詞典· 循環(huán)神經網絡-案例-數據類編寫

  • 新增2022-09-30

    ·循環(huán)神經網絡-RNN層理解· 循環(huán)神經網絡-RNN層使用

  • 新增2022-09-22

    ·循環(huán)神經網絡-RNN算法· 循環(huán)神經網絡-Embedding使用· 循環(huán)神經網絡-Embeddings小節(jié)

  • 新增2022-09-16

    ·卷積神經網絡-案例-圖像分類-CIFAR10數據集· 卷積神經網絡-案例-圖像分類-CNN網絡搭建· 卷積神經網絡-案例-圖像分類-編寫訓練函數· 卷積神經網絡-案例-圖像分類-編寫預測函數· 卷積神經網絡-案例-圖像分類-小節(jié)

  • 新增2022-09-07

    ·卷積神經網絡-Conv2d使用· 卷積神經網絡-池化計算· 卷積神經網絡-MaxPool2d使用

  • 新增2022-09-01

    ·卷積神經網絡-卷積神經網絡概述· 卷積神經網絡-圖像基礎知識· 卷積神經網絡-卷積簡單計算· 卷積神經網絡-多卷積核計算

  • 新增2022-08-26

    ·神經網絡基礎-價格分類-模型訓練過程· 神經網絡基礎-價格分類-模型評估過程· 神經網絡基礎-價格分類-網絡模型調優(yōu)· 神經網絡基礎-價格分類-小節(jié)

  • 新增2022-08-17

    ·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· 神經網絡基礎-價格分類-網絡模型搭建

  • 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(yōu)化方法· 神經網絡基礎-rmsprop優(yōu)化方法· 神經網絡基礎-adam和小節(jié)· 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(yōu)化方法

  • 升級2022-07-18

    ·優(yōu)化PyTorch使用-模型定義方法-實現線性回歸· 優(yōu)化PyTorch使用-直接序列化模型對象· 優(yōu)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(jié)· 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(yōu)化PyTorch使用-手動構建線性回歸小節(jié)· 優(yōu)化PyTorch使用-模型定義方法-基本組件的使用· 優(yōu)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(yōu)化PyTorch使用-手動構建線性回歸-訓練函數編寫思路· 優(yōu)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(fā)布模型舊的方式

  • 升級2022-06-07

    · 優(yōu)化seq2seq英譯法案例· 數據處理機制· Python語言操作Flink· 優(yōu)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(yè)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(fā) · 增加信貸審批業(yè)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(yōu)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(yōu)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(yōu)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(yōu)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(yōu)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(yōu)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(yōu)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(yōu)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(jiān)督數據增強 · Scheduled sampling優(yōu)化策略 · Weight tying優(yōu)化策略 · CPU優(yōu)化

  • 新增2021-10-05

    · 圖像文本掩碼 · 視覺文本匹配 · 掩碼視覺區(qū)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(tài)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(yōu)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(tài)核心任務

  • 新增2021-08-31

    · coverage數學原理 · PGN + coverage網絡優(yōu)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(yōu)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(yōu)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(yōu)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(yōu)化 · 參數配置及數據優(yōu)化 · 模型數據的優(yōu)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(yōu)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(tài)量化和動態(tài)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(yōu)化 · badcase分析案例演示 · badcase優(yōu)化總結· 模型熱更新講解優(yōu)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(yōu)化介紹· weight_decay演示調優(yōu)

  • 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(yōu)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(yōu)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(qū)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(qū)識別代碼邏輯 · "手機號"，"微信號"，"QQ號"識別規(guī)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(yōu)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(yōu)化

  • 新增2020-11-30

    · lightGBM推導 · 優(yōu)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(yōu)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(yōu)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(yōu)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(yōu)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(yōu)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(tài)的描述舉例

  • 升級2020-08-18

    · 優(yōu)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(yōu)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(yōu)化 · 人臉三維重建· 異常的使用場景舉例

  • 升級2020-08-04

    · 優(yōu)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(yōu)化Python2和Python3的對比

  • 升級2020-07-28

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

  • 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(guī)方程推導過程 · 線性回歸案例迭代 · 虛擬環(huán)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(yōu)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(yī)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(yōu)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(yōu)化

  • 新增2020-05-05

    · 形態(tài)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(tài)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(yōu)化 · xgboost算法推導過程講解 · lightGBM算法 · pubg案例優(yōu)化

  • 新增2020-04-14

    · 圖像矩特征點度量特征、全局直方圖 · 局部區(qū)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(yī)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(yōu)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(zhàn)，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(zhàn)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(yōu)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


點擊加載更多>>
2023.02.24 升級版本4.0

課程名稱

人工智能AI進階班

課程推出時間

2023.02.24

課程版本號

4.0

主要使用開發(fā)工具

Linux+PyCharm+Scikit-Learn+Pytorch+Neo4j+Docker

主要培養(yǎng)目標

以數據挖掘和NLP自然語言處理為核心方向，培養(yǎng)企業(yè)應用型高精尖AI人才

課程介紹

人工智能ChatGPT開發(fā)V4.0課程體系升級以企業(yè)需求為導向，專為培養(yǎng)和打造高級人工智能工程師、高含金量課程重磅推出，以業(yè)務為核心驅動項目開發(fā)，課程包括機器學習和深度學習框架Scikit-Learn和Pytorch，能夠解決企業(yè)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(fā)深度的項目，使學員能夠全面面對大部分企業(yè)人工智能應用場景。大型項目庫，多行業(yè)多領域人工智能項目課程，主流行業(yè)全覆蓋，其中項目課程包括了多行業(yè)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：V4.0在V3.0版本基礎上迭代更新，注重專業(yè)課的消化吸收，降低學習難度，提升就業(yè)質量。

1

優(yōu)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，增加基礎數據結構內容

1

新增機器學習部分[數據挖掘項目實戰(zhàn)]，以多場景業(yè)務為背景，通過SQL和Pandas完成數據處理與統計分析，夯實使用機器學習解決數據挖掘問題能力。

1

新增NLP方向[知識圖譜項目]，基于知識圖譜的多功能問答機器人項目, 主要解決當前NLP領域中大規(guī)模知識圖譜構建的問題和圖譜落地的問題.知識圖譜的構建主要分為知識構建和知識存儲兩大子系統. 包括知識構建, 知識存儲, 知識表達, 路由分發(fā), 結果融合等實現.最終呈現一個基于知識圖譜的問答機器人。
新增[知識抽取項目]，該項目針對于泛娛樂場景下復雜業(yè)務關系進行實體抽取，幫助企業(yè)構建知識圖譜。

1

新增NLP方向 [ChatGPT技術深入淺出] 階段課程，以ChatGPT技術為導向，挖掘GPT1、GPT2、GPT3以及ChatGPT等GPT系列模型的背后原理，并基于GPT系列大型預訓練語言模型，推出全新聊天機器人項目課程。

1

優(yōu)化NLP方向[NLP基礎課程]：修改文本數據增強方法，解決原始谷歌接口被限制調用的問題；優(yōu)化Seq2Seq英譯法案例，修改原始代碼bug，提升模型的準確率；新增FastText模型架構介紹；加深FastText模型處理分類的問題的原理理解；新增Word2Vec訓練兩種優(yōu)化策略，加速模型快速收斂。

1

優(yōu)化計算機視覺CV基礎：圖像分類的經典網絡，開山之作ALexNet，VGGNet，GoogLenNet,ResNeT,ResNetV2,VGGRep,SeNet,輕量型網絡：mobileNet,shuffleNet,EfficientNet,模型微調，數據增強，cutmix,copypaste,mosaic,目標檢測任務，IOU，Map,正負樣本設計，smoothL1損失，RCNN系列網絡架構：RCNN，FastRCNN,FasterRCNN,MaskRCNN,FPN結構，ROIpooling設計，anchor思想，RoiAlign設計，訓練策略；yolo系列網絡V1-V8:DarkNet,yolo-FPN特征融合，passthrough融合方法，多尺度訓練，IOU系列損失，DIOU，CIOU，SIOU等，輸出端的解耦，REP-PAN結構，E-ELAN結構，預測階段的BN設計，SPP和SPPF結構

1

優(yōu)化智慧交通項目：目標跟蹤方法，運動模型的設計，DBT和DFT初始化方法，JIT的加速方法，yoloV7目標檢測，REP的使用，檢測輔助端的使用，E-ELAN的使用，backbone的實現，head結構的實現，數據分析，數據預處理，數據增強，模型訓練，預測與評估，車輛檢測，kalman的使用，預測和更新階段，KM算法的匹配，匈牙利算法，IOU匹配，級聯匹配，ReId特征提取，歐式距離，余弦距離，馬氏距離計算，目標狀態(tài)更新，Deepsort算法目標跟蹤，代價矩陣的設計，虛擬線圈的設計，線圈位置的獲取，雙線圈檢測車流量支持mac電腦的m1芯片和m2芯片的學習

1

友情提示更多學習視頻+資料+源碼，請加QQ：2632311208。

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(yǎng)目標

以機器學習和深度學習技術，培養(yǎng)企業(yè)應用型高精尖AI人才

主要使用開發(fā)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(yè)需求為導向，專為培養(yǎng)和打造高級人工智能工程師、高含金量課程重磅推出，以業(yè)務為核心驅動項目開發(fā)，課程包括機器學習和深度學習框架Pytorch和TensorFlow，能夠解決企業(yè)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(fā)深度的項目，使學員能夠全面面對大部分企業(yè)人工智能應用場景。大型項目庫，多行業(yè)多領域人工智能項目課程，主流行業(yè)全覆蓋，其中項目課程天數占比為100天，包括了多行業(yè)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(yè)課的消化吸收，降低學習難度，提升就業(yè)質量。

1

優(yōu)化優(yōu)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(yōu)化優(yōu)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(yōu)

1

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

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(yè)級推薦項目開發(fā)能力。

1

優(yōu)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(yōu)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(yōu)化NLP基礎課程遷移學習API版本變化問題，優(yōu)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(yōu)化]項目，增強學生NLP算法優(yōu)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(tài)規(guī)劃算法、貪心算法等面試高頻算法題，加強多行業(yè)人工智能案例理解與剖析

1

刪除Ubuntu環(huán)境搭建開發(fā)環(huán)境

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(fā)工具

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

課程介紹

AI理論方面: 通過新的開發(fā)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(yōu)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(fā)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(yè)級開發(fā)。
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(yōu)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(yè)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(yè)課的消化吸收，降低學習難度，提升就業(yè)速度、就業(yè)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(yī)療, 法律等領域?；趕eq2seq + attention的優(yōu)化模型，基于PGN + attention + coverage的優(yōu)化模型，基于PGN + beam-search的優(yōu)化模型，文本的ROUGE評估方案和代碼實現：weight-tying的優(yōu)化策略、scheduled sampling的優(yōu)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(fā)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(guī)模；完成前后端部署（Flask + Gunicorn）、模型部署（ONNX-runtime技術）。

1

優(yōu)化NLP方向【AI在線醫(yī)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(yōu)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(yōu)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(yōu)化計算機視覺專業(yè)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(qū)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(yè)真實開發(fā)中的問題和解決方案。研發(fā), 測試環(huán)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(jiān)控，在線服務重要指標，Git提交與代碼規(guī)范化，正式環(huán)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(fā)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(yè)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(yè)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(fā)工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

人工智能賦能實體產業(yè)的規(guī)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(fā)，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(yōu)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(fā)分成兩個不同的班型進行授課。
2）理論+實踐培養(yǎng)AI專精型人才。如何培養(yǎng)人才達到企業(yè)的用人標準？傳智教育提出了課程研發(fā)標準：1、AI理論方面，培養(yǎng)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(yǎng)學員利用AI理論解決企業(yè)業(yè)務流的能力。
3）多領域多行業(yè)項目，全生態(tài)任性就業(yè)。設計多領域多行業(yè)項目有：智能交通項目（CV）、 實時人臉檢測項目（CV）、在線AI醫(yī)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(jié)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(yè)全技能（NLP、CV、數據科學-推薦廣告搜索）,涵蓋8大主流就業(yè)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(fā)，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(yī)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

 
和我們在線交談！