傳智AI人工智能課程優勢

人工智能開發

關于人工智能開發

培養高精尖AI人才、人人都能學的會的AI課程

為什么要學習人工智能開發?

  • 時代風口

  • 創新未來

  • 人才稀缺

  • AI技術的未來

    國家政策導向

  • AI技術的應用

    AI大規模賦能實體產業,實現核心技術商業化※數據來源于第三方招聘網站

  • 人工智能相關職位

    人工智能人才缺口500萬,市場價值高于其它IT崗位※數據來源于第三方招聘網站

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
人工智能課程1 人工智能課程2

人工智能開發培訓課程標準

AI人工智能培訓標準

人工智能開發課程大綱

  • 基礎班階段一

  • 就業班階段一

  • 就業班階段二

  • 就業班階段三

  • 就業班階段四

  • 就業班階段五

  • 就業班階段六

查看詳細課程大綱>Python基礎編程新課時:15天VS舊課時:18天

升級說明

優化教法及案例,保證學員學習效果的同時縮短課時,提升學習效率

主要內容

?變量、標識符和關鍵字、數據類型轉換 ?條件控制語句和循環語句 ?列表、元組、字典、有序字典、公共函數、字符串 ?函數、匿名函數、遞歸函數 ?文件操作 ?類的定義和對象的創建、繼承、多態、類方法、對象方法、靜態方法 ?異常處理 ?模塊和包

可解決的現實問題

?能夠熟練使用Python技術完成針對小問題的程序編寫

可掌握的核心能力

?掌握Python基礎語法,具備基礎的編程能力 ?能夠熟練使用Python技術完成針對小問題的程序編寫 ?建立起編程思維以及面向對象程序設計思想

查看詳細課程大綱>Python高級和系統編程新課時:15天VS舊課時:18天

升級說明

增強數據結構講解,將網絡編程及Mysql中一些復雜用法放到項目中的實際應用場景中講解,給項目課程預留充足時間

主要內容

?閉包、裝飾器、迭代器、生成器、深拷貝與淺拷貝、Python內存管理、垃圾回收 ?Python常用標準庫、正則表達式 ?鏈表和鏈表的應用、隊列的實現與應用、排序和搜索算法、樹和二叉樹 ?Linux系統使用 ?socket、基于TCP通信程序開發 ?進程的使用、線程的使用、線程同步與互斥鎖、死鎖、協程的使用 ?Web基礎應用和HTTP協議、HTML概述及基本結構 ?Mysql數據庫的基礎用法,條件查詢,數據庫的設計三范式及連表查詢,事務,索引等高級用法,PyMysql的使用

可解決的現實問題

?能夠使用Python編寫腳本程序解決基礎應用問題 ?能利用數據結構和算法思想去解決實際問題 ?能夠基于Linux操作系統理解與開發多任務的網絡程序 ?能夠使用python和mysql數據庫進行交互

可掌握的核心能力

?能夠熟練掌握Python的進階語法的使用 ?能夠理解與掌握基礎的數據結構和算法思想,具備編程解決問題的能力 ?掌握網絡編程相關技術,能夠實現網絡間數據通信 ?掌握程序設計開發中多任務實現方式 ?能夠理解Mysql數據庫 ?能夠掌握基本的Web后端開發技能

查看詳細課程大綱>機器學習新課時:24天VS舊課時12天

升級說明

人工智能AI課程單獨獨立出來,增加機器學習課程專業度。增加機器學習項目實戰,原理和手推公式部分更加專業和深入

主要內容

?人工智能概述、機器學習定義、機器學習工作流程 ?機器學習算法分類、算法模型評估 ?Matplotlib庫使用 ?Numpy庫使用 ?Scipy使用 ?pandas庫使用 ?數學及統計初步及Python庫實現 ?數值計算方法初步及Python庫實現 ?sklearn介紹、sklearn獲取數據集 ?特征工程與模型優化 ?KNN算法api及kd樹及稀疏存儲 ?線性回歸概念和api與原理剖析 ?邏輯回歸概念api和原理 ?決策樹算法原理和api使用 ?樸素貝葉斯原理和api函數 ?聚類算法 ?Bagging ?隨機森林 ?Boosting ?GBDT ?Xgboost ?LightGBM ?機器學習項目實訓

可解決的現實問題

?1、對實際工作中收集到數據進行數據可視化、基本分析,提取有價值信息 ?把實際工作、生活中遇到的問題轉換為可以用機器學習解決的模型 ?實現針對不同問題,選擇不同算法模型,同時在該模型的基礎上,對該算法進行調優

可掌握的核心能力

?掌握數據科學庫的使用 ?掌握數據基本處理的方法 ?掌握機器學習中處理數據的方法 ?理解經典的機器學習算法原理 ?掌握機器學習中工作的具體流程

查看詳細課程大綱>深度學習與圖像與視覺處理(CV)新課時:22天VS舊課時:6天

升級說明

人工智能AI課程單獨作為一個學科,增加深度學習與自然語言處理專業課程,增加命名實體識別、文本分類、文本生成、情感分析、聊天客服、翻譯、邏輯推理、NLP相關遷移學習等課程

主要內容

?深度學習框架Tensorflow及高級API的應用 ?神經網絡構成和反向傳播原理,深度度學習正則化與算法優化,多層神經網絡案例,遷移學習等 ?目標分類及經典CV網絡,卷積神經網絡CNN、LeNet5、AlexNet、VGG、GoogLeNet/Inception、ResNet等 ?目標檢測任務與數據集,RCNN系列網絡(RCNN,FastRCNN,FasterRCNN)、yolo系列網絡(YOLOv1、YOLOv2、YOLOv3、YOLOv4,YOLOv5),SSD等系列網絡 ?目標分割任務與數據集,全卷積FCN網絡、U-Net、SegNet、Mask-RCNN等 ?OpenCV庫與圖像處理,灰度變換函數、直方圖處理、幾何變換,邊緣檢測技術、特征檢測和描述、視頻操作、空間濾波等

可解決的現實問題

?可實現物體(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 ?能夠對圖像處理、人臉算法等使用深度學習框架實現的算法進行調優 ?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,并持續優化和迭代算法

可掌握的核心能力

?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 ?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任務等 ?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,評估及模型部署應用等

查看詳細課程大綱>深度學習與自然語言處理(NLP)新課時:22天VS舊課時:8天

升級說明

人工智能AI課程單獨作為一個學科,增加深度學習與圖像與數據處理專業課程、增加目標分類實戰案例、目標分割實戰案例、目標分割任務實戰案例,增加OpenCV庫與圖像處理實戰案例

主要內容

?pytorch工具與神經網絡基礎,數據加載器、迭代數據集 ?常見文本分析方案和工具,常用的文本向量化方法、word2vec原理、工具、Embedding層 ?RNN及變體,bi-LSTM的解析與實現,GRU/bi-GRU結構解析、作用、實現,seq2seq框架 ?Attention機制原理、作用、實現,self-attention機制的原理、作用、實現,Multi-head attention原理、作用、實現,positional encoding;Transfomer實現 ?傳統的序列模型,HMM、ME、CRF原理、實現、優劣勢 ?非序列模型解決文本問題,ID-CNN、fasttext原理、結構、實現

可解決的現實問題

?能夠使用pytorch搭建神經網絡 ?構建基本的語言翻譯系統模型 ?構建基本的文本生成系統模型 ?構建基本的文本分類器模型 ?使用ID-CNN+CRF進行命名實體識別 ?使用fasttext進行快速的文本分類 ?勝任多數企業的NLP工程師的職位

可掌握的核心能力

?pytorch工具處理神經網絡涉及的關鍵點 ?掌握NLP領域前沿的技術解決方案 ?掌握NLP相關知識的原理和實現 ?掌握傳統序列模型的基本原理和使用 ?掌握非序列模型解決文本問題的原理和方案

查看詳細課程大綱>人工智能項目新課時:50天VS舊課時:16天

升級說明

人工智能AI課程單獨作為一個學科,增加多領域多行業項目10個,其中課堂主講4個項目

主要內容

?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)

可解決的現實問題

?通過項目對機器學習、NLP、CV領域知識點綜合應用 ?通過項目綜合提升AI算法業務流搭建能力 ?通過項目綜合提升AI算法實用性、先進性、可拓展性經驗提升

可掌握的核心能力

?掌握大規模語料下AI模型快速進行文本分類的全流程 ?掌握多模型并行訓練與多模型部署預測的全流程 ?掌握垂直領域AI對話系統的基本工程實現 ?掌握使用遷移學習方法進行句子審核及其句子主題相關問題的實現 ?掌握復雜場景下AI模型實時進行目標檢測并跟蹤的全流程 ?掌握利用AI模型進行人臉定位,檢測,識別,匹配的工程實現方法 ?掌握多模型級聯實現場景識別并進行模型部署的全流程

查看詳細課程大綱>算法進階和面試強化新課時:10天VS舊課時:4天

升級說明

人工智能AI課程單獨作為一個學科,增加數據結構和算法強化、串講人工智能AI算法強化、立體視覺與SLAM和點云處理

主要內容

?自編碼器 ?對稱權重與深度置信網絡 ?進化學習 ?分布式機器學習 ?強化學習 ?數據結構和算法強化 ?數據結構強化 ?動態規劃初步 ?貪心算法 ?數據結構與算法的Python實現 ?計算機視覺CV強化 ?立體視覺與SLAM ?點云處理

可解決的現實問題

?跟進行業最新深度學習算法相關先進技術,研究并應用的學習算法,持續提升模型的精準性和魯棒性 ?深入理解算法和模型調優方式及優缺點 ?綜合運用經典SLAM技術,多視角幾何基礎理論以及三維重建方法進行業務實踐

可掌握的核心能力

?理解算法和模型的分布式實現及加速原理 ?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 ?基于3D點云數據,進行配準、分割和特征識別等算法開發,建立3D點云圖處理的算法模型

適合人群

  • 應屆畢業生

    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”

  • 0基礎的人

    無基礎自學困難

    熱愛人工智能,但發現人工智能
    自學周期長,無法快速入
    行的“初學者”

  • 想轉行的人

    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”

  • 熱愛人工智能技術的人

    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”

人工智能開發職業發展路徑

AI人工智能職業發展方向

初級AI開發
工程師
(0-1年)

中級AI開發
工程師
(1-2年)

高級AI開發
工程師
(2-4年)

行業大牛
(4-6年 )

AI新型技術創業者
(10年以上)

資深開發工程師
(4-6年)

技術專家
(6-10年 )

CTO
(10年以上)

技術開發組長
(4-6年)

項目經理
(6-10年 )

項目總監
(10年以上)

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

  • 傳智AI培訓課程含金量
    技術方案完整落地

    每個項目課程天數≥8天

    多領域多行業項目

    涉及行業≥8個
    AI項目個數≥10個

    AI項目全流程落地

    涵蓋數據采集、標注、
    模型構建、訓練優化、部署
    系統聯調等全流程

    AI理論
    算法深入研究能力

    模型的實用性
    先進性、可拓展性

    AI實踐
    AI業務流實戰能力

    利用AI技術解決
    企業實戰場景業務流

  • 人工智能應用場景
  • 人工智能技術棧
  • 業務分析

    業務模型

    機器學習
    機器學習
  • 20+名AI技術大牛

    平均5年+AI從業經驗

    300+次技術研討

    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結合解決方案大規模快速文本分類解決方案

    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12項評審流程

    培訓項目評審流程

    人工智能開發項目4項驗收標準

    項目開發驗收27項考核指標

    功能實現

    業務流程

    UI/UE實現

    代碼質量

    接口/性能

    ……

    課程質量驗收15項考核指標

    技術應用合理性

    技術前沿性

    技術深度

    課程銜接合理性

    引導式教學應用程度

    ……

    研發效率驗收3項考核指標

    進度

    成本

    變更頻率

    用戶驗收17項考核指標

    課程導入吸引度

    授課語言感染力

    課程趣味性

    教學結果

    課程吸收度

    ……

人工智能開發項目體驗

體驗AI項目課程
更多>>

教研團隊

年薪80萬持續引入大廠技術大牛,建立人工智能專職課研團隊及專職教學團隊,制定嚴格師資篩選培訓體系,不斷提高行業課程標準及教學質量

專職課研團隊

專職教學團隊

16級標準嚴選專職課研老師,嚴控課程研發質量

人才篩選
4項標準

  • 標準化研發人才畫像

    大廠背景,技術深度、廣度,
    大型項目經驗

  • 多維面試(五面)

    背景調查,技術360°鑒定 ,
    新課題設計 ,課程隨機演繹 ,
    職業定位、發展規劃

  • 研究院小組診斷測評

    教育情懷、價值觀,進
    取精神、培養潛力

  • 全鏈路面試流程監控

    CEO審核,信息存檔

人才考核
8大環節

課研人員素質考核視頻錄制考核

課程設計考核課堂試煉考核

大綱設計考核產品全方位審評

講義撰寫考核考核答辯

人才培訓及
發展規劃

平臺、組件
技術開源歷練

技術私享會

大牛技術沙龍

企業對對碰
技術共享

優中選優,教學老師錄取率<3%,從源頭嚴控師資及授課質量

人才篩選
4項標準

  • 標準化講師畫像

    業務技能、性格
    特色、溝通能力

  • 初試技術深度

    框架能力、底層原理、性能與
    安全、算法與數據結構

  • 復試授課質量

    課程設計、授課邏輯互動與
    交互、代碼規范

  • 終試價值觀

    抗壓能力、學習動力、
    專業程度、培養潛力

人才考核
8大環節

定制個性化考核方案教育心理考核

講師素質考核教學方法考核

排課、備課產出物考核課堂試講考核

視頻錄制考核正式授課答辯

人才培訓及
發展規劃

每日授課
學員滿意度打分

階段課程實施
評審組審核

傳智培訓院
多維培養計劃

講師專屬
晉升通道

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人工智能項目課程作品

    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。

  • 人工智能項目課程作品

    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。

  • ai項目課程作品

    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。

  • 人工智能技術培訓作品

    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。

  • 人工智能技術培訓作品

    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

  • 場景化分工

    人員職務角色劃分,
    組建真實項目團隊

  • 引入項目管理工具

    使用Git、ONES等項目管理工具監控團隊研發進度

  • 需求宣講及業務對接

    講師擔任產品經理角色,實時對接所有業務問題

  • 任務分解

    組長擔任項目經理工作,使用ONES平臺分發任務,對整體產出負責

  • 代碼開發

    每日晨會表明開發計劃,晚會總結當天成果,Git提交當天產出

  • 項目上線

    生產環境部署,線上回測后進行答辯和評優

  • 測試驗收

    線上自測,實現業務閉環,找到并修復Bug

  • 項目聯調

    進行項目聯調,模擬前后端接口聯調,增加團隊協作經驗

  • 項目部署

    測試環境,項目部署上線前,初步進行自測

原創教材

傳智教育出版了7本人工智能開發的原創書籍,被1900余所高校選作授課教材,惠及200余萬名大學生

/

Tlias全方位AI教輔系統

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
  • 學員入學
  • 課堂教學
  • 課后指導
  • 專項練習
  • 入學多維測評
    定制專屬學習計劃
  • 目標導向式學習
    精準定靶不脫節
  • 隨堂診斷糾錯
    掃清理解盲點
  • 循序漸進式練習
    從理論到應用
  • 階段效果測評
    消除知識薄弱點
  • 智能指引式建議
    分層教學,因材施教
  • 隨時有問必答
    攻克技術難點
  • 學員薄弱知識可視化
    精準查漏補缺
  • BI報表數據呈現
    精準把控教學質量
  • IT培訓目標體系

    精準定靶學習目標,讓學員對每天的學習進程了如指掌。課上一講多練的教學模式更便于學員反思評估當天學習目標的掌握程度,教師提供針對性的學習指導,保障學習效果。

  • IT培訓習題庫

    TLIAS系統為學員提供了充足的實操訓練機會,并構建了一條科學的練習路徑,多級練習提示使各類學員都能獲得充分指引,最終獨立解決問題,提升知識技能水平。

  • IT培訓質量評測

    TLIAS系統的診斷測評工具,使學員能夠對每天所學知識進行檢測,將薄弱知識可視化,精準查漏補缺,對問題知識點給予重點消化吸收,復習更高效、更聚焦,效果更明顯。

  • IT學習問答互動社區

    為充分激活學員間互動能量,將學員個人單線的學習擴展為立體互動性較強的探索式共享學習,TLIAS系統搭建了學習問答社區。熱帖瀏覽高達到2.5w人次。

  • IT培訓就業輔導

    TLIAS系統的就業中心從實際就業需求出發,為學員們準備了非常豐富的就業資源,5大課程門類,2000余節課程視頻,能夠滿足不同學員的實際需求。

  • IT就業模擬面試系統

    為提升學員的面試實戰經驗,TLIAS系統的模擬面試平臺高度還原學員目標崗位的面試環境和流程,并打造求職利器“面試寶典”,幫助學員熟悉面試流程,提高面試成功率。

  • 學員學習數據多維度采集分析

    TLIAS系統的BI數據平臺能夠全方位采集、實時監測各關鍵環節數據,形成一套成熟且執行有效的數據驅動模式,問題及時解決,風險提前預防,保障教學質量持續穩定的輸出。

  • IT學習教學質量監控

    為老師的教學打分,對校區的服務評價,TLIAS系統會做出定性和定量分析,在精準的教學質量監控下,師資質量精益求精、學習效果穩步提升,學習體驗與滿意度口碑雙提升。

  1. 學習目標體系

  2. 作業試題庫

  3. 個人專屬測評

  4. 學習問答社區

  5. 就業指導資源

  6. 模擬面試平臺

  7. 多數據采集

  8. 教學質量監控

IT培訓獨家學習監控系統

更多Tlias就業服務

  • IT培訓就業流程

    就業流程
    全信息化處理

  • 學員能力分析

    學員能力
    雷達圖分析

  • IT就業服務

    定制個性化
    就業服務

  • 面試題講解

    技術面試題
    講解

  • 就業培訓指導

    就業指導課
    面試項目分析

  • HR面試攻略

    HR面試攻略

  • 模擬企業面試

    模擬企業
    真實面試

  • IT求職簡歷指導

    專業簡歷指導

  • IT求職面試復盤

    面試復盤輔導

  • IT求職面試預警

    風險預警
    企業黑名單提醒

傳智匯-打造你的IT職業生態圈

老學員畢業后可加入傳智匯IT精英社區,持續幫助學員終身成長,一次學習,永久服務
  • IT培訓行業沙龍

    行業沙龍

    每年百場行業交流
    每年24場免費交流


  • IT行業高端人脈

    高端人脈

    行業大牛講座
    技術大牛分享
    攻克研發難關
    緊跟科技前沿

  • IT職場資源

    職場資源

    二千余家企業
    高管精準指導
    助力職場晉升
    突破發展瓶頸

  • IT培訓技術研習

    技術研習

    服務中高端IT人才
    持續跟蹤量身定做


  • Python編程基礎基礎班 1

    課時:15天技術點:97項測驗:2次學習方式:新型面授

    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|7.掌握學生管理系統編寫

    主講內容1Python基礎語法

    ?基礎語法是編程語言的第一課,打好基礎才能更好的學習后面課程,幫學員從小白到入門,包含了以下技術點:?

    變量、標識符和關鍵字、輸入和輸出、數據類型轉換、PEP8 編碼規范、比較/關系運算符、if 語句語法格式、三目運算符、 while語句語法格式、while 循環嵌套、break 和 continue、 while 循環案例、for循環
    主講內容2容器類型

    學習容器類型可以幫我們更好的理解數據的存儲形式及存儲策略,方面我們更好的管理并使用數據

    字符串定義語法格式、字符串遍歷(while)、下標和切片、字符串常見操作、列表語法格式、列表的遍歷(for)、列表常見操作、列表嵌套、列表推導式、 元組語法格式、單元素元組、元組操作、字典語法格式、字典常見操作、字典的遍歷、公共函數
    主講內容3函數

    學會函數使我們可以高效的封裝和使用功能,提高代碼復用率,加強團隊協作效率

    函數概念和作用、函數定義、調用、不定長參數函數、 函數的返回值、函數的說明文檔、 函數的嵌套調用、匿名函數、遞歸函數、可變和不可變類型、 局部變量、全局變量、 組包和拆包、引用
    主講內容4文件讀寫

    文件讀寫是學習Python語言必不可少的技能,該技能可以使我們更便捷的批量或者針對性處理文件,高效便捷,簡單易學

    文件介紹、文件的打開與關閉、文件的讀寫、文件、目錄操作相關操作、 文件/目錄操作、文件/目錄操作案例、os模塊文件與目錄相關操作
    主講內容5面向對象

    面向對象思想是初學者的一大難點,主要是培養自己的編程思維,化繁為簡,將復雜的功能特性歸類,并賦予一個特定的類或對象,掌握后會極大提高編程水平

    面向對象介紹、類的定義和對象的創建、添加和獲取對象屬性、self 參數、init方法、私有方法和私有屬性、繼承、子類方法重寫、 類屬性和實例屬性、多態、類方法、實例方法、靜態方法
    主講內容6異常處理

    異常是計算機語言中一種錯誤提示形式,有了異常就能極大避免程序出現不必要的錯誤,熟練使用異常并對其進行合理的處理,才能寫出優質的代碼

    異常概念、捕獲異常、異常的傳遞、自定義異常、異常穿透
    主講內容7模塊和包

    學習完包和模塊的相關知識,我們可以更方便更快捷的使用自己或其他人已經寫好的工具代碼,提高效率的同時,也更方便進行團隊協作

    模塊介紹、模塊的導入、包的概念、包的導入、模塊中的 __all__、模塊中 __name__ 的作用
  • Python高級和系統編程就業班 1

    課時:15天技術點:123項測驗:2次學習方式:新型面授

    學習目標

    1.熟練使用Linux操作系統及相關命令|2.掌握網絡編程技術,能夠實現網絡通訊|3.掌握開發中的多任務編程實現方式|4.了解網絡通訊協議及相關原理|5.熟練使用Mysql完成數據的增刪改查,并能與Python進行交互|6.掌握Python中的高級語法及正則表達式|7.了解前端開發流程及基礎編程技巧|8.掌握Web服務器的工作流程|9.掌握數據結構和算法思想,具備編程解決問題的能力

    主講內容1Python高級語法

    熟練掌握閉包和裝飾器可以簡化代碼編寫, 熟練深拷貝和淺拷貝可以很好的理解python解釋器底層對空間的使用方式

    property屬性,with語句, 上下文管理器,閉包,通用裝飾器,裝飾帶有參數的函數, 裝飾帶有返回值的函數, 裝飾帶有不定長參數的函數,多個裝飾器,帶有參數的裝飾器,類裝飾器, 迭代器,生成器,深拷貝與淺拷貝,列表推導式
    主講內容2Python常用標準庫

    理解正則表達式, 可以很快的完成內容的匹配過程, 標準庫的使用, 使得python使用更加簡單快捷

    sys模塊,logging模塊,正則表達式的介紹,re模塊的使用,配個單個字符, 匹配多個字符, 匹配開頭和結尾, 匹配分組,正則表達式的演練
    主講內容3數據結構與算法

    算法的學習,鞏固思維邏輯, 提高代碼的執行效率,理解python解釋器在性能上的優缺點

    時間復雜度,空間復雜度,Python內置類型性能分析,順序表; 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; 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; 二叉樹:樹的引入,二叉樹,二叉樹的遍歷,二叉樹擴展
    主講內容4Linux系統使用

    操作系統命令行的學習, 加強對遠程服務器的使用熟練度, 可以快速對接企業需求

    Centos操作系統介紹與使用,Linux命令使用,查看目錄命令, 切換目錄命令, 絕對路徑和相對路徑,創建文件命令, 刪除文件命令, 創建目錄命名, 刪除目錄命令,復制文件命令, 移動文件命令, 復制目錄命名, 移動目錄命令,查看命令幫助, 重定向命令, Linux命令選項的使用,遠程登錄和遠程拷貝,鏈接命令, 文本搜索命令,壓縮命令, 解壓縮命令, 文件權限命令, 管理員權限命令, 用戶操作, 用戶組操作,vi編輯器使用,CentOS軟件安裝和軟件卸載
    主講內容5網絡編程和HTTP協議

    理解如何在網絡中找到想要的唯一的主機和對接的應用軟件及在網絡中IP地址或端口號是如何分配的。理解網絡請求的數據傳輸過程, 獨立分析在網絡中的信息傳遞, 解決數據傳遞過程中可能出現得異常情況

    IP地址的介紹,端口和端口號的介紹,socket的介紹,基于TCP通信程序開發,HTTP協議介紹,HTTP通訊過程,URL, 請求報文, 響應報文, send原理,recv原理, 多任務TCP服務端編寫,搭建靜態web服務器案例。
    主講內容6多任務編程

    掌握多任務的使用, 解決用戶量大, 數據處理問題, 很好的對接企業高并發的解決

    多任務介紹,進程的使用,獲取進程編號, 進程執行帶有參數的任務, 進程注意點,線程的使用,線程執行帶有參數的任務, 線程同步與互斥鎖,死鎖
    主講內容7數據庫編程

    掌握數據庫查詢語句, 提取項目數據, 可以快速上手企業業務需求

    數據類型和約束, where條件查詢, 排序, 分頁查詢,聚合, 分組查詢,連接查詢,子查詢,數據庫的設計三范式及連表查詢, 事務, 索引等高級用法, PyMysql的使用
  • 機器學習就業班 2

    課時:24天技術點:143項測驗:3次學習方式:新型面授

    學習目標

    1.掌握數據科學庫的使用|2.掌握數據基本處理的方法|3.掌握機器學習中處理數據的方法|4.理解機器學習基礎算法原理|5.理解機器學習進階算法原理|6.掌握集成學習算法原理|7.對實際工作中收集到數據進行數據可視化、基本分析,提取有價值信息|8.把實際工作、生活中遇到的問題轉換為可以用機器學習解決的模型|9.實現針對不同問題,選擇不同算法模型,同時在該模型的基礎上,對該算法進行調優

    主講內容1人工智能概述

    初步認識人工智能包含范圍,機器學習工作流程,訓練模型評估模式,同時搭建好機器學習基礎環境

    人工智能概述,機器學習定義,機器學習工作流程,機器學習算法分類,回歸問題,分類問題,算法模型評估,欠擬合,過擬合,準確率,MSE,Azure機器學習平臺實驗,深度學習基本介紹,神經網絡,感知機,機器學習基礎環境安裝與使用
    主講內容2科學計算庫

    通過Matplotlib,Numpy,Pandas,Seaborn等科學計算庫的介紹,學習人工智能中,數據的基本處理,可視化展示等過程。

    Matplotlib架構介紹,Matplotlib基本功能實現,Matplotlib實現多圖顯示,Matplotlib繪制各類圖形,Numpy運算優勢,數組的屬性,數組的形狀,Numpy實現數組基本操作,Numpy實現數組運算,偏導數,極限,矩陣求導,向量,矩陣交換律,矩陣乘法,矩陣求逆,伴隨矩陣,pandas基本數據操作,DataFrame,Series,MultiIndex,panel,pandas畫圖,文件讀取和存儲(Excel,CSV,SQL,HDF,Json),缺失值處理,數據離散化,數據合并,交叉表和透視表,分組和聚合,單變量圖形可視化,雙變量圖形可視化,多變量圖形可視化,類別散點圖,箱線圖,小提琴圖,點圖
    主講內容3sklearn及特征工程

    介紹sklearn的基本使用,機器學習中特征工程處理方法,特征預處理、特征提取,特征降維適用環境已經實現方法。

    sklearn介紹,sklearn獲取數據集,數據集屬性介紹,數據集劃分,留出法,留一法,KFold,StratifiedKFold,自助法,特征工程,特征預處理,歸一化,標準化,特征提取,字典特征提取,文本特征提取,Tf-idf,特征降維,特征選擇,過濾式,方差選擇法,斯皮爾曼相關系數,皮爾遜相關系數,低方差特征過濾,嵌入式,交叉驗證,網格搜索,模型保存和加載,維災難
    主講內容4機器學習基礎

    初步認識機器學習經典算法,了解機器學習基礎經典算原理,同時會使用sklearn庫實現機器學習基礎經典算法

    KNN算法流程,歐式距離,曼哈頓距離,切比雪夫距離,閔氏距離,標準化歐式距離,余弦距離,漢明距離,杰卡德距離,馬氏距離,數據的連續屬性和離散屬性,KNN中k值的選擇,kd樹,KNN算法優缺點介紹,線性回歸概念和api與原理剖析,誤差平方和,FGD,SGD,mini-batch,SAG,數據歸一化,優化器的選擇,Lasso回歸,嶺回歸,Elastic Net,early stopping,判定邊界,動態規劃,sigmoid,對數似然損失,混淆矩陣,精確率,召回率,F1-score,ROC曲線,AUC指標,ROC曲線的繪制,imbalanced-learn,隨機過采樣,SMOTE,隨機欠采樣,決策樹算法原理和api使用,劃分選擇,熵,信息增益,增益率,基尼指數,剪枝處理,預剪枝,后剪枝,ID3,CART,條件熵和交叉熵連續與缺失值處理,多變量決策樹,回歸決策樹基本流程,回歸/分類決策樹的區別
    主講內容5機器學習進階

    掌握機器學習基礎算法的基礎上,進一步掌握機器學習進階算法原理,能推導出樸素貝葉斯,支持向量機等算法,同時可以使用sklearn庫實現

    樸素貝葉斯原理和api函數,獨立同分布,貝葉斯公式,拉普拉斯平滑系數,概率分布,多項式分布,高斯分布,條件概率,貝葉斯編程及A/B測試,SVM算法原理,感知機學習策略及算法收斂性,線性可分及異或不可分,對偶問題及KKT,SMO算法,軟間隔與正則化,支持向量回歸,核函數:最簡單的核函數距離,相似性函數,常用核函數(GBF和Gassian),核函數對比,聚類算法介紹,kmeans流程和質心,k-means評價指標及優化內部指標,外部指標,優化方法(二分kmeans,kmeans++),SC系數/CH系數,極大似然估計,期望估計,極大化估計,Markov chain,可見狀態鏈,隱含狀態鏈,HMM算法原理,前向后向算法,Viterbi算法,Baum-Welch,MultinomialHMM
    主講內容6集成學習

    熟悉集成學習中的bagging,boosting兩大分支內容,同時掌握原理推導,掌握集成學習最新算法xgboost,lightGBM等內容,可以通過代碼實現集成學習模型訓練及調優

    bagging和boosting介紹,隨機森林,包外估計,無偏估計;boosting:離散型AdaBoost,實數型AdaBoost,GBDT,殘差擬合,集成學習進階-xgboost,xgboost目標函數推導,樹的復雜度定義,xgboost回歸樹構建,xgboost與GBDT對比,通用參數,Booster參數介紹,lightGBM基本介紹,Histogram的決策樹算法介紹,level-wise,leaf-wise,特征并行,數據并行
  • 深度學習與圖像與視覺處理(CV)就業班 3

    課時:22天技術點:153項測驗:3次學習方式:新型面授

    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神經網絡與TensorFlow框架

    該模塊主要介紹tensorflow的基本使用方法,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

    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;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;深度學習正則化與算法優化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam;實現多層神經網絡案例;Tensorflow框架基礎、張量、變量;Tensorflow高級API:數據讀取tf.data、模型tf.keras等
    主講內容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

    計算機視覺定義、計算機視覺發展歷史;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
    主講內容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

    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;卷積網絡結構:LeNet5、AlexNet、VGG、Inception/GoogleNet、殘差網絡;目標分類實戰案例:ImageNet分類;Apache Flink極客挑戰賽——垃圾圖片分類
    主講內容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

    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
    主講內容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

    目標分割任務類型、數據集;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;U-Net:拼接特征向量;Dilated Convolutions:聚合多尺度的信息、context module;SegNet:金字塔池化模塊;Deeplab:串行部署 ASPP;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;目標分割實戰案例;
    主講內容6OpenCV庫與圖像處理基礎

    該模塊主要介紹基本的圖像處理方法,包括灰度變換,幾何變換,形態學變換等內容

    基本的OpenCV代碼、IplImage數據結構、讀寫圖像;基本的灰度變換函數;幾何變換:翻轉、剪裁、遮擋、圖像算數、圖像金字塔、OpenCV幾何變換操作;形態學:形態學定義、連通性、二值操作、平滑、梯度、紋理分割及OpenCV實踐
    主講內容7OpenCV庫與圖像處理進階

    該模塊主要介紹經典的邊緣檢測方法,常見的特征檢測與描述方法及基礎的視頻處理方法

    邊緣檢測技術:邊緣檢測的目的和模型、噪聲、導數算子、Marr-Hildreth邊緣檢測器、基于模板的邊緣檢測、Canny Edge邊緣檢測器、Shen-Castan(ISEF)邊緣檢測器、彩色邊緣、OpenCV邊緣檢測操作;特征檢測和描述:哈里斯角點檢測、Shi-Tomasi角落探測器、SIFT、SURF、FAST、ORB、霍夫變換;視頻操作:讀取攝像頭、讀取視頻、視頻寫入
  • 深度學習與自然語言處理(NLP)就業班 4

    課時:22天技術點:138項測驗:3次學習方式:新型面授

    學習目標

    1.pytorch工具處理神經網絡涉及的關鍵點|2.掌握NLP領域前沿的技術解決方案|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1Pytorch框架與NLP入門

    該章節主要講述當下的最主流的深度學習框架之一:pytorch,同時,借助pytorch基礎知識使大家對NLP進行入門,了解NLP在整個人工智能市場的主要應用方向,如對話,翻譯,分類,生成等,助力大家開啟NLP學習之旅。

    Pytorch介紹,張量概念,張量運算,反向傳播,梯度,自動梯度,參數更新,數據加載器,迭代數據集,經典案例,對話系統簡介,NLU簡介,文本生成簡介,機器翻譯簡介,智能客服介紹,機器人寫作介紹,作文打分介紹
    主講內容2文本預處理

    該章節主要講述NLP最基礎的部分:對文本的預處理過程,這是所有文本任務訓練前都需要進行的步驟,使得文本能夠有效的被張量進行表示,最終輸入到模型之中進行預測。

    文本處理的基本方法,文本張量表示方法,文本語料的數據分析,文本特征處理,數據增強方法,分詞,詞性標注,命名實體識別,one-hot編碼,Word2vec,Word Embedding,標簽數量分布,句子長度分布,詞頻統計與關鍵詞詞云
    主講內容3RNN及變體

    該章節主要講述NLP中非常經典的RNN模型及其變體,LSTM,GRU,Bi-LSTM,Bi-GRU等,它們用于各種不同的文本處理場景,發揮自身的結構優勢,已完成最終預測目標。

    傳統RNN,LSTM,Bi-LSTM,GRU,Bi-GRU,新聞分類案例,機器翻譯案例,seq2seq,遺忘門,輸入門,細胞狀態,輸出門,更新門,重置門
    主講內容4Transfomer原理

    該章節主要講述當下NLP中大型模型的基礎組建:Transformer,它是BERT,ALBERT,XLNET等大型模型的基礎,代表最先進的模型架構,同時也是Google BERT橫掃所有NLP指標的秘訣,我們將學習它作為之后項目應用的基礎。

    輸入部分,輸出部分,編碼器部分,解碼器部分,線性層,softmax層,注意力機制,多頭注意力機制,前饋全連接層,規范化層,子層連接結構,語言模型,wikiText-2數據集,模型超參數,模型的訓練,模型驗證
    主講內容5傳統的序列模型

    這是傳統的NLP序列模型,它們代表了NLP發展的關鍵時代,早期的NLP依托這兩種模型進行序列預測,雖然它們正在逐漸淡出歷史舞臺,現在我們仍要溫習其原理,感受新的啟發。

    HMM原理,HMM實現,HMM優劣勢,CRF原理,CRF優劣勢,CRF與HMM區別,CRF實現,HMM歷CRF歷史,HMM現狀,CRF現狀
    主講內容6遷移學習

    這是當下最關鍵的NLP應用方向,也是人工智能可見未來的發展方向,學習有關遷移學習的知識,將是最有價值的部分,之后幾乎所有的項目都會圍繞它來展開。

    fasttext工具,進行文本分類,CBOW模式,skip-gram模式,預訓練模型,微調,微調腳本,訓練詞向量,模型調優,n-gram特征,CoLA 數據集,SST-2 數據集,MRPC 數據集,BERT,GPT,GPT-2,pytorch.hub
  • 人工智能項目-智能交通CV項目就業班 5

    課時:13天技術點:150項測驗:2次學習方式:新型面授

    學習目標

    1.利用卡爾曼濾波最優濾波方程對建立的交通流系統狀態方程、觀測方程|2.采用背景差分法對在檢測區的車輛進行檢測和跟蹤|3.利用DGPS/DR組合車輛定位中各子系統的模型對車輛定位提高精度|4.利用Haar Adaboost 自定義目標檢測對過往的車輛進行檢測、計數和分類|5.Haar Adaboos與粒子濾波技術|6.車輛外形標注,識別,訓練的工程化方法實踐|7.利用CV,CA,CTRA,CTRV等高級運動模型構造卡爾曼濾波實現車流跟蹤|8.基于遷移學習的其它類型識別模型訓練

    智能交通項目是一個可跟蹤路面實時車輛通行狀況,并逐幀記錄不同行車道車流量數目的深度學習項目,“車輛自動計數系統”由計數系統、圖像抓拍系統、實時監控錄像系統組成,在視頻中可看出每個車輛的連續幀路徑,該項目可拓展性強,可根據企業業務外接計費結算系統、LED顯示系統、語音播報系統、供電防雷系統等。

    主講解決方案
    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
    主講知識點
    1.項目概述:系統架構設計、項目關鍵技術說明|項目業務需求分析、項目業務流程設計| 2.環境部署:系統介紹項目開發環境概述、Tensorflow框架、項目工程文件創建|項目開發環境配置、項目性能優化設置|視頻數據源的Python讀入及逐幀識別|交通流量解決方案分析及數據源處理| 3.道路車輛跟蹤及流量統計項目流程方案:業務理解,任務拆解|目標檢測模型實現|圖像理解框架及馬爾方法|圖像視頻理解:運動目標檢測與跟蹤主流工程實踐方法|視頻背景建模與前景選取實踐| 4.車輛跟蹤核心技術:背景建模實現:基于視頻的運動目標分割|前景探測:運動目標車輛的檢測與跟蹤|基于光流的目標跟蹤實踐|基于均值偏移的目標跟蹤實踐|基于粒子濾波的目標跟蹤實踐|卡爾曼濾波實踐| 5.流量統計核心技術:首先采用背景差分法和卡爾曼濾波算法對在檢測區的車輛進行檢測和跟蹤|使用經過檢測、處理的被測車輛圖像觸發距其最近的相機進行圖形分割|通過LDA分類器對分段車輛的幾何形狀及外觀特征進行正確地分類|實現濾波,參照DELOS算法實現對城市快速路的事故檢測| 6.模型訓練及項目主流程: 車輛區域特征樣本標注|車輛檢測模型訓練及測試|深度學習CNN建模,建立車輛分類器|系統逐幀采集視頻圖像并檢測車輛|為檢測到每個車輛目標初始化卡爾曼濾波器,通過卡爾曼濾波器逐幀匹配目標進行位置預測|對比檢測位置與預測位置,逐幀鏈接前景圖像,獲取車輛的跟蹤路徑| 7.項目總結:HEVC壓縮域等的車流量檢測應用優劣比較總結|幀間差分法、圖像閾值分割和數學形態學的運動目標檢測方法總結|結合智能優化算法對其改進的遺傳算法—克隆選擇遺傳算法比較總結|
  • 人工智能項目-實時人臉識別CV項目就業班 6

    課時:12天技術點:90項測驗:2次學習方式:新型面授

    學習目標

    1.掌握EigenFace,FisherFace,LBPH及人臉雙屬性圖|2.掌握Hausdorff距離的動態人臉圖像定位|3.掌握PCA、ICA、LDA和EP在人臉識別上的綜合運用|4.掌握基于PyQt5的GUI編程模塊及信號槽機制|5.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|6.利用狀態判別,能識別出人臉的性別、表情等屬性值|7.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|

    實時人臉識別項目是一個基于深度學習的可通過實時攝像頭采集視頻人臉數據,也可以進行批量圖片輸入進行批量自動化識別人臉,對于視頻輸入,可實現人臉的跟蹤,標注姓名,性別,情緒(開心,生氣,自然)等信息并對進入視頻的陌生人進行報警的系統實戰項目。

    主講解決方案
    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
    主講知識點
    1.項目概述:系統架構設計、項目關鍵技術說明|項目業務需求分析、項目業務流程設計| 2.環境部署:系統介紹項目開發環境概述、DLib框架源碼編譯、項目工程文件創建|項目開發環境配置、項目性能優化設置|基于PyQt5的GUI編程模塊及信號槽機制|人臉識別解決方案分析及數據源處理| 3.人臉識別項目流程方案 業務理解,任務拆解|目標檢測模型實現|目標關鍵點模型實現:輸入標注數據、數據預處理、數據增強|人臉校正實現及目標條件分析|識別模型實現:人臉對齊、人臉比對和活體檢測等全部技術環節的代碼設計、運行演示和執行結果輸出|模型驗證:檢測、關鍵點回歸、識別驗證方案| 4.人臉識別核心技術:基于Dlib與OpenCV等的核心技術流梳理|實時人臉特征點對齊,人臉比對的實現|實時活體檢測:眨眼與張嘴實現|實時視頻采集及圖片抓拍的實現|實現視頻抓拍:逐幀抓取,逐幀識別|人臉檢測HOG及特征點檢測ERT| 5.靜態人臉識別系統:通用形變模型的創建:輪廓特征點的選取及變形模型|人臉局部特征探測:逐步求精定位法|數學算子及模板的構建和探測:眼睛,嘴巴和鼻子模型|人臉圖像的雙屬性圖| 6.動態人臉識別系統:動態人臉識別系統框架及馬爾科夫訓練模型|Hausdorff距離的動態人臉圖像定位|特征子空間與動態圖像分割|人臉區域檢測和人臉特征點標定的算法實現機制|動態人臉圖像識別中外界影響的處理| 7.模型訓練及測試:人臉區域特征樣本標注|人臉檢測模型訓練及測試|人臉特征點樣本標注|人臉特征點模型訓練及測試|人臉識別之EigenFace|人臉識別之FisherFace及Gabor算法|人臉識別之LBPH| 8.項目總結:PCA、ICA、LDA和EP在人臉識別上的應用優劣比較總結|Dlib人臉檢測器模塊優化提升方法總結|整體方案前向推斷集成總結|局部特征分析技術,模板匹配,圖匹配技術優化方案總結|
  • 人工智能項目-在線AI醫NLP項目就業班 7

    課時:13天技術點:100項測驗:2次學習方式:新型面授

    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
    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
    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|
  • 人工智能項目-智能文本分類-NLP基礎設施NLP項目就業班 8

    課時:12天技術點:80項測驗:2次學習方式:新型面授

    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|

    中文標簽化系統是NLP基礎任務的綜合系統,同時又是NLP應用的基礎設施。根據文本信息,給出對應的預定義標簽將能夠有效的支持用戶畫像,推薦系統等。同時,對于高階NLP任務,如對話,翻譯,寓意蘊含等在語料分類上將有很大的幫助。

    主講解決方案
    大規模快速文本分類解決方案 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
    主講知識點
    1.整體系統概述與搭建:背景介紹|環境配置|輸入預處理|輸出規范處理| 2.構建標簽詞匯圖譜:標簽的制定|詞匯的采集|構建圖譜|實現查詢與修改邏輯|基于模型的權重更新| 3.fasttext模型與特征工程:fasttext發展簡介|fasttext模型結構與參數解析|fasttext的選用原因|n-gram特征使用| 4.損失函數與優化方法:fasttext的損失函數解析|fasttext的優化方法解析|使用keras實現fasttext| 5.多模型訓練服務:單模型訓練流實現|多模型訓練服務搭建|多模型訓練API開發|算力資源分配設計原理|算力資源分配主邏輯實現|多模型訓練服務實驗與部署| 6.單模型微服務部署:模型格式詳解|h5格式如何轉為pb格式|使用tensorflow-seving封裝| 7.多模型預測服務:模型預測主服務搭建|多線程與多進程的比較|模型并行預測的實現|
  • 算法進階和面試強化就業班 9

    課時:8天技術點:89項測驗:1次學習方式:新型面授

    學習目標

    1.理解算法和模型的分布式實現及加速原理|2.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|3.基于3D點云數據,進行配準、分割和特征識別等算法開發,建立3D點云圖處理的算法模型|4.跟進行業最新深度學習算法相關先進技術,研究并應用的學習算法,持續提升模型的精準性和魯棒性|5.深入理解算法和模型調優方式及優缺點|6.綜合運用經典SLAM技術,多視角幾何基礎理論以及三維重建方法進行業務實踐

    主講內容1自編碼器

    了解自編碼器應用舉例、欠完備自編碼器、正則自編碼器、及其表示能力、層的大小和深度

    自編碼器,解碼器、去噪自編碼器、變分自編碼器、實踐案例
    主講內容2對稱權重與深度置信網絡

    了解隨機神經元-玻爾茲曼機,終身學習及實現綜合實操演練

    積極學習-Hopfield網絡、能量函數、Hopfield網絡的容量、連續Hopfield網絡,終身學習
    主講內容3進化學習

    初步掌握進化學習、遺傳算法等的特點及缺陷、并會用遺傳算法訓練神經網絡

    遺傳算法,遺傳算子,背包問題
    主講內容4分布式機器學習

    初步了解分布式機器學習理論,模型及分布式機器學習算法

    分布式機器學習基礎,分布式機器學習系統
    主講內容5強化學習

    了解常見的動態規劃算法:值迭代、策略迭代、線性規劃算法,并實現強化學習實踐。

    學習情境與馬爾科夫決策過程, 策略值、策略評估、最優策略, 隨機逼近、TD(0)算法、Q-學習算法、SARSA、TD(λ)算法 、大狀態空間
    主講內容6數據結構強化

    重點掌握深度優先搜索、尋找路徑、廣度優先搜索、連通分量、符號圖, 有向圖, 最小生成樹, Prim算法、 Kruskal算法,及最短路徑算法的理論基礎

    Dijkstra算法, 圖論初步, 動態規劃初步, 貪心算法、貪心算法原理、赫夫曼編碼、擬陣和貪心算法
    主講內容7立體視覺與SLAM

    了解計算機視覺基礎知識及深度學習的立體視覺匹配相關內容及常見的標定方法;了解相關視覺SLAM案例實踐:例如三維空間剛體運動、相機與圖像基本操作、非線性優化、視覺測量等;

    針孔模型、雙目模型及極線幾何、多攝像機模型;內外參數的標定、畸變及矯正、常見的標定方法、zhang氏標定、空間坐標系的轉換;3D視覺任務、射影幾何學基礎、單透視攝像機、從多視圖重建場景、雙攝像機和立體感知、三攝像機和三視張量
    主講內容8點云處理

    了解點云處理技術的基礎理論,點云數據的重建方法及點云數據及模型的質量評價方法

    點云處理技術基礎理論、點云數據的重建方法,點云數據的獲取,點云去噪、壓縮、配準方法,點云插值方法,誤差傳播模型,質量評定方法;
“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


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。基于seq2seq + 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。

1

友情提示更多學習視頻+資料+源碼,請加QQ:2632311208。

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

對教育懷揣敬畏之心,堅守“用愛成就每一位學生”的理念

10余年來,傳智的老師始終秉承著“為中華民族偉大復興而講課,
為千萬學生少走彎路而著書”的使命,已經向IT產業培養了30余萬名IT高精尖人才

傳智教育廣納互聯網技術精英,構建實力強大的技術大牛團隊

人工智能開發專職課研團隊 人才篩選標準

16級標準嚴選專職課研老師,嚴控課程研發質量

人才篩選
4項標準

  • 標準化研發人才畫像

    大廠背景,技術深度、廣度,
    大型項目經驗

  • 多維面試(五面)

    背景調查,技術360°鑒定 ,
    新課題設計 ,課程隨機演繹 ,
    職業定位、發展規劃

  • 研究院小組診斷測評

    教育情懷、價值觀,進
    取精神、培養潛力

  • 全鏈路面試流程監控

    CEO審核,信息存檔

人才考核
8大環節

課研人員素質考核視頻錄制考核

課程設計考核課堂試煉考核

大綱設計考核產品全方位審評

講義撰寫考核考核答辯

人才培訓及
發展規劃

平臺、組件
技術開源歷練

技術私享會

大牛技術沙龍

企業對對碰
技術共享

人工智能開發專職課研團隊 課程研發體系標準

以“五庫模式”為基礎,打造真實企業級研發體系

  • 信息庫

    應用市場調研+大數據分析
    獲取前沿發展方向

  • 課題研究庫

    提出前沿熱門課題
    完成深入原理剖析+技術攻堅
    保障課程前瞻性

  • 研發人才庫

    來自華為、IBM等百人大牛團
    每年耗資億元
    研發行業標桿優質課程

  • 解決方案庫

    基于市場主流技術
    研發解決方案
    應對職場常見技術難題

  • 項目庫

    基于熱門行業領域
    聯合大牛顧問團
    研發“大廠級”深度項目

人工智能開發專職課研團隊 研發老師履歷

源源不斷引進大廠技術大牛,課程與企業需求實時接軌

優中選優,教學老師錄取率<3%,從源頭嚴控師資及授課質量

專職教學團隊 講師篩選標準

人才篩選
4項標準

  • 標準化講師畫像

    業務技能、性格
    特色、溝通能力

  • 初試技術深度

    框架能力、底層原理、性能與
    安全、算法與數據結構

  • 復試授課質量

    課程設計、授課邏輯互動與
    交互、代碼規范

  • 終試價值觀

    抗壓能力、學習動力、
    專業程度、培養潛力

人才考核
8大環節

定制個性化考核方案教育心理考核

講師素質考核教學方法考核

排課、備課產出物考核課堂試講考核

視頻錄制考核正式授課答辯

人才培訓及
發展規劃

每日授課
學員滿意度打分

階段課程實施
評審組審核

傳智培訓院
多維培養計劃

講師專屬
晉升通道

教學團隊獨創三大教學法,講透技術重難點

專職教學團隊 三大教法標準

  1. 情景式教學法
  2. 場景式授課
  3. Open教學法
  • 情景式教學

    情景式教學是指教研人員根據人對知識的理解和消化規律,將教學過程形象化的一種授課方法,集風趣、知識、故事場景于一體,可大大提高學員對知識的理解和吸收主要分為以下三個階段

    感知階段培養興趣
    引入知識點情景,形成表象,
    幽默故事,解讀晦澀難懂概念
    理解階段故事代碼雙結合
    深入故事場景,故事與代碼結合,
    更好理解代碼編寫規律。讓代碼不再陌生,
    不知不覺掌握每個知識點
    深化階段深入知識延展
    繼續深入知識點的其他使用或底層原理,
    保障知識點牢固掌握

    對比傳統教學方法的優勢

    技術定義純羅列,理解困難

    引入故事場景,好理解

    復雜概念記不住,難以吸收

    代碼結合劇情,易吸收

    抽象概念不理解,無法應用

    深入原理講解,牢掌握

    掃描二維碼,深度體驗教學法

    以網絡編程UDP為例

  • 場景式教學

    整合優質教學資源,系統化提煉數十個企業真實開發環境中的業務場景,獨創了場景式教學法。該教學法通過分析場景特點、梳理場景流程、呈現給定場景下技術的實現3個步驟,向學員清晰的展現了開發的全流程。

    場景式教學法的優勢

    場景多樣學員工作后的各類業務場景
    基本覆蓋
    場景真實真實還原企業Java開發中的
    業務場景
    內容生動場景與技術緊密結合
    將枯燥的知識點活化
    強化吸收根據人的認知規律進行課程設計
    學員吸收度大大提升

    場景式教學案例

    更多案例

    今日頭條場景 旅游類場景 游戲類型場景 云存儲場景 信息資訊類場景 電商秒殺類場景 電商會員類場景 大數據管理平臺場景 分布式搜索場景 OA信息管理類場景
  • OPEN教學法

    OPEN 教學法是由傳智教育培訓院首創的一套教學方法論,旨在「用更短的時間講明白一個知識點」,只有老師用更短的時間把課講清楚,學生才能有更多的時間做刻意練習,從而達到教練結合融會貫通。

    OPEN 教學法四大核心要素

    Objective(目標)具體要交付給學生的能力,學生可以用來解決具體的問題

    Path(路徑)基于學生既有知識儲備,設計學習線路

    Expeirence(體驗)按照路徑順序授課,主線清晰,保證學習體驗

    Note(落地結論)交付給學生經過提煉的知識干貨,降低復習難度,提高學習效率

    OPEN教學法的作用

    1. 規避常見授課問題
    2. 授課結構好、清晰度高
    3. 授課標準化、可量化、可衡量
    4.用更短的時間授課,給學生更多的時間練習
    5. 縮短老師培養周期,提升授課質量
    6. 提供風格統一的教學視頻,學生吸收更迅速

    OPEN 教學法授課中的話術舉例

授課經驗豐富的教學老師,帶你乘風破浪

專職教學團隊 授課老師履歷

點擊加載更多 >>

人工智能開發全國就業薪資情況

查看其他班級北京校區JavaEE第652期畢業學員

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

*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

  • 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

    自然語言處理NLP項目
  • 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

    人工智能多領域項目
  • 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

    人工智能推薦系統
  • 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

    人工智能深度學習課程
  • 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

    Python+人工智能學院成立
美女裸体无遮挡扒开尿囗