项目开发验收27项考核指标
功能实现
业务流程
UI/UE实现
代码质量
接口/性能
……
课程质量验收15项考核指标
技术应用合理性
技术前沿性
技术深度
课程衔接合理性
引导式教学应用程度
……
研发效率验收3项考核指标
进度
成本
变更频率
用户验收17项考核指标
课程导入吸引度
授课语言感染力
课程趣味性
教学结果
课程吸收度
……
基础班阶段一
就业班阶段一
就业班阶段二
就业班阶段三
就业班阶段四
就业班阶段五
就业班阶段六
升级说明
优化教法及案例,保证学员学习效果的同时缩短课时,提升学习效率
主要内容
•变量、标识符和关键字、数据类型转换 •条件控制语句和循环语句 •列表、元组、字典、有序字典、公共函数、字符串 •函数、匿名函数、递归函数 •文件操作 •类的定义和对象的创建、继承、多态、类方法、对象方法、静态方法 •异常处理 •模块和包
可解决的现实问题
•能够熟练使用Python技术完成针对小问题的程序编写
可掌握的核心能力
•掌握Python基础语法,具备基础的编程能力 •能够熟练使用Python技术完成针对小问题的程序编写 •建立起编程思维以及面向对象程序设计思想
升级说明
增强数据结构讲解,将网络编程及Mysql中一些复杂用法放到项目中的实际应用场景中讲解,给项目课程预留充足时间
主要内容
•闭包、装饰器、迭代器、生成器、深拷贝与浅拷贝、Python内存管理、垃圾回收 •Python常用标准库、正则表达式 •链表和链表的应用、队列的实现与应用、排序和搜索算法、树和二叉树 •Linux系统使用 •socket、基于TCP通信程序开发 •进程的使用、线程的使用、线程同步与互斥锁、死锁、协程的使用 •Web基础应用和HTTP协议、HTML概述及基本结构 •Mysql数据库的基础用法,条件查询,数据库的设计三范式及连表查询,事务,索引等高级用法,PyMysql的使用
可解决的现实问题
•能够使用Python编写脚本程序解决基础应用问题 •能利用数据结构和算法思想去解决实际问题 •能够基于Linux操作系统理解与开发多任务的网络程序 •能够使用python和mysql数据库进行交互
可掌握的核心能力
•能够熟练掌握Python的进阶语法的使用 •能够理解与掌握基础的数据结构和算法思想,具备编程解决问题的能力 •掌握网络编程相关技术,能够实现网络间数据通信 •掌握程序设计开发中多任务实现方式 •能够理解Mysql数据库 •能够掌握基本的Web后端开发技能
升级说明
人工智能AI课程单独独立出来,增加机器学习课程专业度。增加机器学习项目实战,原理和手推公式部分更加专业和深入
主要内容
•人工智能概述、机器学习定义、机器学习工作流程 •机器学习算法分类、算法模型评估 •Matplotlib库使用 •Numpy库使用 •Scipy使用 •pandas库使用 •数学及统计初步及Python库实现 •数值计算方法初步及Python库实现 •sklearn介绍、sklearn获取数据集 •特征工程与模型优化 •KNN算法api及kd树及稀疏存储 •线性回归概念和api与原理剖析 •逻辑回归概念api和原理 •决策树算法原理和api使用 •朴素贝叶斯原理和api函数 •聚类算法 •Bagging •随机森林 •Boosting •GBDT •Xgboost •LightGBM •机器学习项目实训
可解决的现实问题
•1、对实际工作中收集到数据进行数据可视化、基本分析,提取有价值信息 •把实际工作、生活中遇到的问题转换为可以用机器学习解决的模型 •实现针对不同问题,选择不同算法模型,同时在该模型的基础上,对该算法进行调优
可掌握的核心能力
•掌握数据科学库的使用 •掌握数据基本处理的方法 •掌握机器学习中处理数据的方法 •理解经典的机器学习算法原理 •掌握机器学习中工作的具体流程
升级说明
人工智能AI课程单独作为一个学科,增加深度学习与自然语言处理专业课程,增加命名实体识别、文本分类、文本生成、情感分析、聊天客服、翻译、逻辑推理、NLP相关迁移学习等课程
主要内容
•深度学习框架Tensorflow及高级API的应用 •神经网络构成和反向传播原理,深度度学习正则化与算法优化,多层神经网络案例,迁移学习等 •目标分类及经典CV网络,卷积神经网络CNN、LeNet5、AlexNet、VGG、GoogLeNet/Inception、ResNet等 •目标检测任务与数据集,RCNN系列网络(RCNN,FastRCNN,FasterRCNN)、yolo系列网络(YOLOv1、YOLOv2、YOLOv3、YOLOv4,YOLOv5),SSD等系列网络 •目标分割任务与数据集,全卷积FCN网络、U-Net、SegNet、Mask-RCNN等 •OpenCV库与图像处理,灰度变换函数、直方图处理、几何变换,边缘检测技术、特征检测和描述、视频操作、空间滤波等
可解决的现实问题
•可实现物体(人体,人脸,通用目标)检测,跟踪与识别,道路交通及工业环境险情发现等多领域的深度学习解决方案 •能够对图像处理、人脸算法等使用深度学习框架实现的算法进行调优 •可胜任深度学习算法工程师,图像与计算机视觉算法工程师等,并持续优化和迭代算法
可掌握的核心能力
•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 •掌握深度学习在计算机视觉中的应用,包括但不限于分割检测识别任务等 •掌握实际工作中深度学习的具体流程,数据及标注处理,建模训练,评估及模型部署应用等
升级说明
人工智能AI课程单独作为一个学科,增加深度学习与图像与数据处理专业课程、增加目标分类实战案例、目标分割实战案例、目标分割任务实战案例,增加OpenCV库与图像处理实战案例
主要内容
•pytorch工具与神经网络基础,数据加载器、迭代数据集 •常见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层 •RNN及变体,bi-LSTM的解析与实现,GRU/bi-GRU结构解析、作用、实现,seq2seq框架 •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 •传统的序列模型,HMM、ME、CRF原理、实现、优劣势 •非序列模型解决文本问题,ID-CNN、fasttext原理、结构、实现
可解决的现实问题
•能够使用pytorch搭建神经网络 •构建基本的语言翻译系统模型 •构建基本的文本生成系统模型 •构建基本的文本分类器模型 •使用ID-CNN+CRF进行命名实体识别 •使用fasttext进行快速的文本分类 •胜任多数企业的NLP工程师的职位
可掌握的核心能力
•pytorch工具处理神经网络涉及的关键点 •掌握NLP领域前沿的技术解决方案 •掌握NLP相关知识的原理和实现 •掌握传统序列模型的基本原理和使用 •掌握非序列模型解决文本问题的原理和方案
升级说明
人工智能AI课程单独作为一个学科,增加多领域多行业项目10个,其中课堂主讲4个项目
主要内容
•智能交通项目(CV) •实时人脸检测项目(CV) •在线AI医生项目(NLP) •智能文本分类项目(NLP) •泛娱乐推荐项目(CV+推荐) •CT图像肺结节自动检测项目(CV) •小智同学-聊天机器人(NLP) •场景识别项目(CV) •在线图片识别-商品检测项目(CV) •黑马头条推荐系统(推荐+数据科学)
可解决的现实问题
•通过项目对机器学习、NLP、CV领域知识点综合应用 •通过项目综合提升AI算法业务流搭建能力 •通过项目综合提升AI算法实用性、先进性、可拓展性经验提升
可掌握的核心能力
•掌握大规模语料下AI模型快速进行文本分类的全流程 •掌握多模型并行训练与多模型部署预测的全流程 •掌握垂直领域AI对话系统的基本工程实现 •掌握使用迁移学习方法进行句子审核及其句子主题相关问题的实现 •掌握复杂场景下AI模型实时进行目标检测并跟踪的全流程 •掌握利用AI模型进行人脸定位,检测,识别,匹配的工程实现方法 •掌握多模型级联实现场景识别并进行模型部署的全流程
升级说明
人工智能AI课程单独作为一个学科,增加数据结构和算法强化、串讲人工智能AI算法强化、立体视觉与SLAM和点云处理
主要内容
•自编码器 •对称权重与深度置信网络 •进化学习 •分布式机器学习 •强化学习 •数据结构和算法强化 •数据结构强化 •动态规划初步 •贪心算法 •数据结构与算法的Python实现 •计算机视觉CV强化 •立体视觉与SLAM •点云处理
可解决的现实问题
•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 •深入理解算法和模型调优方式及优缺点 •综合运用经典SLAM技术,多视角几何基础理论以及三维重建方法进行业务实践
可掌握的核心能力
•理解算法和模型的分布式实现及加速原理 •深入理解常用算法,模式识别,概率统计、最优化等算法原理及应用 •基于3D点云数据,进行配准、分割和特征识别等算法开发,建立3D点云图处理的算法模型
想抓住未来方向
但又无从下手的“迷茫者”
热爱人工智能,但发现人工智能
自学周期长,无法快速入
行的“初学者”
在传统行业打拼多年,想快速转型
未来行业的“奋斗者”
热爱新技术、新热点、互联网行
业,想一步到位的“高薪者”
初级AI开发
工程师
(0-1年)
中级AI开发
工程师
(1-2年)
高级AI开发
工程师
(2-4年)
行业大牛
(4-6年 )
AI新型技术创业者
(10年以上)
资深开发工程师
(4-6年)
技术专家
(6-10年 )
CTO
(10年以上)
技术开发组长
(4-6年)
项目经理
(6-10年 )
项目总监
(10年以上)
每个项目课程天数≥8天
涉及行业≥8个
AI项目个数≥10个
涵盖数据采集、标注、
模型构建、训练优化、部署
系统联调等全流程
模型的实用性
先进性、可拓展性
利用AI技术解决
企业实战场景业务流
业务分析
业务模型
20+名AI技术大牛
平均5年+AI从业经验
300+次技术研讨
特定目标车辆跟踪Siamese系列模型的解决方案SORT/DeepSORT算法多目标车辆跟踪解决方案
建立交通流系统状态和观测状态的解决方案车辆检测、计数和分类解决方案
图像去畸变的解决方案实时车道线检测的解决方案
实时采集摄像头人脸视频的解决方案利用深度学习方法进行人脸属性提取的解决方案
动态图像人脸定位的解决方案利用深度神经网络进行人脸实时识别跟踪的解决方案
医学影像格式转换的解决方案肺部实质形态分割的解决方案
利用深度学习模型进行肺结节检测及分割的解决方案可疑病灶区域标记及预诊断的解决方案
基于多模型级联学习的场景识别解决方案浅CNN模型和深CNN模型集成学习
mlp模型组合预判场景解决方案在线图片识别-商品检测项目(CV)
基于端到端算法的目标检测解决方案模型训练中数据增强的解决方案
基于Label Image的图像标注的解决方案知识图谱的双画像关系存储解决方案
动态/静态标签的AI属性方案实时响应的AI金字塔召回方案
wide-deep模型的排序模型方案医疗领域NER解决方案
对话主题相关解决方案微信端服务部署解决方案
对话管理系统与AI结合解决方案大规模快速文本分类解决方案
多模型并行预测解决方案分布式模型训练解决方案
多标签知识图谱构建解决方案基于Flume+Kafka的实时数据采集解决方案
基于词频、词向量的文章画像抽取解决方案离线定时任务多路召回的解决方案
wide&deep深度神经网络模型的排序方案双通道redis&hbase的实时请求服务解决方案
推荐系统冷启动解决方案中文分词和向量化的解决方案
基于神经网络端到端的解决方案语言模型调优与注意力机制优化的方案
模型训练流水线模型并行预测服务模型热更新微服务分布式模型训练自动参数调优Fasttext模型全面解析应用Transformer迁移学习深入实践ResNet主干视觉网络剖析强化学习与对抗网络解读大型模型压缩与知识蒸馏探索对抗网络系列算法论文复现……
功能实现
业务流程
UI/UE实现
代码质量
接口/性能
……
技术应用合理性
技术前沿性
技术深度
课程衔接合理性
引导式教学应用程度
……
进度
成本
变更频率
课程导入吸引度
授课语言感染力
课程趣味性
教学结果
课程吸收度
……
专职课研团队
专职教学团队
大厂背景,技术深度、广度,大型项目经验
背景调查,技术360°鉴定 ,新课题设计 ,课程随机演绎,职业定位、发展规划
教育情怀、价值观,进取精神、培养潜力
CEO审核,信息存档
课研人员素质考核视频录制考核
课程设计考核课堂试炼考核
大纲设计考核产品全方位审评
讲义撰写考核考核答辩
平台、组件
技术开源历练
技术私享会
大牛技术沙龙
企业对对碰
技术共享
业务技能、性格特色、沟通能力
框架能力、底层原理、性能与安全、算法与数据结构
课程设计、授课逻辑互动与交互、代码规范
抗压能力、学习动力、专业程度、培养潜力
定制个性化考核方案教育心理考核
讲师素质考核教学方法考核
排课、备课产出物考核课堂试讲考核
视频录制考核正式授课答辩
每日授课
学员满意度打分
阶段课程实施
评审组审核
红足1世手机版培训院
多维培养计划
讲师专属
晋升通道
用爱成就每一位学生
简介:一线城市中,租房情况越来越多,通过机器学习模型,训练出一个房租预测模型,可以指导大家在租房中,合理的价位完成交易。
简介:每日反馈模型预测是通过机器学习经典算法训练模型,对学员每日反馈内容进行归类,辅助完成更好的教学管理。
简介:一线城市中,租房情况越来越多,通过机器学习模型,训练出一个房租预测模型,可以指导大家在租房中,合理的价位完成交易。
简介:每日反馈模型预测是通过机器学习经典算法训练模型,对学员每日反馈内容进行归类,辅助完成更好的教学管理。
简介:一线城市中,租房情况越来越多,通过机器学习模型,训练出一个房租预测模型,可以指导大家在租房中,合理的价位完成交易。
人员职务角色划分,
组建真实项目团队
使用Git、ONES等项目管理工具监控团队研发进度
讲师担任产品经理角色,实时对接所有业务问题
组长担任项目经理工作,使用ONES平台分发任务,对整体产出负责
每日晨会表明开发计划,晚会总结当天成果,Git提交当天产出
生产环境部署,线上回测后进行答辩和评优
线上自测,实现业务闭环,找到并修复Bug
进行项目联调,模拟前后端接口联调,增加团队协作经验
测试环境,项目部署上线前,初步进行自测
精准定靶学习目标,让学员对每天的学习进程了如指掌。课上一讲多练的教学模式更便于学员反思评估当天学习目标的掌握程度,教师提供针对性的学习指导,保障学习效果。
TLIAS系统为学员提供了充足的实操训练机会,并构建了一条科学的练习路径,多级练习提示使各类学员都能获得充分指引,最终独立解决问题,提升知识技能水平。
TLIAS系统的诊断测评工具,使学员能够对每天所学知识进行检测,将薄弱知识可视化,精准查漏补缺,对问题知识点给予重点消化吸收,复习更高效、更聚焦,效果更明显。
为充分激活学员间互动能量,将学员个人单线的学习扩展为立体互动性较强的探索式共享学习,TLIAS系统搭建了学习问答社区。热帖浏览高达到2.5w人次。
TLIAS系统的就业中心从实际就业需求出发,为学员们准备了非常丰富的就业资源,5大课程门类,2000余节课程视频,能够满足不同学员的实际需求。
为提升学员的面试实战经验,TLIAS系统的模拟面试平台高度还原学员目标岗位的面试环境和流程,并打造求职利器“面试宝典”,帮助学员熟悉面试流程,提高面试成功率。
TLIAS系统的BI数据平台能够全方位采集、实时监测各关键环节数据,形成一套成熟且执行有效的数据驱动模式,问题及时解决,风险提前预防,保障教学质量持续稳定的输出。
为老师的教学打分,对校区的服务评价,TLIAS系统会做出定性和定量分析,在精准的教学质量监控下,师资质量精益求精、学习效果稳步提升,学习体验与满意度口碑双提升。
学习目标体系
作业试题库
个人专属测评
学习问答社区
就业指导资源
模拟面试平台
多数据采集
教学质量监控
就业流程
全信息化处理
学员能力
雷达图分析
定制个性化
就业服务
技术面试题
讲解
就业指导课
面试项目分析
HR面试攻略
模拟企业
真实面试
专业简历指导
面试复盘辅导
风险预警
企业黑名单提醒
每年百场行业交流
每年24场免费交流
行业大牛讲座
技术大牛分享
攻克研发难关
紧跟科技前沿
二千余家企业
高管精准指导
助力职场晋升
突破发展瓶颈
服务中高端IT人才
持续跟踪量身定做
课程大纲
基础班
1. Python编程基础
就业班
1. Python高级和系统编程 2. 机器学习 3. 深度学习与图像与视觉处理(CV) 4. 深度学习与自然语言处理(NLP) 5. 人工智能项目-智能交通CV项目 6. 人工智能项目-实时人脸识别CV项目 7. 人工智能项目-在线AI医NLP项目 8. 人工智能项目-智能文本分类-NLP基础设施NLP项目 9. 算法进阶和面试强化
人工智能AI进阶班V2.0版本
课时:15天技术点:97项测验:2次学习方式:新型面授
1.掌握Python开发环境基本配置|2.掌握运算符、表达式、流程控制语句、数组等的使用|3.掌握字符串的基本操作|4.初步建立面向对象的编程思维|5.熟悉异常捕获的基本流程及使用方式|6.掌握类和对象的基本使用方式|7.掌握学生管理系统编写
1. Python基础语法 基础语法是编程语言的第一课,打好基础才能更好的学习后面课程,帮学员从小白到入门,包含了以下技术点:
变量、标识符和关键字、输入和输出、数据类型转换、PEP8 编码规范、比较/关系运算符、if 语句语法格式、三目运算符、 while语句语法格式、while 循环嵌套、break 和 continue、 while 循环案例、for循环
2. 容器类型学习容器类型可以帮我们更好的理解数据的存储形式及存储策略,方面我们更好的管理并使用数据
字符串定义语法格式、字符串遍历(while)、下标和切片、字符串常见操作、列表语法格式、列表的遍历(for)、列表常见操作、列表嵌套、列表推导式、 元组语法格式、单元素元组、元组操作、字典语法格式、字典常见操作、字典的遍历、公共函数
3. 函数学会函数使我们可以高效的封装和使用功能,提高代码复用率,加强团队协作效率
函数概念和作用、函数定义、调用、不定长参数函数、 函数的返回值、函数的说明文档、 函数的嵌套调用、匿名函数、递归函数、可变和不可变类型、 局部变量、全局变量、 组包和拆包、引用
4. 文件读写文件读写是学习Python语言必不可少的技能,该技能可以使我们更便捷的批量或者针对性处理文件,高效便捷,简单易学
文件介绍、文件的打开与关闭、文件的读写、文件、目录操作相关操作、 文件/目录操作、文件/目录操作案例、os模块文件与目录相关操作
5. 面向对象面向对象思想是初学者的一大难点,主要是培养自己的编程思维,化繁为简,将复杂的功能特性归类,并赋予一个特定的类或对象,掌握后会极大提高编程水平
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、self 参数、init方法、私有方法和私有属性、继承、子类方法重写、 类属性和实例属性、多态、类方法、实例方法、静态方法
6. 异常处理异常是计算机语言中一种错误提示形式,有了异常就能极大避免程序出现不必要的错误,熟练使用异常并对其进行合理的处理,才能写出优质的代码
异常概念、捕获异常、异常的传递、自定义异常、异常穿透
7. 模块和包学习完包和模块的相关知识,我们可以更方便更快捷的使用自己或其他人已经写好的工具代码,提高效率的同时,也更方便进行团队协作
模块介绍、模块的导入、包的概念、包的导入、模块中的 __all__、模块中 __name__ 的作用
课时:15天技术点:123项测验:2次学习方式:新型面授
1.熟练使用Linux操作系统及相关命令|2.掌握网络编程技术,能够实现网络通讯|3.掌握开发中的多任务编程实现方式|4.了解网络通讯协议及相关原理|5.熟练使用Mysql完成数据的增删改查,并能与Python进行交互|6.掌握Python中的高级语法及正则表达式|7.了解前端开发流程及基础编程技巧|8.掌握Web服务器的工作流程|9.掌握数据结构和算法思想,具备编程解决问题的能力
1. Python高级语法熟练掌握闭包和装饰器可以简化代码编写, 熟练深拷贝和浅拷贝可以很好的理解python解释器底层对空间的使用方式
property属性,with语句, 上下文管理器,闭包,通用装饰器,装饰带有参数的函数, 装饰带有返回值的函数, 装饰带有不定长参数的函数,多个装饰器,带有参数的装饰器,类装饰器, 迭代器,生成器,深拷贝与浅拷贝,列表推导式
2. Python常用标准库理解正则表达式, 可以很快的完成内容的匹配过程, 标准库的使用, 使得python使用更加简单快捷
sys模块,logging模块,正则表达式的介绍,re模块的使用,配个单个字符, 匹配多个字符, 匹配开头和结尾, 匹配分组,正则表达式的演练
3. 数据结构与算法算法的学习,巩固思维逻辑, 提高代码的执行效率,理解python解释器在性能上的优缺点
时间复杂度,空间复杂度,Python内置类型性能分析,顺序表; 链表:链表和链表的应用;队列:队列概念,队列的实现与应用,双端队列; 排序和搜索算法:冒泡排序,选择排序,插入排序、快速排序,搜索,常见算法效率,散列表; 二叉树:树的引入,二叉树,二叉树的遍历,二叉树扩展
4. Linux系统使用操作系统命令行的学习, 加强对远程服务器的使用熟练度, 可以快速对接企业需求
Centos操作系统介绍与使用,Linux命令使用,查看目录命令, 切换目录命令, 绝对路径和相对路径,创建文件命令, 删除文件命令, 创建目录命名, 删除目录命令,复制文件命令, 移动文件命令, 复制目录命名, 移动目录命令,查看命令帮助, 重定向命令, Linux命令选项的使用,远程登录和远程拷贝,链接命令, 文本搜索命令,压缩命令, 解压缩命令, 文件权限命令, 管理员权限命令, 用户操作, 用户组操作,vi编辑器使用,CentOS软件安装和软件卸载
5. 网络编程和HTTP协议理解如何在网络中找到想要的唯一的主机和对接的应用软件及在网络中IP地址或端口号是如何分配的。理解网络请求的数据传输过程, 独立分析在网络中的信息传递, 解决数据传递过程中可能出现得异常情况
IP地址的介绍,端口和端口号的介绍,socket的介绍,基于TCP通信程序开发,HTTP协议介绍,HTTP通讯过程,URL, 请求报文, 响应报文, send原理,recv原理, 多任务TCP服务端编写,搭建静态web服务器案例。
6. 多任务编程掌握多任务的使用, 解决用户量大, 数据处理问题, 很好的对接企业高并发的解决
多任务介绍,进程的使用,获取进程编号, 进程执行带有参数的任务, 进程注意点,线程的使用,线程执行带有参数的任务, 线程同步与互斥锁,死锁
7. 数据库编程掌握数据库查询语句, 提取项目数据, 可以快速上手企业业务需求
数据类型和约束, where条件查询, 排序, 分页查询,聚合, 分组查询,连接查询,子查询,数据库的设计三范式及连表查询, 事务, 索引等高级用法, PyMysql的使用
课时:24天技术点:143项测验:3次学习方式:新型面授
1.掌握数据科学库的使用|2.掌握数据基本处理的方法|3.掌握机器学习中处理数据的方法|4.理解机器学习基础算法原理|5.理解机器学习进阶算法原理|6.掌握集成学习算法原理|7.对实际工作中收集到数据进行数据可视化、基本分析,提取有价值信息|8.把实际工作、生活中遇到的问题转换为可以用机器学习解决的模型|9.实现针对不同问题,选择不同算法模型,同时在该模型的基础上,对该算法进行调优
1. 人工智能概述初步认识人工智能包含范围,机器学习工作流程,训练模型评估模式,同时搭建好机器学习基础环境
人工智能概述,机器学习定义,机器学习工作流程,机器学习算法分类,回归问题,分类问题,算法模型评估,欠拟合,过拟合,准确率,MSE,Azure机器学习平台实验,深度学习基本介绍,神经网络,感知机,机器学习基础环境安装与使用
2. 科学计算库通过Matplotlib,Numpy,Pandas,Seaborn等科学计算库的介绍,学习人工智能中,数据的基本处理,可视化展示等过程。
Matplotlib架构介绍,Matplotlib基本功能实现,Matplotlib实现多图显示,Matplotlib绘制各类图形,Numpy运算优势,数组的属性,数组的形状,Numpy实现数组基本操作,Numpy实现数组运算,偏导数,极限,矩阵求导,向量,矩阵交换律,矩阵乘法,矩阵求逆,伴随矩阵,pandas基本数据操作,DataFrame,Series,MultiIndex,panel,pandas画图,文件读取和存储(Excel,CSV,SQL,HDF,Json),缺失值处理,数据离散化,数据合并,交叉表和透视表,分组和聚合,单变量图形可视化,双变量图形可视化,多变量图形可视化,类别散点图,箱线图,小提琴图,点图
3. sklearn及特征工程介绍sklearn的基本使用,机器学习中特征工程处理方法,特征预处理、特征提取,特征降维适用环境已经实现方法。
sklearn介绍,sklearn获取数据集,数据集属性介绍,数据集划分,留出法,留一法,KFold,StratifiedKFold,自助法,特征工程,特征预处理,归一化,标准化,特征提取,字典特征提取,文本特征提取,Tf-idf,特征降维,特征选择,过滤式,方差选择法,斯皮尔曼相关系数,皮尔逊相关系数,低方差特征过滤,嵌入式,交叉验证,网格搜索,模型保存和加载,维灾难
4. 机器学习基础初步认识机器学习经典算法,了解机器学习基础经典算原理,同时会使用sklearn库实现机器学习基础经典算法
KNN算法流程,欧式距离,曼哈顿距离,切比雪夫距离,闵氏距离,标准化欧式距离,余弦距离,汉明距离,杰卡德距离,马氏距离,数据的连续属性和离散属性,KNN中k值的选择,kd树,KNN算法优缺点介绍,线性回归概念和api与原理剖析,误差平方和,FGD,SGD,mini-batch,SAG,数据归一化,优化器的选择,Lasso回归,岭回归,Elastic Net,early stopping,判定边界,动态规划,sigmoid,对数似然损失,混淆矩阵,精确率,召回率,F1-score,ROC曲线,AUC指标,ROC曲线的绘制,imbalanced-learn,随机过采样,SMOTE,随机欠采样,决策树算法原理和api使用,划分选择,熵,信息增益,增益率,基尼指数,剪枝处理,预剪枝,后剪枝,ID3,CART,条件熵和交叉熵连续与缺失值处理,多变量决策树,回归决策树基本流程,回归/分类决策树的区别
5. 机器学习进阶掌握机器学习基础算法的基础上,进一步掌握机器学习进阶算法原理,能推导出朴素贝叶斯,支持向量机等算法,同时可以使用sklearn库实现
朴素贝叶斯原理和api函数,独立同分布,贝叶斯公式,拉普拉斯平滑系数,概率分布,多项式分布,高斯分布,条件概率,贝叶斯编程及A/B测试,SVM算法原理,感知机学习策略及算法收敛性,线性可分及异或不可分,对偶问题及KKT,SMO算法,软间隔与正则化,支持向量回归,核函数:最简单的核函数距离,相似性函数,常用核函数(GBF和Gassian),核函数对比,聚类算法介绍,kmeans流程和质心,k-means评价指标及优化内部指标,外部指标,优化方法(二分kmeans,kmeans++),SC系数/CH系数,极大似然估计,期望估计,极大化估计,Markov chain,可见状态链,隐含状态链,HMM算法原理,前向后向算法,Viterbi算法,Baum-Welch,MultinomialHMM
6. 集成学习熟悉集成学习中的bagging,boosting两大分支内容,同时掌握原理推导,掌握集成学习最新算法xgboost,lightGBM等内容,可以通过代码实现集成学习模型训练及调优
bagging和boosting介绍,随机森林,包外估计,无偏估计;boosting:离散型AdaBoost,实数型AdaBoost,GBDT,残差拟合,集成学习进阶-xgboost,xgboost目标函数推导,树的复杂度定义,xgboost回归树构建,xgboost与GBDT对比,通用参数,Booster参数介绍,lightGBM基本介绍,Histogram的决策树算法介绍,level-wise,leaf-wise,特征并行,数据并行
课时:22天技术点:153项测验:3次学习方式:新型面授
1.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|2.掌握深度学习在计算机视觉中的应用,包括但不限于分割检测识别等等|3.掌握实际工作中深度学习的具体流程,数据及标注处理,建模训练,及模型部署应用等|4.实现物体(人体,人脸,通用目标)检测,跟踪与识别,道路交通及工业环境险情发现等多领域的深度学习解决方案|5.能够对图像处理、人脸算法,或者对于各种深度学习框架实现的算法进行调优|6.可胜任深度学习算法工程师,图像与计算机视觉算法工程师等,并持续优化与迭代算法
1. 神经网络与TensorFlow框架该模块主要介绍tensorflow的基本使用方法,深度学习的基础知识,神经网络的构成,损失函数,优化方法等,及反向传播算法等内容
神经网络基础:神经网络的构成、激活函数、损失函数、优化方法及正则化;反向传播原理:梯度下降算法、链式法则、反向传播算法、改善反向传播算法性能的迭代法;深度学习正则化与算法优化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam;实现多层神经网络案例;Tensorflow框架基础、张量、变量;Tensorflow高级API:数据读取tf.data、模型tf.keras等
2. 图像与视觉处理介绍该模块主要介绍计算机视觉的定义,发展历史及应用场景
计算机视觉定义、计算机视觉发展历史;计算机视觉技术和应用场景、计算机视觉知识树和几大任务
3. 目标分类和经典CV网络该模块主要介绍卷积神经网络CNN,经典的网络架构,并通过分类案例介绍模型的实践方法
CNN:卷积的计算方法,多通道卷积,多卷积和卷积,池化层和全连接层;卷积网络结构:LeNet5、AlexNet、VGG、Inception/GoogleNet、残差网络;目标分类实战案例:ImageNet分类;Apache Flink极客挑战赛——垃圾图片分类
4. 目标检测和经典CV网络该模块主要介绍目标检测任务,常见数据集,及经典的两阶段和单阶段的目标检测算法,并通过目标检测案例介绍实践方法
目标检测任务与数据集介绍:检测任务目的、常见数据集、应用场景;RCNN:交并比、map、非极大抑制NMS、正负样本;SPPNet:SPP层映射;FastRCNN:ROI Pooling;FasterRCNN:RPN、代价函数、训练流程与结果分析、FPN与FasterRCNN结合;YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5:结构与工作流程、代价函数、anchor、维度聚类、细粒度与多尺度特征、先验框与代价函数;SSD:Detector & classifier、SSD代价函数、特征金字塔;目标检测实战案例:COCO数据集上目标检测
5. 目标分割和经典CV网络该模块介绍图像分割的基本任务,语义分割和实例分割,及常用的网络架构,并通过MaskRCNN完成图像的实例分割
目标分割任务类型、数据集;全卷积FCN网络:网络结构、跳级连接、语义分割评价标准、结果分析;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;
6. OpenCV库与图像处理基础该模块主要介绍基本的图像处理方法,包括灰度变换,几何变换,形态学变换等内容
基本的OpenCV代码、IplImage数据结构、读写图像;基本的灰度变换函数;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
7. OpenCV库与图像处理进阶该模块主要介绍经典的边缘检测方法,常见的特征检测与描述方法及基础的视频处理方法
边缘检测技术:边缘检测的目的和模型、噪声、导数算子、Marr-Hildreth边缘检测器、基于模板的边缘检测、Canny Edge边缘检测器、Shen-Castan(ISEF)边缘检测器、彩色边缘、OpenCV边缘检测操作;特征检测和描述:哈里斯角点检测、Shi-Tomasi角落探测器、SIFT、SURF、FAST、ORB、霍夫变换;视频操作:读取摄像头、读取视频、视频写入
课时:22天技术点:138项测验:3次学习方式:新型面授
1.pytorch工具处理神经网络涉及的关键点|2.掌握NLP领域前沿的技术解决方案|3.掌握NLP相关知识的原理和实现|4.掌握传统序列模型的基本原理和使用|5.掌握非序列模型解决文本问题的原理和方案|6.能够使用pytorch搭建神经网络|7.构建基本的语言翻译系统模型|8.构建基本的文本生成系统模型|9.构建基本的文本分类器模型|10.使用ID-CNN+CRF进行命名实体识别|11.使用fasttext进行快速的文本分类|12.胜任多数企业的NLP工程师的职位
1. Pytorch框架与NLP入门该章节主要讲述当下的最主流的深度学习框架之一:pytorch,同时,借助pytorch基础知识使大家对NLP进行入门,了解NLP在整个人工智能市场的主要应用方向,如对话,翻译,分类,生成等,助力大家开启NLP学习之旅。
Pytorch介绍,张量概念,张量运算,反向传播,梯度,自动梯度,参数更新,数据加载器,迭代数据集,经典案例,对话系统简介,NLU简介,文本生成简介,机器翻译简介,智能客服介绍,机器人写作介绍,作文打分介绍
2. 文本预处理该章节主要讲述NLP最基础的部分:对文本的预处理过程,这是所有文本任务训练前都需要进行的步骤,使得文本能够有效的被张量进行表示,最终输入到模型之中进行预测。
文本处理的基本方法,文本张量表示方法,文本语料的数据分析,文本特征处理,数据增强方法,分词,词性标注,命名实体识别,one-hot编码,Word2vec,Word Embedding,标签数量分布,句子长度分布,词频统计与关键词词云
3. RNN及变体该章节主要讲述NLP中非常经典的RNN模型及其变体,LSTM,GRU,Bi-LSTM,Bi-GRU等,它们用于各种不同的文本处理场景,发挥自身的结构优势,已完成最终预测目标。
传统RNN,LSTM,Bi-LSTM,GRU,Bi-GRU,新闻分类案例,机器翻译案例,seq2seq,遗忘门,输入门,细胞状态,输出门,更新门,重置门
4. Transfomer原理该章节主要讲述当下NLP中大型模型的基础组建:Transformer,它是BERT,ALBERT,XLNET等大型模型的基础,代表最先进的模型架构,同时也是Google BERT横扫所有NLP指标的秘诀,我们将学习它作为之后项目应用的基础。
输入部分,输出部分,编码器部分,解码器部分,线性层,softmax层,注意力机制,多头注意力机制,前馈全连接层,规范化层,子层连接结构,语言模型,wikiText-2数据集,模型超参数,模型的训练,模型验证
5. 传统的序列模型这是传统的NLP序列模型,它们代表了NLP发展的关键时代,早期的NLP依托这两种模型进行序列预测,虽然它们正在逐渐淡出历史舞台,现在我们仍要温习其原理,感受新的启发。
HMM原理,HMM实现,HMM优劣势,CRF原理,CRF优劣势,CRF与HMM区别,CRF实现,HMM历CRF历史,HMM现状,CRF现状
6. 迁移学习这是当下最关键的NLP应用方向,也是人工智能可见未来的发展方向,学习有关迁移学习的知识,将是最有价值的部分,之后几乎所有的项目都会围绕它来展开。
fasttext工具,进行文本分类,CBOW模式,skip-gram模式,预训练模型,微调,微调脚本,训练词向量,模型调优,n-gram特征,CoLA 数据集,SST-2 数据集,MRPC 数据集,BERT,GPT,GPT-2,pytorch.hub
课时:13天技术点:150项测验:2次学习方式:新型面授
1.利用卡尔曼滤波最优滤波方程对建立的交通流系统状态方程、观测方程|2.采用背景差分法对在检测区的车辆进行检测和跟踪|3.利用DGPS/DR组合车辆定位中各子系统的模型对车辆定位提高精度|4.利用Haar Adaboost 自定义目标检测对过往的车辆进行检测、计数和分类|5.Haar Adaboos与粒子滤波技术|6.车辆外形标注,识别,训练的工程化方法实践|7.利用CV,CA,CTRA,CTRV等高级运动模型构造卡尔曼滤波实现车流跟踪|8.基于迁移学习的其它类型识别模型训练
智能交通项目是一个可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的深度学习项目,“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,在视频中可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。
特定目标车辆跟踪Siamese系列模型的解决方案 SORT/DeepSORT算法多目标车辆跟踪解决方案 建立交通流系统状态和观测状态的解决方案 车辆检测、计数和分类解决方案 图像去畸变的解决方案 实时车道线检测的解决方案
1.项目概述:系统架构设计、项目关键技术说明|项目业务需求分析、项目业务流程设计| 2.环境部署:系统介绍项目开发环境概述、Tensorflow框架、项目工程文件创建|项目开发环境配置、项目性能优化设置|视频数据源的Python读入及逐帧识别|交通流量解决方案分析及数据源处理| 3.道路车辆跟踪及流量统计项目流程方案:业务理解,任务拆解|目标检测模型实现|图像理解框架及马尔方法|图像视频理解:运动目标检测与跟踪主流工程实践方法|视频背景建模与前景选取实践| 4.车辆跟踪核心技术:背景建模实现:基于视频的运动目标分割|前景探测:运动目标车辆的检测与跟踪|基于光流的目标跟踪实践|基于均值偏移的目标跟踪实践|基于粒子滤波的目标跟踪实践|卡尔曼滤波实践| 5.流量统计核心技术:首先采用背景差分法和卡尔曼滤波算法对在检测区的车辆进行检测和跟踪|使用经过检测、处理的被测车辆图像触发距其最近的相机进行图形分割|通过LDA分类器对分段车辆的几何形状及外观特征进行正确地分类|实现滤波,参照DELOS算法实现对城市快速路的事故检测| 6.模型训练及项目主流程: 车辆区域特征样本标注|车辆检测模型训练及测试|深度学习CNN建模,建立车辆分类器|系统逐帧采集视频图像并检测车辆|为检测到每个车辆目标初始化卡尔曼滤波器,通过卡尔曼滤波器逐帧匹配目标进行位置预测|对比检测位置与预测位置,逐帧链接前景图像,获取车辆的跟踪路径| 7.项目总结:HEVC压缩域等的车流量检测应用优劣比较总结|帧间差分法、图像阈值分割和数学形态学的运动目标检测方法总结|结合智能优化算法对其改进的遗传算法—克隆选择遗传算法比较总结|
课时:12天技术点:90项测验:2次学习方式:新型面授
1.掌握EigenFace,FisherFace,LBPH及人脸双属性图|2.掌握Hausdorff距离的动态人脸图像定位|3.掌握PCA、ICA、LDA和EP在人脸识别上的综合运用|4.掌握基于PyQt5的GUI编程模块及信号槽机制|5.利用人脸检测,扫描”加“判别”在图像范围内扫描,再逐个判定候选区域是否是人脸|6.利用状态判别,能识别出人脸的性别、表情等属性值|7.利用人脸识别,识别出输入人脸图对应身份的算法,找出“一个”与输入特征相似度最高的特征|
实时人脸识别项目是一个基于深度学习的可通过实时摄像头采集视频人脸数据,也可以进行批量图片输入进行批量自动化识别人脸,对于视频输入,可实现人脸的跟踪,标注姓名,性别,情绪(开心,生气,自然)等信息并对进入视频的陌生人进行报警的系统实战项目。
实时采集摄像头人脸视频的解决方案 利用深度学习方法进行人脸属性提取的解决方案 动态图像人脸定位的解决方案 利用深度神经网络进行人脸实时识别跟踪的解决方案
1.项目概述:系统架构设计、项目关键技术说明|项目业务需求分析、项目业务流程设计| 2.环境部署:系统介绍项目开发环境概述、DLib框架源码编译、项目工程文件创建|项目开发环境配置、项目性能优化设置|基于PyQt5的GUI编程模块及信号槽机制|人脸识别解决方案分析及数据源处理| 3.人脸识别项目流程方案 业务理解,任务拆解|目标检测模型实现|目标关键点模型实现:输入标注数据、数据预处理、数据增强|人脸校正实现及目标条件分析|识别模型实现:人脸对齐、人脸比对和活体检测等全部技术环节的代码设计、运行演示和执行结果输出|模型验证:检测、关键点回归、识别验证方案| 4.人脸识别核心技术:基于Dlib与OpenCV等的核心技术流梳理|实时人脸特征点对齐,人脸比对的实现|实时活体检测:眨眼与张嘴实现|实时视频采集及图片抓拍的实现|实现视频抓拍:逐帧抓取,逐帧识别|人脸检测HOG及特征点检测ERT| 5.静态人脸识别系统:通用形变模型的创建:轮廓特征点的选取及变形模型|人脸局部特征探测:逐步求精定位法|数学算子及模板的构建和探测:眼睛,嘴巴和鼻子模型|人脸图像的双属性图| 6.动态人脸识别系统:动态人脸识别系统框架及马尔科夫训练模型|Hausdorff距离的动态人脸图像定位|特征子空间与动态图像分割|人脸区域检测和人脸特征点标定的算法实现机制|动态人脸图像识别中外界影响的处理| 7.模型训练及测试:人脸区域特征样本标注|人脸检测模型训练及测试|人脸特征点样本标注|人脸特征点模型训练及测试|人脸识别之EigenFace|人脸识别之FisherFace及Gabor算法|人脸识别之LBPH| 8.项目总结:PCA、ICA、LDA和EP在人脸识别上的应用优劣比较总结|Dlib人脸检测器模块优化提升方法总结|整体方案前向推断集成总结|局部特征分析技术,模板匹配,图匹配技术优化方案总结|
课时:13天技术点:100项测验:2次学习方式:新型面授
1.基于大规模知识图谱技术与自然语言处理在医疗领域的应用场景|2.基于语音识别与语音生成技术的与患者语音沟通的交互方式|3.基于微服务架构的人工智能产品|4.基于端到端以及结合知识库的多轮多任务对话系统网络结构|5.掌握数据清洗以及知识抽取、知识图谱构建|6.掌握图数据库neo4j相关技术点及基本操作|7.掌握Pipeline方式与end-to-end流程设计方式以及不同|8.掌握mem2seq模型论文到代码实现方案|9.掌握微信公众号接口开发以及第三发api接口集成|
在线医生项目是一个基于自然语言理解方向的问答机器人。类似的应用,还有百度地图的小度、天猫精灵、淘宝小蜜,招商银行的小招等。该项目结合医学知识图谱、深度学习、对话管理、微信公众号开发等技术,旨在降低首医成本,为患者提供基本医学诊断意见服务。技术层面包含语音识别、自然语言理解、对话管理以及自然语言生成等环节,其中又包含领域识别,用户意图识别,槽位填充,对话状态追踪,对话策略等技术细节。功能上为患者提供根据症状信息给出诊断意见任务与就近治疗任务。通过学习该课程,学生可以了解多轮多任务对话系统的技术点以及业务流程
医疗领域NER解决方案 对话主题相关解决方案 微信端服务部署解决方案 对话管理系统与AI结合解决方案
1.项目介绍:生活类任务对话系统介绍|在线医生项目介绍| 2.聊天机器人入门:申请公众号、搭建微信开发环境|安装werobot以及常用接口实现|Demo:你说我学与图尚往来|案例:配置自己的机器人| 3.数据爬取:爬取专业医疗知识网站|数据筛选,清理不完备数据|数据提取定位以及知识抽取数据准备|医学问答数据提取|疾病、症状知识抽取| 4.医学知识图谱: 知识图谱介绍|知识图谱在医疗领域的应用|知识存储各大厂商介绍|Neo4j安装环境搭建|Python调用neo4j并完成数据插入与查询操作|案例:完成基于知识图谱的对话机器人| 5.医学命名实体识别:命名实体识别介绍|命名实体识别在医学方面的应用|BiLSTM+CRF模型原理介绍|BiLSTM+CRF模型实现|IDCNN模型原理介绍|IDCNN模型实现|案例:疾病与症状命名实体识别| 6.任务对话系统(Pipeline方法): 任务对话系统介绍|自然语言理解介绍-领域识别|自然语言理解介绍-用户意图识别|语义槽介绍以及在任务对话系统中的作用|语义槽设计|命名实体识别在语义槽中的应用|语义槽实现|对话管理-对话状态追踪介绍|对话状态追踪实现|对话管理-对话策略介绍|对话策略实现|项目:基于pipeline的对话系统实现| 7.论文学习与转化:Mem2seq的来龙去脉以及论文解读|模型对比:包括与seq2seq以及+attention|准备训练数据|Mem2seq模型实现| 8.任务对话系统(end-to-end方法):端到端对话系统介绍|基于端到端模型Mem2seq的项目介绍|项目:基于端到端的任务对话系统部署上线|
课时:12天技术点:80项测验:2次学习方式:新型面授
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|
中文标签化系统是NLP基础任务的综合系统,同时又是NLP应用的基础设施。根据文本信息,给出对应的预定义标签将能够有效的支持用户画像,推荐系统等。同时,对于高阶NLP任务,如对话,翻译,寓意蕴含等在语料分类上将有很大的帮助。
大规模快速文本分类解决方案 多模型并行预测解决方案 分布式模型训练解决方案 多标签知识图谱构建解决方案
1.整体系统概述与搭建:背景介绍|环境配置|输入预处理|输出规范处理| 2.构建标签词汇图谱:标签的制定|词汇的采集|构建图谱|实现查询与修改逻辑|基于模型的权重更新| 3.fasttext模型与特征工程:fasttext发展简介|fasttext模型结构与参数解析|fasttext的选用原因|n-gram特征使用| 4.损失函数与优化方法:fasttext的损失函数解析|fasttext的优化方法解析|使用keras实现fasttext| 5.多模型训练服务:单模型训练流实现|多模型训练服务搭建|多模型训练API开发|算力资源分配设计原理|算力资源分配主逻辑实现|多模型训练服务实验与部署| 6.单模型微服务部署:模型格式详解|h5格式如何转为pb格式|使用tensorflow-seving封装| 7.多模型预测服务:模型预测主服务搭建|多线程与多进程的比较|模型并行预测的实现|
课时:8天技术点:89项测验:1次学习方式:新型面授
1.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,模式识别,概率统计、最优化等算法原理及应用|3.基于3D点云数据,进行配准、分割和特征识别等算法开发,建立3D点云图处理的算法模型|4.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|5.深入理解算法和模型调优方式及优缺点|6.综合运用经典SLAM技术,多视角几何基础理论以及三维重建方法进行业务实践
1. 自编码器了解自编码器应用举例、欠完备自编码器、正则自编码器、及其表示能力、层的大小和深度
自编码器,解码器、去噪自编码器、变分自编码器、实践案例
2. 对称权重与深度置信网络了解随机神经元-玻尔兹曼机,终身学习及实现综合实操演练
积极学习-Hopfield网络、能量函数、Hopfield网络的容量、连续Hopfield网络,终身学习
3. 进化学习初步掌握进化学习、遗传算法等的特点及缺陷、并会用遗传算法训练神经网络
遗传算法,遗传算子,背包问题
4. 分布式机器学习初步了解分布式机器学习理论,模型及分布式机器学习算法
分布式机器学习基础,分布式机器学习系统
5. 强化学习了解常见的动态规划算法:值迭代、策略迭代、线性规划算法,并实现强化学习实践。
学习情境与马尔科夫决策过程, 策略值、策略评估、最优策略, 随机逼近、TD(0)算法、Q-学习算法、SARSA、TD(λ)算法 、大状态空间
6. 数据结构强化重点掌握深度优先搜索、寻找路径、广度优先搜索、连通分量、符号图, 有向图, 最小生成树, Prim算法、 Kruskal算法,及最短路径算法的理论基础
Dijkstra算法, 图论初步, 动态规划初步, 贪心算法、贪心算法原理、赫夫曼编码、拟阵和贪心算法
7. 立体视觉与SLAM了解计算机视觉基础知识及深度学习的立体视觉匹配相关内容及常见的标定方法;了解相关视觉SLAM案例实践:例如三维空间刚体运动、相机与图像基本操作、非线性优化、视觉测量等;
针孔模型、双目模型及极线几何、多摄像机模型;内外参数的标定、畸变及矫正、常见的标定方法、zhang氏标定、空间坐标系的转换;3D视觉任务、射影几何学基础、单透视摄像机、从多视图重建场景、双摄像机和立体感知、三摄像机和三视张量
8. 点云处理了解点云处理技术的基础理论,点云数据的重建方法及点云数据及模型的质量评价方法
点云处理技术基础理论、点云数据的重建方法,点云数据的获取,点云去噪、压缩、配准方法,点云插值方法,误差传播模型,质量评定方法;
课程名称:主要针对:主要使用开发工具:
课程名称
人工智能AI进阶班
课程推出时间
2021.02.01
课程版本号
2.0
主要针对
python3 & python2
主要使用开发工具
linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s
课程介绍
AI理论方面: 通过最新开发的文本摘要项目、红足1世手机版大脑项目, 提升学员复杂模型训练和优化的能力。
AI工程化方面: 新增的算法工程化讲座, 直接面向一线公司实际开发场景和需求, 比如服务日志, A/B测试, Git提交, Docker, K8S部署等, 让学员亲临公司场景, 求职后更好的无缝衔接进企业级开发。
AI新热点和趋势: 通过增加量化、剪枝、知识蒸馏、迁移学习等一线优化技术, 让学生有更多处理问题的武器和思路;增加知识图谱热点、mmlab框架热点、YOLO1~5算法系列,能更好的匹配业界需求。
课程消化吸收方面:V2.0在V.1.x版本基础上迭代更新,注重专业课的消化吸收,降低学习难度,提升就业速度、就业质量。
1
新增NLP方向【文本摘要项目】:自动完成文本信息的主题提取,中心思想提取,可以类比京东,当当网的商品自动宣传文案;快速的将主要信息展示给用户, 广泛应用于财经, 体育, 电商, 医疗, 法律等领域。基于seq2seq + attention的优化模型,基于PGN + attention + coverage的优化模型,基于PGN + beam-search的优化模型,文本的ROUGE评估方案和代码实现:weight-tying的优化策略、scheduled sampling的优化策略。
1
新增AI基础设置类项目【红足1世手机版大脑】,目前提供AI前端功能展示、AI后端模型部署、AI在线服务、AI模型训练功能等系统功能。AI开发服务提供了信息中心网咨辅助系统,文本分类系统、考试中心试卷自动批阅系统、CV统计全国开班人数等系统;综合NLP、CV和未来技术热点。
1
新增CV方向【人流量统计项目】:以特定商场、客服场景对人流量进行分析和统计。掌握mmlab框架、核心模块MMDetection;resnet骨架网络特征提取,SSD网络和Cascade R-CNN网络目标检测;利用剪枝,压缩和蒸馏等方法减小模型规模;完成前后端部署(Flask + Gunicorn)、模型部署(ONNX-runtime技术)。
1
优化NLP方向【AI在线医生项目】: 两个离线模型 (命名实体审核模型, 命名实体识别模型)的优化,提升准确率, 召回率,F1的效果。 一个在线模型 (句子主题相关模型)的优化, 重在量化, 压缩, 知识蒸馏, 提升处理速度并展示对比测试实验。
1
新增知识图谱热点案例:知识图谱编程、深化neo4j中的cypher代码, 相关案例。
1
新增计算机视觉目标检测热点算法YoLov1~v5 V1~V5模型的网络架构、输入输出、训练样本构建,损失函数设计;模型间的改进方法;多尺度检测方法、先验框设计;数据增强方法、多种网络架构及设计不同模型的方法。
1
优化计算机视觉专业课:RCNN系列网络进阶课程:FasterRCNN目标检测的思想,anchor(锚框)设计与实现,掌握RPN网络是如何进行候选区域的生成的,掌握ROIPooling的使用方法掌握fasterRCNN的训练方法,掌握RCNN网络的预测方法。
1
新增AI算法工程化专题:10个子案例展示算法工程化中的实际工程问题, 企业真实开发中的问题和解决方案。研发, 测试环境的异同, 服务日志的介绍和实现, A/B测试,模型服务风险监控,在线服务重要指标,Git提交与代码规范化,正式环境部署(Docker, K8S),,数据分析与反馈。
1
友情提示更多学习视频+资料+源码,请加QQ:2632311208。
课程名称
人工智能AI进阶班
课程推出时间
2020.6.1
课程版本号
1.5
主要针对版本
python3 & python2
主要使用开发工具
linux+PyCharm+Pytorch+Tensorflow
课程介绍
以周为单位迭代更新课程,包括机器学习、自然语言处理NLP、计算机视觉、AI算法强化等课程。同时为了更好的满足人工智能学员更快速的适应市场要求,推出了自然语言处理NLP案例库、计算机视觉CV案例库、面试强化题等等。同时也增加职业拓展课,学生学习完AI课程以后,可在职学习:推荐系统、爬虫、泛人工智能数据分析。
1
新增计算机视觉CV案例库
1
新增自然语言处理案例库
1
新增AI企业面试题
1
新增算法强化课程
1
新增计算机视觉强化课
课程名称
人工智能AI进阶班
课程推出时间
2019.12.21
课程版本号
1.0
主要针对版本
Python3 & Python2
主要使用开发工具
linux+PyCharm+Pytorch+Tensorflow
课程介绍
人工智能赋能实体产业的规模以每年40%的速度递增,人工智能人才在计算机视觉CV、自然语言处理NLP、数据科学的推荐广告搜索的需求越来越明确。红足1世手机版教育研究院经过2年潜心研发,萃取百余位同行经验,推出全新的人工智能1.0课程。全新的人工智能课程体系具有以下优势:
1)六个月高级软件工程师培训课程。精准定位、因材施教,人工智能和Python开发分成两个不同的班型进行授课。
2)理论+实践培养AI专精型人才。如何培养人才达到企业的用人标准?红足1世手机版教育提出了课程研发标准:1、AI理论方面,培养学员AI算法研究能力:AI算法实用性、先进性、可拓展性;2、AI实践方面,培养学员利用AI理论解决企业业务流的能力。
3)多领域多行业项目,全生态任性就业。设计多领域多行业项目有:智能交通项目(CV)、 实时人脸检测项目(CV)、在线AI医生项目(NLP)、智能文本分类项目(NLP)、泛娱乐推荐项目(CV+推荐)、CT图像肺结节自动检测项目(CV)、小智同学-聊天机器人(NLP)、场景识别项目(CV)、在线图片识别-商品检测项目(CV)、黑马头条推荐系统(推荐+数据科学)。
4)AI职业全技能(NLP、CV、数据科学-推荐广告搜索),涵盖8大主流就业岗位。视觉处理工程师(CV)、自然语言处理工程师(NLP)、推荐系统工程师、机器学习工程师、深度学习工程师、数据分析工程师、数据挖掘工程师、知识图谱工程师。
5)课程设置科学合理,适合AI技术初学者。
6)技术大牛倾力研发,专职沉淀AI新技术。
1
新增机器学习进阶课程
1
新增计算机视觉项目:实时人脸检测项目、智能交通项目
1
新增自然语言处理NLP项目:在线AI医生项目、智能文本分类项目
1
新增算法强化课程:进化学习、分布式机器学习、数据结构强化
10余年来,红足1世手机版的老师始终秉承着“为中华民族伟大复兴而讲课,
为千万学生少走弯路而著书”的使命,已经向IT产业培养了30余万名IT高精尖人才
红足1世手机版教育广纳互联网技术精英,构建实力强大的技术大牛团队
红足1世手机版课改团队,克服重重艰难,终让梦想照进现实
心系前端未来,一路勇往的红足1世手机版人
用爱成就每一位学生
心系学员,用爱与奉献践行公司使命
做教育,就是对每一位学生负责【讲师篇】
扎根教学一线,潜心授课育人
品质教育,匠心打磨【JavaEE篇】
红足1世手机版教育广纳互联网技术精英,构建实力强大的技术大牛团队
16级标准严选专职课研老师,严控课程研发质量
大厂背景,技术深度、广度,大型项目经验
背景调查,技术360°鉴定 ,新课题设计 ,课程随机演绎,职业定位、发展规划
教育情怀、价值观,进取精神、培养潜力
CEO审核,信息存档
课研人员素质考核视频录制考核
课程设计考核课堂试炼考核
大纲设计考核产品全方位审评
讲义撰写考核考核答辩
平台、组件
技术开源历练
技术私享会
大牛技术沙龙
企业对对碰
技术共享
以“五库模式”为基础,打造真实企业级研发体系
应用市场调研+大数据分析
获取前沿发展方向
提出前沿热门课题
完成深入原理剖析+技术攻坚
保障课程前瞻性
来自华为、IBM等百人大牛团
每年耗资亿元
研发行业标杆优质课程
基于市场主流技术
研发解决方案
应对职场常见技术难题
基于热门行业领域
联合大牛顾问团
研发“大厂级”深度项目
源源不断引进大厂技术大牛,课程与企业需求实时接轨
专职教学团队 讲师筛选标准
业务技能、性格特色、沟通能力
框架能力、底层原理、性能与安全、算法与数据结构
课程设计、授课逻辑互动与交互、代码规范
抗压能力、学习动力、专业程度、培养潜力
定制个性化考核方案教育心理考核
讲师素质考核教学方法考核
排课、备课产出物考核课堂试讲考核
视频录制考核正式授课答辩
每日授课
学员满意度打分
阶段课程实施
评审组审核
红足1世手机版培训院
多维培养计划
讲师专属
晋升通道
专职教学团队 三大教法标准
技术定义纯罗列,理解困难
引入故事场景,好理解
复杂概念记不住,难以吸收
代码结合剧情,易吸收
抽象概念不理解,无法应用
深入原理讲解,牢掌握
扫描二维码,深度体验教学法
Objective(目标)具体要交付给学生的能力,学生可以用来解决具体的问题
Path(路径)基于学生既有知识储备,设计学习线路
Expeirence(体验)按照路径顺序授课,主线清晰,保证学习体验
Note(落地结论)交付给学生经过提炼的知识干货,降低复习难度,提高学习效率
1. 规避常见授课问题
2. 授课结构好、清晰度高
3. 授课标准化、可量化、可衡量
4.用更短的时间授课,给学生更多的时间练习
5. 缩短老师培养周期,提升授课质量
6. 提供风格统一的教学视频,学生吸收更迅速
专职教学团队 授课老师履历
点击加载更多 >>
北京校区JavaEE第652期毕业学员
9970元/月平均薪资
15900元/月最高薪资
100%就业率
58人月薪过万
*学员就业信息统计数据为数据库中实时调取的真实相关数据,非广告宣传
● 人工智能推出计算机视觉项目:智能交通、实时人脸识别、计算机视觉案例库提升AI学员就业核心竞争力
● 人工智能推出自然语言处理NLP项目:在线AI医生项目、智能文本分类项目提升AI学员就业核心竞争力
● 引入京东、阿里等大厂一线技术人员,为打造优质课程体系提供技术支撑
● Python开发推出10+多行业多领域项目
● 人工智能推出10+多行业多领域项目
● Python+人工智能分为两个班型Python开发特训班、人工智能AI进阶班
● 2019年12月21日,人工智能AI进阶班,首期线下开班
● Python开发方面引入反爬虫、Python数据持久化、异步IO、内存缓存、项目部暑专项课
● Python开发方面引入自动化测试和自动化运维课程体系
● 人工智能方面引入数据科学推荐系统、数据分析课程、NLP相关课程体系
● 扩大研发队伍,加强研发力度,独创了N+12 教学新模式
● 跟进新技术、新领域,为学员提供免费长期的学习服务
● 2017年1月率先引入爬虫项目,提升课程广度和深度,更加贴切市场需求
● 2017年5月率先引入深度学习课程,培养大批PythonWeb和人工智能人才
● 2016年7月,红足1世手机版播客Python+人工智能学院成立
● 2016年4月16日,从80名C++学员中筛选30名同学,培训Python开发,并以百分百的就业率完成试运营
● 2016年8月8日,Python+人工智能班,首期线下开班