教育行业A股IPO第一股(股票代码 003032)

全国咨询/投诉热线:400-618-4000    举报邮箱:mc@itcast.cn

课程大纲

  1. 基础班

    1. Python编程基础

  2. 就业班

    1. Python编程进阶 2. 数据处理与统计分析 3. 机器学习与多场景项目实战 4. 金融风控项目 5. 数据挖掘项目实战 6. 深度学习基础 7. 自然语言处理基础 8. ChatGPT技术深入浅出 9. 文本摘要与传智大脑项目二选一 10. 知识图谱与投满分项目二选一 11. 泛娱数据关系抽取项目实战 12. 面试加强 13. 计算机视觉基础 14. 人脸支付项目、智慧交通项目二选一

  3. 人工智能开发 V4.0版本

  • Python编程基础基础班 1

    课时:8天 技术点:85项 测验:1次 学习方式:线下面授

    学习目标

    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

    主讲内容

    1. Python基础语法零基础学习Python的开始,包含了以下技术点:

    01_变量| 02_标识符和关键字| 03_输入和输出| 04_数据类型转换| 05_PEP8编码规范| 06_比较/关系运算符| 07_if判断语句语法格式| 08_三目运算符| 09_while语句语法格式| 10_while 循环嵌套| 11_break 和 continue| 12_while 循环案例| 13_for循环

    2. Python数据处理掌握Python的数据类型,并对其进行操作处理,包含了以下技术点:

    01_字符串定义语法格式| 02_字符串遍历| 03_下标和切片| 04_字符串常见操作| 05_列表语法格式| 06_列表的遍历| 07_列表常见操作| 08_列表嵌套| 09_列表推导式| 10_元组语法格式| 11_元组操作| 12_字典语法格式| 13_字典常见操作| 14_字典的遍历

    3. 函数能够实现Python函数的编写,包含了以下技术点:

    01_函数概念和作用、函数定义、调用| 02_函数的参数| 03_函数的返回值| 04_函数的注释| 05_函数的嵌套调用| 06_可变和不可变类型| 07_局部变量| 08_全局变量| 09_组包和拆包、引用

    4. 文件读写能够使用Python对文件进行操作,包含了以下技术点:

    01_文件的打开与关闭、文件的读写| 02_文件、目录操作及案例| 03_os模块文件与目录相关操作

    5. 异常处理主要介绍了在Python编程中如何处理异常,包含了以下技术点:

    01_异常概念| 02_异常捕获| 03_异常的传递

    6. 模块和包主要介绍了Python中的模块和包的体系,以及如何使用模块和包,包含了以下技术点:

    01_模块介绍| 02_模块的导入| 03_包的概念| 04_包的导入| 05_模块中的__all__ | 06_模块中__name__

  • Python编程进阶就业班 1

    课时:7天 技术点:98项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握网络编程技术,能够实现网络通讯| 2.知道通讯协议原理| 3.掌握开发中的多任务编程实现方式| 4.知道多进程多线程的原理

    主讲内容

    1. 网络编程主要学习通讯协议,以及Python实现TCP、HTTP通讯,包含了以下技术点:

    01_IP地址的介绍| 02_端口和端口号的介绍| 03_TCP的介绍| 04_Socket的介绍| 05_TCP网络应用的开发流程| 06_基于TCP通信程序开发|

    2. 多任务编程主要学习Python中多线程、多进程,包含了以下技术点:

    01_多任务介绍| 02_多进程的使用| 03_多线程的使用| 04_线程同步|

    3. 高级语法主要学习Python的高级语法,包含以下技术点:

    01_闭包| 02_装饰器| 03_正则

    4. Python数据结构主要学习主要查找算法、排序算法、关键数据结构

    01_时间复杂度| 02_线性表| 03_链表| 04_常用数据结构

  • 数据处理与统计分析就业班 2

    课时:10天 技术点:115项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握Linux常用命令,为数据开发后续学习打下的良好基础| 2.掌握MySQL数据库的使用| 3.掌握SQL语法| 4.掌握使用Python操作数据库| 5.掌握Pandas案例| 6.知道会图库使用| 7.掌握Pandas数据ETL| 8.掌握Pandas数据分析项目流程

    主讲内容

    1. Linux掌握Linux操作系统常用命令和权限管理

    01_Linux命令使用| 02_Linux命令选项的使用| 03_远程登录和远程拷贝| 04_Linux权限管理| 05_vi编辑器使用| 06_集群搭建准备

    2. MySQL与SQL零基础小白通过MySQL数据库,掌握核心必备SQL,包含了以下技术点:

    01_数据库概念和作用| 02_MySQL数据类型| 03_数据完整性和约束| 04_数据库、表基本操作命令| 05_表数据操作命令| 06_where子句| 07_分组聚合| 08_连接查询| 09_外键的使用| 10_Pymysql

    3. Numpy矩阵运算库Numpy矩阵运算库技术,包含以下技术点:

    01_Numpy运算优势,数组的属性,数组的形状|02_Numpy实现数组基本操作|03_Numpy实现数组运算,矩阵乘法,矩阵求逆,伴随矩阵

    4. Pandas数据清洗Pandas数据清洗技术,包含以下技术点:

    1.数据组合:01_Pandas数据组合_concat连接;02_Pandas数据组合_merge数据;03_Pandas数据组合_join| 2.缺失值处理:01_缺失值处理介绍;02_缺失值处理_缺失值数量统计;03_缺失值处理;04_缺失值处理_删除缺失值;05_缺失值处理_填充缺失值| 3.整理数据| 4.Pandas数据类型| 5.apply函数:01_Series和DataFrame的apply方法;02_apply使用案例

    5. Pandas数据整理Pandas数据处理技术,包含以下技术点:

    1.数据分组: 01_单变量分组聚合; 02_通过调用agg进行聚合; 03_分组后transform; 04_transform练习| 2.Pandas透视表: 01_透视表概述&会员存量增量分析; 02_会员增量等级分布; 03_增量等级占比分析&整体等级分布; 04_线上线下增量分析&地区店均会员数量; 05_会销比计算; 06_连带率计算; 07_复购率计算| 3.datetime数据类型: 01_日期时间类型介绍; 02_提取日期分组案例; 03_股票数据处理; 04_datarange函数; 05_综合案例

    6. Pandas数据可视化Pandas数据可视化技术,包含以下技术点:

    1.Matplotlib可视化| 2.Pandas可视化| 3.Seaborn可视化|

    7. Pandas数据分析项目利用所学的Python Pandas,以及可视化技术,完成数据处理项目实战

    RFM客户分群案例: 01_RFM概念介绍| 02_RFM项目_数据加载和数据处理| 03_RFM项目_RFM计算| 04_RFM项目_RFM可视化| 05_RFM项目_业务解读和小结|

  • 机器学习与多场景项目实战就业班 3

    课时:10天 技术点:153项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握机器学习算法基本原理| 2.掌握使用机器学习模型训练的基本流程| 3.掌握Sklearn,Jieba,Gensim等常用机器学习相关开源库的使用| 4.熟练使用机器学习相关算法进行预测分析| 5.掌握数据分析常用思维方法| 6.熟练使用各种数据分析工具进行数据提取与数据展示| 7.熟练运用常用数据分析模型解决业务问题

    主讲内容

    1. 机器学习该部分主要学习机器学习基础理论,包含以下技术点:

    01_人工智能概述| 02_机器学习开发流程和用到的数据介绍| 03_特征工程介绍和小结| 04_机器学习算法分类| 05_机器学习模型评估| 06_数据分析与机器学习

    2. K近邻算法该部分主要学习机器学习KNN算法及实战,包含以下技术点:

    01_K近邻算法基本原理| 02_K近邻算法进行分类预测| 03_sklearn实现knn| 04_训练集测试集划分| 05_分类算法的评估| 06_归一化和标准化| 07_超参数搜索| 08_K近邻算法总结

    3. 线性回归该部分主要学习机器学习线性回归算法及实战,包含以下技术点:

    01_线性回归简介| 02_线性回归API使用初步| 03_导数回顾| 04_线性回归的损失函数和优化方法| 05_梯度下降推导| 06_波士顿房价预测案例| 07_欠拟合和过拟合| 08_模型的保存和加载| 09_线性回归应用-回归分析

    4. 逻辑回归该部分主要学习机器学习逻辑回归算法及实战,包含以下技术点:

    01_逻辑回归简介| 02_逻辑回归API应用案例| 03_分类算法评价方法| 04_逻辑回归应用_分类分析

    5. 聚类算法该部分主要学习机器学习聚类算法及实战,包含以下技术点:

    01_聚类算法的概念| 02_聚类算法API的使用| 03_聚类算法实现原理| 04_聚类算法的评估| 05_聚类算法案例

    6. 决策树该部分主要学习机器学习决策树算法及实战,包含以下技术点:

    01_决策树算法简介| 02_ 决策树分类原理| 03_特征工程-特征提取| 04_ 决策树算法api| 05_ 决策树案例

    7. 集成学习该部分主要学习机器学习集成算法算法及实战,包含以下技术点:

    01 集成学习算法简介| 02 Bagging和随机森林| 03 随机森林案例| 04 Boosting介绍| 05 GBDT介绍| 06 XGBOOST介绍| 07 LightGBM介绍

    8. 机器学习进阶算法该部分主要学习机器学习高阶算法及实战,包含以下技术点:

    01 SVM| 02 朴素贝叶斯

    9. 用户画像案例多场景项目实战部分,包含以下技术点:

    01_用户行为分析| 02_用户画像标签分类| 03_统计类标签| 04_用户分群模型| 05_用户流失预测

    10. 电商运营数据建模分析案例电商多场景项目实战部分,包含以下技术点:

    01_零售销售报表| 02_数据探索性分析| 03_特征工程| 04_模型训练与特征优化| 05_模型部署上线

  • 金融风控项目就业班 4

    课时:6天技术点:88项测验:0次学习方式:线下面授

    学习目标

    以金融风控项目为例:1.掌握风控业务场景的常用指标| 2.掌握评分卡的建模流程| 3.掌握评分卡特征工程的常用套路| 4.熟练运用机器学习算法解决风控业务场景下的问题

    传统金融由于风控审批主要靠人工进行,审批速度慢,一般只服务大公司,或者收入较高的人群,很多低端.无稳定收入的群体和小微企业无法享受到传统金融服务。面临如此庞大的市场,小额贷款作为新型的金融服务产品应运而生,小额贷款业务具有单笔金额小.单笔利润低.利润率高.审批速度快的热点,所以基于用户申请信息的快速自动审批系统(风控系统)就成了互联网金融领域核心的竞争力。金融风控项目搭建了整套金融风控知识体系,从反欺诈.信用风险策略.评分卡模型构建等热点知识,使得学员具备中级金融风控分析师能力。

    主讲解决方案

    1.金融领域数据处理解决方案| 2.金融风控策略解决方案| 3.金融风控特征工程解决方案| 4.金融风控评分卡模型解决方案| 5.信用分风险策略解决方案| 6.风控模型部署与评估解决方案|

    主讲知识点

    1.风控领域业务知识介绍:常见信贷风险.金融风控领域常用术语等| 2.评分卡建模概述:信贷审批业务基本流程.ABC评分卡概念.正负样本定义方法等| 3.评分卡建模特征工程:特征衍生.特征交叉.特征评估与筛选| 4.机器学习评分卡模型训练:逻辑回归评分卡.集成学习评分卡.模型评价(KS,AUC),评分映射方法,模型报告| 5.不均衡学习和异常点检测:样本不均衡的处理方法,异常点检测的常用方法|

  • 数据挖掘项目实战就业班 5

    课时:4天技术点:50项测验:1次学习方式:线下面授

    学习目标

    1.掌握多行业数据挖掘业务| 2.掌握数据建模流程| 3.掌握机器学习调参方法| 4.熟练运用机器学习算法解决数据挖掘业务问题

    该项目主要为数据挖掘多场景项目实战,皆在通过项目实战提升学生动手能力,利用机器学习技术解决数据挖掘问题,主要包括人才流失模型实战、现金贷风控模型实战、点击率预估项目实战和用户复购项目实战等,每个部分都是完整的业务和实现流程,通过此部分学习夯实机器学习技术基础,掌握多场景数据挖掘应用。

    主讲解决方案

    1.数据分析解决方案| 2.特征工程解决方案| 3.机器学习模型调参解决方案| 4.模型融合解决方案

    主讲知识点

    1_x001f_.人才流失模型实战| 2.现金贷风控模型实战| 3.点击率预估项目实战| 4.用户复购项目实战

  • 深度学习基础就业班 6

    课时:6天 技术点:100项 测验:1次 学习方式:线下面授

    学习目标

    1.pytorch工具处理神经网络涉及的关键点|2.掌握神经网络基础知识|3.掌握反向传播原理|3.了解深度学习正则化与算法优化

    主讲内容

    1. 神经网络基础该部分主要学习神经网络基础,包含以下技术点:

    01_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|02_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|03_深度学习正则化与算法优化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam;04_实现多层神经网络案例|

    2. 深度学习多框架对比该部分主要学习深度学习多框架对比,包含以下技术点:

    01_Pytorch| 02_Tensorflow| 03_MxNet| 04_paddlepaddle|

    3. Pytorch框架该部分主要学习Pytorch深度学习框架,包含以下技术点:

    01_Pytorch介绍|02_张量概念|03_张量运算|04_反向传播|05_梯度,自动梯度|06_参数更新|07_数据加载器|08_迭代数据集|

  • 自然语言处理基础就业班 7

    课时:12天 技术点:180项 测验:1次 学习方式:线下面授

    学习目标

    1.掌握NLP领域前沿的技术解决方案|2.了解NLP应用场景|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

    主讲内容

    1. NLP入门该部分主要学习NLP基础,包含以下技术点:

    01_经典案例|01_对话系统简介|02_NLU简介|03_文本生成简介|04_机器翻译简介|05_智能客服介绍|06_机器人写作介绍|07_作文打分介绍

    2. 文本预处理该部分主要学习文本预处理技术,包含以下技术点:

    01_文本处理的基本方|02_文本张量表示方法|03_文本语料的数据分析,文本特征处理,数据增强方法|04_分词,词性标注,命名实体识别|05_one-hot编码,Word2vec,Word Embedding|06_标签数量分布,句子长度分布,词频统计与关键词词云

    3. RNN及变体该部分主要学习RNN、LSTM、GRU等技术,包含以下技术点:

    01_传统RNN,LSTM,Bi-LSTM,GRU,Bi-GRU|02_新闻分类案例,机器翻译案例|03_seq2seq,遗忘门,输入门,细胞状态,输出门,更新门,重置门

    4. Transfomer原理该部分主要学习Transform技术,包含以下技术点:

    01_输入部分,输出部分,编码器部分,解码器部分,线性层|02_softmax层,注意力机制,多头注意力机制|03_前馈全连接层,规范化层,子层连接结构,语言模型|04_wikiText-2数据集,模型超参数|05_模型的训练,模型验证

    5. 传统的序列模型该部分主要学习传统序列模型,包含以下技术点:

    01_HMM原理,HMM实现,HMM优劣势|02_CRF原理,CRF优劣势,03_CRF与HMM区别,CRF实现|04_HMM历CRF历史,HMM现状,CRF现状

    6. 迁移学习该部分主要学习迁移学习,包含以下技术点:

    01_fasttext工具,进行文本分类|02_CBOW模式,skip-gram模式,预训练模型|03_微调,微调脚本,训练词向量|04_模型调优|05_n-gram特征|06_CoLA 数据集,SST-2 数据集,MRPC 数据集|07_BERT,GPT,GPT-2,08_pytorch.hub

  • ChatGPT技术深入浅出就业班 8

    课时:12天 技术点:80项 测验:1次 学习方式:线下面授

    学习目标

    掌握ChatGPT系列自然语言模型,掌握自然语言处理项目,完成项目全流程开发。

    主讲内容

    1. ChatGPT入门主要学习ChatGPT注册、使用及Python调用ChatGPT,包含以下技术点:

    ChatGPT背景介绍|如何使用ChatGPT|ChatGPT入门程序|ChatGPT实际应用场景案例

    2. ChatGPT原理详解主要学习从GPT到ChatGPT原理详解

    ChatGPT本质|GPT系列模型介绍|GPT-1详解|GPT-2详解|GPT-3详解|ChatGPT原理详解

    3. ChatGPT项目实战主要以实际业务为驱动完成ChatGPT项目实战

    项目背景|数据预处理|基于ChatGPT完成模型搭建|模型结果分析

    4. 基于大型预训练模型搭建聊天机器人学习从0-1搭建聊天机器人

    i语料处理方法|文本分词方法|闲聊机器人实现|基于Seq2Seq基础模型实现闲聊机器人|基于预训练模型优化|模型部署上线

    5. 聊天机器人和问答系统主要学习完整的聊天机器人项目

    解决方案列表|项目架构及数据采集|命名实体识别|对话系统

  • 文本摘要与传智大脑项目二选一就业班 9

    课时:8天技术点:130项测验:0次学习方式:线下面授

    学习目标

    以文本摘要项目为例:1.掌握TextRank模型|2.掌握seq2seq模型|3.掌握PGN模型|4.掌握生成式模型的评估方法|5.掌握生成式模型的迭代优化

    文本摘要项目是一个基于NLP底层基础任务的全流程实现项目。在工业界有广泛应用,比如四六级的阅读理解考试,新浪体育的球评新闻,今日头条的新闻快递,金融简报等等。涉及到互联网场景下海量的大段文本的信息压缩和融合技术,可以让人们在信息爆炸的时代快速浏览重要信息。通过本项目的学习,可以掌握工业界最主流的处理文本摘要的模型和优化技术。这里面关于解码方案的优化,数据增强的优化,还有训练策略的优化,无论是理论还是代码,都可以非常方便的迁移到未来企业级的开发中。同时在部署方案上,掌握GPU部署和CPU部署的相同点和不同点。

    主讲解决方案

    1.抽取式文本摘要解决方案| 2.生成式文本摘要解决方案| 3.自主训练词向量解决方案| 4.解码方案的优化解决方案| 5.数据增强优化解决方案| 6.训练策略优化解决方案| 7.GPU部署解决方案| 8.CPU部署解决方案

    主讲知识点

    1.文本摘要的应用场景,主流处理方案的模式| 2.工业场景下的原始数据全流程处理,原始数据很杂乱,需要按照需求一步步的取舍,去噪,最终得到模型阶段可用的数据| 3.搭建基于textRank的抽取式文本摘要模型,并进行评估| 4.搭建基于经典seq2seq架构的生成式文本摘要,并进行评估| 5.搭建基于PGN先进架构的生成式文本摘要,并进行评估| 6.详细解析生成式NLP任务的评估算法BLEU和ROUGE,并实现rouge的评估代码| 7.针对于损失函数的优化方案coverage解决文本重复问题| 8.针对于解码器端的优化,按照beamsearch进行解码的实现方案| 9.针对于NLP领域数据增强的实现方案,采用单词替换法,回译数据法,半监督学习法的理论和代码实现| 10.针对于训练策略的优化,ScheduledSampling和WeightTying的理论和代码实现| 11.实现模型的GPU部署和CPU部署

  • 知识图谱与投满分项目二选一就业班 10

    课时:6天技术点:80项测验:0次学习方式:线下面授

    学习目标

    以投满分项目为例:1.基于大规模业务留存数据构建快速文本分类系统|2.基于推荐系统内部分频道投递的需求,快速搭建短文本精准分类投递的模型|3.基于随机森林和FastText搭建快速基线模型,验证业务通道的能力.|4.基于BERT的迁移学习优化模型搭建的能力.|5.实现神经网络量化的优化与测试.|6.实现神经网络剪枝的优化与测试.|7.实现神经网络知识蒸馏的优化与测试.|8.更多主流预训练模型的优化与深度模型剖析|9.BERT模型在生成式任务和工程优化上的深入扩展|10.小样本学习,对比学习,主动学习的介绍

    投满分项目主要解决在海量新闻,咨询等文本信息的场景下,需要完成文本类别的快速鉴别与分类,并完成按频道的投递和排队,最终推荐给对该类别感兴趣的用户,从而提升点击量、阅读量、付费量等关键指标.。该项目结合头条真实场景下的海量数据,快速搭建随机森林和FastText的基线模型,以验证商业化落地的可行性。更多聚焦在深度学习的优化方法上,搭建基于BERT的初版微调模型,应用量化,剪枝,预训练模型微调,知识蒸馏等多种手段,反复迭代,反复优化模型的离线效果,在线效果,并提供充分的扩展阅读资料,包括AlBERT,RoBERTa,macBERT, SpanBERT, MASS,Electra,GPT2, T5,Transformer-XL,XLNet,Reformer等工业界主流前沿模型的深入解读与代码实践。还包括学术界和工业界都很关注的小样本学习,对比学习,主动学习的技术点详解分析。

    主讲解决方案

    1.海量文本快速分类基线模型解决方案| 2.基于预训练模型优化的解决方案| 3.模型量化优化的解决方案| 4.模型剪枝优化的解决方案| 5.模型知识蒸馏优化的解决方案| 6.主流迁移学习模型微调优化的解决方案

    主讲知识点

    1.解决方案列表| 2.项目背景介绍| 3.迁移学习优化| 4.模型的量化| 5.模型的剪枝| 6.迁移学习微调| 7.模型的知识蒸馏

  • 泛娱数据关系抽取项目实战就业班 11

    课时:4天技术点:40项测验:0次学习方式:线下面授

    学习目标

    1.理解关系抽取任务|2.了解实现关系抽取任务的基本方法|3.掌握Casrel模型架构及工作原理|4.掌握关系抽取数据处理方法|5.掌握关系抽取的应用场景

    该项目针对于泛娱乐场景下复杂业务关系进行实体抽取,帮助企业构建知识图谱。关系抽取也是是从自然语言文本中抽取实体及其之间关系的信息技术,是信息检索、智能问答、智能对话等人工智能应用的重要基础,基于关系抽取构建泛娱乐场景下的实体关系,利用图数据库展示实体之间的关系,助力数字化转型。

    主讲解决方案

    1.文本数据处理解决方案| 2.基于Casrel模型实现关系抽取的解决方案

    主讲知识点

    1.项目介绍:理解关系抽取任务以及关系抽取的常见场景| 2.环境构建:项目开发所需搭建的环境| 3.数据集介绍:数据来源、获取方式以及存储方式介绍| 4.数据处理:构建DataSet以及Dataloader| 5.Casrel模型构建:实现关系抽取

  • 面试加强就业班 12

    课时:5天 技术点:72项 测验:2次 学习方式:线下面授

    学习目标

    1.掌握机器学习核心算法|2.掌握深度学习核心算法|3.掌握数据结构与算法|4.掌握多行业项目扩展|5.理解算法和模型的分布式实现及加速原理|6.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|7.深入理解算法和模型调优方式及优缺点

    主讲内容

    1. 机器学习算法与ScikitLearn该部分主要加强机器学习核心算法,包含以下技术点:

    01_分类算法| 02_回归的算法| 03_聚类算法| 04_数据科学流程

    2. 深度学习算法与Pytorch该部分主要加强深度学习核心算法,包含以下技术点:

    01_深度学习| 02_深度学习RNN实战| 03_深度学习算法LSTM实战| 04_深度学习多框架实战

    3. 数据结构算法该部分主要加强数据结构核心算法,包含以下技术点:

    01_时间复杂度,空间复杂度,Python内置类型性能分析,顺序表| 02_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| 03_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| 04_二叉树:树的引入,二叉树,二叉树的遍历,二叉树扩展

    4. 多行业数据挖掘项目和NLP拓展该部分主要加强多行业项目,包含以下技术点:

    01_多行业挖掘项目扩展| 02_NLP项目扩展 | 01_项目多场景实战

  • 计算机视觉基础就业班 13

    课时:6天 技术点:80项 测验:1次 学习方式:线下面授

    学习目标

    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

    主讲内容

    1. 神经网络该模块主要介绍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

    1.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|2.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|3.深度学习正则化与算法优化:L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam|4.实现多层神经网络案例

    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

    01_计算机视觉定义、计算机视觉发展历史|02_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

    1.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|2.卷积网络结构:LeNet5、AlexNet、VGG、Inception/GoogleNet、残差网|3.目标分类实战案例:ImageNet分类|4.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

    1.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|2.RCNN:交并比、map、非极大抑制NMS、正负样本|3.SPPNet:SPP层映射;FastRCNN:ROI Pooling|4.FasterRCNN:RPN、代价函数、训练流程与结果分析、FPN与FasterRCNN结合|5.YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5|6.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|7.SSD:Detector & classifier、SSD代价函数、特征金字塔|8.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

    1.目标分割任务类型、数据集|2.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|3.U-Net:拼接特征向量|4.Dilated Convolutions:聚合多尺度的信息、context module|5.SegNet:金字塔池化模块|6.Deeplab:串行部署 ASPP|7.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|8.目标分割实战案例

  • 人脸支付项目、智慧交通项目二选一就业班 14

    课时:6天技术点:98项测验:1次学习方式:线下面授

    学习目标

    以人脸支付项目为例:1.掌握PCA.ICA.LDA和EP在人脸识别上的综合运用|2.掌握基于PyQt5的GUI编程模块及信号槽机制,3.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|4.利用状态判别,能识别出人脸的性别.表情等属性值|5.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

    人脸支付项目是一个基于计算机视觉方向的人脸识别项目,该项目以支付系统为背景介绍人脸处理的整体流程。类似的应用,如办公打卡,智慧食堂,人脸考勤,嫌疑人识别等。该项目利用机器学习和深度学习的方法,针对摄像头捕获的视频图像,进行人脸区域检测,人脸跟踪,人脸姿态,年龄,性别,关键点等属性的检测,人脸矫正,人脸比对完成人脸的识别。通过该项目,学生可学习到人脸相关任务的技术点以及相应的业务流程

    主讲解决方案

    1.视频中人脸检测的解决方案|2.人脸姿态(欧拉角)检测的解决方案|3.人脸关键点识别的解决方案|4.人脸多任务(年龄,性别等)检测的解决方案|5.人脸特征比对的解决方案

    主讲知识点

    1.项目介绍:支付方式发展的介绍,人脸支付项目介绍,开发环境的搭建|2.视频中的人脸检测:人脸检测方法介绍,人脸检测的评价指标介绍,数据标注方式的介绍及获取数据方式的介绍,数据增强方法的介绍,yolo模型的介绍及模型构架,模型训练方式的介绍及实现,模型验证方式介绍及实现|3.人脸姿态:人脸姿态检测方法介绍,人脸姿态数据标注方法和获取方法介绍及实现,Resnet模型介绍及构建,模型训练和验证的介绍和实现|4.人脸关键点:人脸关键点检测方法介绍,人脸关键点数据标注方法和获取方法介绍及实现,resnet模型介绍及构建,模型训练和验证的介绍和实现|5.人脸多任务:人脸多任务介绍,人脸多任务数据标注方法和获取方法介绍及实现,senet模型介绍及构建,模型训练和验证的介绍和实现|6.人脸比对:人脸比对介绍,人脸比对数据标注方法和获取方法介绍及实现,arcface模型介绍及构建,模型训练和验证的介绍和实现,人脸数据库的构建与管理|7.系统集成:基于仿射变换的人脸矫正的实现,姿态过大或距离过远的人脸的过滤,系统集成方式的介绍和实现

  • 人工智能开发 V版本课程说明

    课程名称:主要针对:主要使用开发工具:

    课程介绍

“周”更新日志
课程大版本更新

课程更新日志按周更新热点/前沿技术

  • 新增2023-06-29

    · VFL损失函数的介绍· DFL损失的使用· anchor的对齐方式

  • 新增2023-06-21

    · 量化机制的介绍· 图优化方法的使用

  • 新增2023-06-15

    · yoloV8的架构解析· 双流FPN结构的设计

  • 新增2023-06-07

    · 正负样本的分配策略· Batch normalization在预测阶段的使用

  • 新增2023-06-02

    · 卷积和池化降维策略的融合· 辅助头设计方法

  • 新增2023-05-25

    · yoloV7模型的网络结构· E-ELAN的设计策略

  • 新增2023-05-18

    · Rep-PAN的特征融合方式· EfficientRep结构的使用

  • 新增2023-05-10

    ·REPVgg的思想· 训练和预测网络结构分离的策略

  • 新增2023-05-04

    ·SIOU损失的策略

    升级

    ·IOU系列的损失函数

  • 新增2023-04-26

    ·检测端的解耦结构· anchor-free的检测方式

  • 新增2023-04-18

    ·yoloV6进行目标检测的思想· yoloV6的网络结构

  • 升级2023-04-12

    ·实现关系抽取API接口搭建· Neo4j图数据库介绍与使用· 娱乐数据知识图谱搭建

  • 升级2023-04-06

    ·Joint联合方法实现关系抽取· Casrel关系抽取模型架构介绍· Casrel模型实现关系抽取原理

  • 升级2023-03-28

    ·Pipeline方法实现关系抽取· BiLSTM+Attention关系分类模型架构介绍· BiLSTM+Attention模型实现关系分类原理

  • 升级2023-03-23

    ·规则进行关系抽取的概念· 规则进行关系抽取的步骤和原理

  • 升级2023-03-15

    ·关系抽取方法基础知识介绍· 解析关系抽取的任务特点· 分析关系抽取任务的评价指标· 对比介绍实现关系抽取的常用方法

  • 新增2023-03-07

    ·FastText模型架构原理· 层次softmax以及负采样优化方法

  • 升级2023-03-01

    ·文本数据增强方式接口更改· 机器翻译案例代码错误修改

  • 新增2023-02-23

    ·ChatGPT的基本使用· 挖掘ChatGPT背后原理· 基于ChatGPT完成聊天机器人项目的介绍

  • 升级2023-02-17

    ·图像分类的经典网络· 智慧交通项目目标跟踪方法

  • 新增2023-02-09

    ·预训练模型的知识融入技术· 工业界发布模式介绍

  • 新增2023-02-03

    ·BERT模型参数详解与优化经验· 基于BERT完成生成式任务的介绍

  • 新增2023-01-28

    ·知识蒸馏原理详解· 知识蒸馏优化文本多分类

  • 新增2023-01-19

    ·百度ERNIE模型介绍与微调· MENGZI模型介绍与微调· NeZha模型介绍与微调

  • 新增2023-01-13

    ·K-BERT和KG-BERT模型介绍· MASS模型介绍与微调· BART模型介绍与微调

  • 新增2023-01-05

    ·MacBERT模型介绍与微调· SpanBERT模型介绍与微调· FinBERT模型介绍与微调

  • 新增2022-12-29

    ·XLNet模型介绍与微调· Electra模型介绍与微调· RoBERTa模型介绍与微调

  • 新增2022-12-20

    ·AlBERT模型介绍与微调· T5模型介绍与微调· ansformer-XL模型介绍与微调

  • 新增2022-12-14

    ·多参数模块的剪枝技术· 全局剪枝技术· 用户自定义剪枝

  • 新增2022-12-06

    ·定制化数据处理代码· 模型动态量化技术· 特定网络的剪枝技术

  • 新增2022-11-30

    ·FastText完成多分类的基线模型· FastText模型优化与部署· 基于BERT的文本多分类迁移学习模型

  • 新增2022-11-22

    ·数据来源解决方案· 随机森林基线模型

  • 新增2022-11-16

    ·BERT GPT ELMo模型的不同点和各自优缺点

  • 新增2022-11-08

    ·GPT的架构· GPT的训练过程· GPT2的架构

  • 新增2022-11-02

    ·Transformer的并行计算过程· Transformer可以替代Seq2Seq原因· ELMo总体架构· ELMo模型预训练任务

  • 新增2022-10-27

    ·Transformer模块的Encode结构和作用· Transformer模块的Decoder结构和作用· Self attention机制中的归一化原因

  • 新增2022-10-19

    ·循环神经网络-案例-网络搭建· 循环神经网络-案例-训练函数· 循环神经网络-案例-预测函数

  • 新增2022-10-11

    ·循环神经网络-案例-数据清洗· 循环神经网络-案例-构建词典· 循环神经网络-案例-数据类编写

  • 新增2022-09-30

    ·循环神经网络-RNN层理解· 循环神经网络-RNN层使用

  • 新增2022-09-22

    ·循环神经网络-RNN算法· 循环神经网络-Embedding使用· 循环神经网络-Embeddings小节

  • 新增2022-09-16

    ·卷积神经网络-案例-图像分类-CIFAR10数据集· 卷积神经网络-案例-图像分类-CNN网络搭建· 卷积神经网络-案例-图像分类-编写训练函数· 卷积神经网络-案例-图像分类-编写预测函数· 卷积神经网络-案例-图像分类-小节

  • 新增2022-09-07

    ·卷积神经网络-Conv2d使用· 卷积神经网络-池化计算· 卷积神经网络-MaxPool2d使用

  • 新增2022-09-01

    ·卷积神经网络-卷积神经网络概述· 卷积神经网络-图像基础知识· 卷积神经网络-卷积简单计算· 卷积神经网络-多卷积核计算

  • 新增2022-08-26

    ·神经网络基础-价格分类-模型训练过程· 神经网络基础-价格分类-模型评估过程· 神经网络基础-价格分类-网络模型调优· 神经网络基础-价格分类-小节

  • 新增2022-08-17

    ·神经网络基础-价格分类-案例介绍· 神经网络基础-价格分类-构建数据集· 神经网络基础-价格分类-网络模型搭建

  • 新增2022-08-09

    ·神经网络基础-dropout对网络参数的影响· 神经网络基础-BN层理解· 神经网络基础-价格分类-案例介绍· 神经网络基础-价格分类-构建数据集

  • 新增2022-08-02

    ·神经网络基础-adagrad优化方法· 神经网络基础-rmsprop优化方法· 神经网络基础-adam和小节· 神经网络基础-dropout原理

  • 新增2022-07-25

    ·神经网络基础-反向传播算法案例讲解· 神经网络基础-反向传播算法代码演示· 神经网络基础-指数加权平均· 神经网络基础-momentum优化方法

  • 升级2022-07-18

    ·优化PyTorch使用-模型定义方法-实现线性回归· 优化PyTorch使用-直接序列化模型对象· 优化PyTorch使用-存储模型参数

  • 新增2022-07-11

    ·神经网络基础-激活函数小节· 神经网络基础-网络参数初始化· 神经网络基础-梯度下降算法回顾· 神经网络基础-正向传播和链式法则

  • 升级2022-07-04

    ·优化PyTorch使用-手动构建线性回归小节· 优化PyTorch使用-模型定义方法-基本组件的使用· 优化PyTorch使用-模型定义方法-数据加载器

  • 新增2022-06-28

    · 神经网络基础-simoid激活函数· 神经网络基础-tanh激活函数· 神经网络基础-relu激活函数· 神经网络基础-softmax激活函数

  • 新增2022-06-21

    ·神经网络基础-人工神经网络概述· 神经网络基础-激活函数的作用

    升级

    · 优化PyTorch使用-手动构建线性回归-训练函数编写思路· 优化PyTorch使用-手动构建线性回归-训练函数代码实现

  • 新增2022-06-14

    · Transformers库管道方式实现基础NLP任务 · Transformers库自动模型方式实现基础NLP任务 · Transformers库具体模型实现基础NLP任务· 迁移学习中文分类案例· 迁移学习中文填空案例· 迁移学习句子关系管理· 删除Transformers发布模型旧的方式

  • 升级2022-06-07

    · 优化seq2seq英译法案例· 数据处理机制· Python语言操作Flink· 优化Transformer模块测试案例· 输入部分· 输出部分· 编码器部分· 解码器部分

  • 新增2022-05-31

    · NLP基础课程新增 词向量检索基础知识

    升级

    · 词嵌入层可视化显示实验· RNNAPI编程案例· RNN人名分类器案例· 数据处理机制· 模型训练方法

  • 新增2022-05-24

    · 如何构建特征,如何评估特征 · 从原始数据构造出新特征的方法 · 新增特征变换的方法· 新增缺失值处理的方法

  • 新增2022-05-17

    · 信贷审批业务的基本流程 · 新增ABC评分卡 · 新增风控建模的基本流程· 新增评分卡模型正负样本定义方法

  • 新增2022-05-10

    · 增加SQL进行风控报表开发 · 增加信贷审批业务的基本流程 · 增加风控建模的基本流程· 机器学习风控模型的优势

  • 新增2022-05-03

    · 增加LR理论推导 · 增加朴素贝叶斯推导 · 增加用户画像案例· 增加金融风控项目

  • 新增2022-04-26

    · 增加Python进行RFM分群 · 增加使用Pyecharts绘制3D图形 · 增加SVM理论推导· 增加GBDT理论推导

  • 新增2022-04-19

    · ViBert · 图像分析方法 · 标签数据统计及应用· 梯度剪裁方法

  • 升级2022-04-12

    · 优化Numpy基础矩阵预算 · 应用Pandas进行简单排序、分组、聚合等计算 · 优化Pandas处理方法

  • 新增2022-04-05

    · MOE方法 · 级联MOE Model · GAP评估方法· NextVLad视频聚合

  • 新增2022-03-29

    · 模型剪枝 · RoBerta新模型 · Transformer-XL新模型· 多分类知识蒸馏

  • 新增2022-03-22

    · Vggish · PCA方法 · SE Context模型融合· Logistics模型分类

  • 新增2022-03-15

    · 增加MySQL的Datagrip工具连接数据库 · 增加SQL的窗口函数用法 · 增加Pandas的透视表用法

  • 新增2022-03-08

    · pad的增强方式 · 分布式训练 · 视频标签任务· MFCC

  • 新增2022-03-01

    · 增加Pyecharts实现各种图形绘制 · 删除Ununtu系统 · 增加Linux中Shell的基本操作

    升级

    · 升级优化为CentOs系统

  • 新增2022-02-22

    · 模型量化方法 · 模型剪枝方法 · 模型蒸馏方法· tf-serving模型部署

  • 新增2022-02-15

    · Python进阶中增加数据爬虫案例

    升级

    · 升级闭包装饰器内容 · 优化升级深拷贝和浅拷贝的

  • 新增2022-02-08

    · 年龄检测方法 · NAS神经网络搜索 · NAS-FPN网络· 人脸矫正对齐

  • 新增2022-01-25

    · yolo-tiny模型 · 多任务模型介绍 · mish激活函数· mmdetection目标检测框架

  • 新增2022-01-18

    · Python基础案例增加学生管理系统 · Python进阶中增加多任务编程 · Python进阶增加FastAPI搭建服务器

  • 新增2022-01-11

    · wing损失函数 · 人脸关键点检测 · 关键点描述方法 · SEnet注意力模型

  • 新增2022-01-04

    · BERT+CRF · TENER · nested NER优化

  • 新增2021-12-28

    · 人脸性别检测 · 人脸年龄检测 · 人脸对比 · arcface损失函数

  • 新增2021-12-14

    · 人脸模糊判断 · 人脸相似度检测 · 度量学习模型 · 孪生模型

  • 新增2021-11-30

    · 人脸检测 · 人脸跟踪 · 人脸三维角度检测 · 人脸明暗检测

  • 新增2021-11-16

    · 后处理方法GreedyNMS · Swish激活函数 · SENET注意力机制 · Focal loss

  • 新增2021-11-12

    · 后处理方法GreedyNMS · Swish激活函数 · SENET注意力机制 · Focal loss

  • 新增2021-11-09

    · 文本摘要项目部署 · textcnn模型原理 · textcnn模型实现 · textcnn模型优化

  • 新增2021-11-02

    · hue增强方法 · 多张图增强 · LRRelu激活函数 · 噪声增强方式

  • 新增2021-10-26

    · CPU优化 · Flask框架的介绍 · Django框架的介绍 · API接口封装

  • 新增2021-10-19

    · 内容理解 · 内容生成 · 内容安全治理的主要技术 · 内容安全要解决的核心问题

  • 新增2021-10-12

    · 半监督数据增强 · Scheduled sampling优化策略 · Weight tying优化策略 · CPU优化

  • 新增2021-10-05

    · 图像文本掩码 · 视觉文本匹配 · 掩码视觉区域 · 序列到序列目标损失

  • 新增2021-09-28

    · gensim实现TF-IDF算法 · 纯Python代码实现纯TF-IDF算法 · TF-IDF模型 · 回译数据

  • 新增2021-09-21

    · 多模态的语言表征 · 基于自编码自回归架构的模型 · 单流结构 · 双流结构

  • 新增2021-09-14

    · viterbi Decode · Beam-serch Decode · Beam-serch优化模型 · 单词替换数据增强

  • 新增2021-09-07

    · 新型网络 · 仇恨言论检测 · 职责界定 · 多模态核心任务

  • 新增2021-08-31

    · coverage数学原理 · PGN + coverage网络优化 · Beam-search算法 · Greedy Decode

  • 新增2021-08-24

    · 跳层连接skip layers · 模型感受野RFB · 注意力机制Point-wise attention · DIOU网络预测

  • 新增2021-08-17

    · BLEU算法解析 · ROUGE评估 · ROUGE算法解析 · ROUGE算法实现

  • 新增2021-08-11

    · 字典性质的描述举例 · 多线程优化 · 人脸三维重建 · 异常的使用场景举例

  • 新增2021-08-04

    · PGN模型的数据迭代器 · PGN模型实现 · PGN模型网络训练 · BLEU评估

  • 新增2021-07-27

    · 对比度调整 · SPP结构 · sam注意力机制 · 空间注意力

  • 新增2021-07-20

    · 内容张量context vector计算 · 单词分布张量P_vocab计算 · 分布张量P_w计算 · PNG网络数据清洗

  • 新增2021-07-13

    · 知识蒸馏方法 · 模型剪枝方法 · Dropblock正则化 · Hide and seek图像增强

  • 新增2021-07-07

    · Transformer问答试题 · Elmo模型讲解 · yoloV4模型 · Siamese系列网络详解

  • 新增2021-06-30

    · 升级集成学习知识框架 · 细化集成学习算法推导过程 · stacking算法优化 · 北京市租房房价预测

  • 新增2021-06-22

    · 模型的整体实现 · 数据清洗 · gensim训练词向量 · 词向量优化模型

  • 新增2021-06-15

    · SAT自对抗训练进行数据增强 · 数据增强意义 · CSP模块介绍 · SPP结构

  • 新增2021-06-08

    · 多核并行处理数据优化 · 参数配置及数据优化 · 模型数据的优化 · 模型子层的实现

  • 新增2021-06-01

    · 小目标检测技巧 · 损失函数设计 · CIOU损失

  • 新增2021-05-25

    · 基于jieba的TextRank · 基于TextRank算法模型构建 · 文本摘要数据集优化· seq2seq架构实现文本摘要架构

  • 新增2021-05-18

    · 马赛克增强 · gridmask · Cutmix· 填充

  • 新增2021-05-11

    · TextRank算法实现 · 关键词抽取 · 关键短语抽取· 关键句抽取

  • 新增2021-05-04

    · 数据增强 · mixup · cutout· 随机擦除

  • 新增2021-04-27

    · 抽取式摘要 · 生成式摘要 · 文本摘要项目数据集· TextRank算法原理

  • 升级2021-04-20

    · tfrecord文件介绍 · 图像数据feature构建 · Example的构建· writer_to_tfrecord的使用

  • 新增2021-04-13

    · 静态量化和动态量化对比 · prune技术介绍 · 持久化修剪后的模型· 模型推断加速

  • 升级2021-04-06

    · yoloV3的损失计算 · yoloV4模型介绍 · 正负样本的设计· 多任务损失

  • 升级2021-03-30

    · 标签平滑技术优化 · badcase分析案例演示 · badcase优化总结· 模型热更新讲解优化

  • 新增2021-03-22

    · ORB特征的方向设计 · 目标的外接矩形 · ROIAlign算法· 全卷积网络

  • 升级2021-03-16

    · GLUE标准数据集介绍 · run_glue脚本讲解方式调整 · gpu服务器验证优化介绍· weight_decay演示调优

  • 新增2021-03-09

    · 大津法 · 轮廓检测 · 矩特征· 目标的质心计算

  • 升级2021-03-02

    · bert模型调整 · 考试数据集实例演示 · 考试数据清洗代码精炼· bert-Multilingual进行微调优化

  • 升级2021-02-23

    · FPN进行特征融合 · 候选框的多尺度映射方法 · 候选框的选择方法· 对比混合精度驯良

  • 新增2021-02-16

    · 上线模型优化 · 模型量化压缩技术 · ONNX-Runtime推断加速· 对比混合精度驯良练

  • 升级2021-02-09

    · 选择性搜索(SS) · 目标框位置回归的意义 · 候选区域映射的方法· fasttext模型baseline训练

  • 升级2021-02-02

    · Django中views文件讲解顺序 · 多线程实现举例 · fasttext模型原生代码pytorch实现· fasttext模型baseline训练

  • 新增2021-01-26

    · 目标检测评价指标MAP · softNMS方法 · overfeat方法· RPN网络详解

  • 新增2021-01-19

    · 从SQL中获取数据演示 · 意向校区识别代码逻辑 · "手机号","微信号","QQ号"识别规则细化· 与后端交互数据举例

  • 升级2021-01-12

    · IOU在目标跟踪中的使用 · 相机外参的计算方法 · 图像畸变产生的原因· 图像去畸变的方法

  • 升级2021-01-05

    · 信息中心需求分析细化 · 产品设计逻辑修改 · 原始数据分析思路· fasttext讲解案例

  • 新增2020-12-29

    · 分水岭算法介绍 · GraphCut算法简介 · 二分图原理介绍· 最优匹配方法介绍

  • 升级2020-12-21

    · flask框架整体介绍 · 市场中主流AI平台演示 · 标贝科技产品体验演示· 传智大脑整体架构介绍

  • 新增2020-12-14

    · VGG模型实现 · Inception系列模型对比 · 边缘检测计算复杂度介绍· 傅里叶变换在图像处理中的应用

  • 升级2020-12-07

    · series和dataframe介绍 · torchserve实验 · 非正常卷积网络结构解析· 车辆偏离车道中心距离优化

  • 新增2020-11-30

    · lightGBM推导 · 优化实体提取模型 · 多尺度网络与非正常卷积初步· 车道线检测laneNet实现

  • 升级2020-11-23

    · 朴素贝叶斯常见面试题讲解 · 修改部分项目bug · 多精度多分辨率通道分组网络总结· sort算法进行多目标跟踪优化

  • 新增2020-11-16

    · 机器学习中svr的介绍 · 积分梯度解析 · 嘴唇分割模型优化 · 多目标跟踪deepsort算法的实现

  • 升级2020-11-09

    · 机器学习svm部分面试题 · bert源码解析 · 嘴唇分割模型训练· fasterRCNN目标检测优化

  • 新增2020-11-02

    · 相对路径和绝对路径的使用场景描述 · LIT实验 · 用于图像分割的实时分组网络 · 模型微调方法简介

  • 升级2020-10-26

    · 优化tree命令的安装及使用 · Reformer实验 · 多分辨率卷积核通道分组网络· yoloV3进行目标检测案例

  • 新增2020-10-19

    · 操作系统的简介内容 · Captum实验 · 通道补偿技术· 图像增强方法实现

  • 升级2020-10-13

    · 优化面向对象的介绍 · 可解释性工具 · 多分支网络结构设计 · G使用tf.keras完成网络模型的搭建

  • 新增2020-10-08

    · 文件操作案例 · GPT-3解决生成 · 网络瓶颈结构探索· GoogLeNet的网络构建

  • 升级2020-09-28

    · vim的常用操作命令 · 数据增强方法 · MobileNet网络深度对实验的影响· tensorflow入门升级

  • 新增2020-09-08

    · 增加break关键字的使用场景案例 · 模型蒸馏 · Neocognitron网络· k-means算法推导过程举例

  • 升级2020-09-01

    · 逻辑运算符的演示案例 · 模型剪枝 · 加深网络,提升模型性能· 朴素贝叶斯案例修改

  • 新增2020-08-25

    · 增加变量的演示案例 · ALBERT解析 · 轻量级人脸表情和年龄识别· 对多态的描述举例

  • 升级2020-08-18

    · 优化对集合的性质的描述 · 模型量化 · 三维人脸库的使用与重建· 优化对私有属性的使用场景的描述

  • 新增2020-08-11

    · 字典性质的描述举例 · 多线程优化 · 人脸三维重建· 异常的使用场景举例

  • 升级2020-08-04

    · 优化对Python语言性质的描述 · BART实验解决NER · 人脸美颜与迁移学习· 优化Python2和Python3的对比

  • 升级2020-07-28

    · 场景识别案例优化模型方法 · 图像与视觉处理专业课优化方案启动 · 自然语言处理PyTorch工具讲解调优

  • 升级2020-07-21

    · pytorch讲义 · CV基础考试题 · RCNN系列目标检测模型 · 人脸检测案例

  • 新增2020-07-14

    · GPT模型讲解 · 典型的NLP算法 · SIamRPN++网络讲解 · DeepLab系列介绍

  • 升级2020-07-10

    · KNN算法导入案例 · 线性回归正规方程推导过程 · 线性回归案例迭代 · 虚拟环境安装详解

  • 新增2020-07-07

    · Transformer问答试题 · Elmo模型讲解 · yoloV4模型 · Siamese系列网络详解

  • 升级2020-06-30

    · 升级集成学习知识框架 · 细化集成学习算法推导过程 · stacking算法优化 · 北京市租房房价预测

  • 新增2020-06-23

    · 基于seq2seq的机器翻译任务 · 莎士比亚风格的文本生成任务 · ResNet模型在GPU上的并行实践任务 · 自然语言处理:NLP案例库(6个案例)

  • 新增2020-06-16

    · 图像与视觉处理:计算机视觉面试题(80道) · 图像与视觉处理:算法强化课程8天 · 计算机视觉面试题视频(80道) · 图像与视觉处理:计算机视觉案例库

  • 新增2020-06-09

    · 基础NLP试题 · AI医生项目试题 · 文本标签项目试题, 和泛娱乐项目试题 · 自然语言处理:NLP题库(135道)

  • 新增2020-06-02

    · 车道检测 · 车辆技术 · 车辆跟踪 · 图像与视觉处理:智慧交通项目

  • 升级2020-05-26

    · 决策树案例 · 调整预剪枝、后剪枝知识点讲解 · 决策回归树讲解 · 基尼指数优化

  • 新增2020-05-19

    · 口罩识别 · 活体检测 · 人脸属性识别 · 图像与视觉处理:人脸识别项目

  • 升级2020-05-12

    · SVM算法推导过程讲解 · 朴素贝叶斯前面增加概率知识介绍 · HMM模型推导过程 · HMM案例优化

  • 新增2020-05-05

    · 形态学定义、连通性 · 二值操作、平滑、梯度 · 纹理分割及OpenCV实践 · 图像与视觉处理:形态学专题

  • 新增2020-04-28

    · 几何变换专题 · 翻转、剪裁、遮挡、图像算数 · 图像金字塔、OpenCV几何变换操作​ · 翻转、剪裁、遮挡、OpenCV几何变换操作

  • 升级2020-04-21

    · gbdt案例优化 · xgboost算法推导过程讲解 · lightGBM算法 · pubg案例优化

  • 新增2020-04-14

    · 图像矩特征点度量特征、全局直方图 · 局部区域直方图、散点图和3D直方图 · OpenCV实践 · 图像与视觉处理:直方图处理专题

  • 新增2020-04-07

    · 命名实体识别模型BiLSTM + CRF · 句子对主题相关模型BERT · 在线部分关于neo4j数据库、redis的实时存取 · 自然语言处理:AI在线医生项目

  • 升级2020-03-31

    · xgboost算法介绍 · OTTO案例 · xgboost和gbdt对比 · bgdt推导过程优化

  • 新增2020-03-24

    · fasttext工具介绍 · fasttext训练词向量, 并完成词向量迁移 · fasttext工具实现文本分类的代码案例 · 自然语言处理:fasttext训练词向量、文本分类,词向量迁移

  • 新增2020-03-17

    · 灰度直方图、灰度的线性变换 · 灰度对数变换、伽玛变换 · 灰度阈值变换、分段线性变换 · 图像与视觉处理:基本的灰度变换函数专

  • 新增2020-03-10

    · EM算法 · 极大释然估计讲解 · HMM模型 · HMM案例搭建

  • 新增2020-03-03

    · 基本的OpenCV代码 · Image数据结构、读写图像 · OpenCV基础专题函数与API讲解

  • 升级2020-02-25

    · 线性回归知识点讲 · xgboost讲解案例 · 逻辑回归多分类问题评估 · RNN+Attention实现英译法任务

  • 新增2019-12-27

    · Transformer架构图的详解 · 四大组成模块的分块代码详解和示例 · copy小案例 · 自然语言处理:Transformer的原理和架构

  • 新增2019-12-20

    · 数据分析实战,北京市租房数据统计分析 · NBA球员数据分析 · 电影数据分析案例 · pandas读取Excel、sql

  • 新增2019-12-13

    · Dilated Convolutions:聚合多尺度的信息 · PSPNet:金字塔池化模块 · Mask-RCNN:端到端联合训练目标分割实战案例 · 图像与视觉处理:图像分割专题

  • 新增2019-12-06

    · RNN构造人名分类器的案例 · RNN实现英译法的seq2seq架构代码 · 在seq2seq架构基础上添加Attention的架构方案代码 · 自然语言处理:RNN构造人名分类器

  • 新增2019-11-29

    · 目标检测专题RCNN,FastRCNN · FasterRCNN· 先验框、细粒度与多尺度特征· 图像与视觉处理:目标检测专题

  • 新增2019-11-22

    · 数据可视化库seborn · 箱线图知识点 · 增加小提琴图知识点· 单变量、多变量分析

  • 新增2019-11-15

    · RNN、LSTM、 GRU基本结构和原理介绍 · Attention机制原理 · 代码示例和图解注意力机制· 自然语言处理:RNN、 LSTM、 GRU、 Attention等

  • 新增2019-11-08

    · 经典卷积网络:LeNet5、AlexNet、VGG、Inception、GoogleNet · 残差网络、深度学习优化 · 迁移学习:TensorFlow HUB;模型压缩· 图像与视觉处理:经典卷积网络

  • 新增2019-11-01

    · 项目实训-“吃鸡”玩家排名预测 · 决策树算法案例 · 逻辑回归案例· 朴素贝叶斯案例

  • 新增2019-10-20

    · hanlp命名实体识别工具 · word2vector原理到应用,文本的预处理前数据分析,添加ngram特征 · 文本数据增强, 回译数据增强法· 自然语言处理:文本分词,命名实体识别,Word2Vector,文本数据分析

  • 新增2019-10-10

    · 机器学习经典算法朴素贝叶斯 · 机器学习经典算法支持向 · 聚类算法推导过程· SVM手写数字识别案例

  • 新增2019-10-08

    · 神经网络基础与Tensorflow框架 · 图、会话、张量、OPTensorflow高级API,训练tf.MirroedStrategy · 导出tf.SavedModel等· 神经网络基础与Tensorflow框架

  • 新增2019-08-20

    · 原始文本预处理, word2vec · fasttext多分类的应用 · 并升级工程整合和实时服务· 自然语言处理:中文标签化系统项目

  • 新增2019-06-30

    · 召回策略算法代码更新 · 排序策略算法代码更新 · neo4j数据库的应用· 自然语言处理:泛娱乐推荐系统项目


点击加载更多>>
2023.02.24 升级版本4.0

课程名称

人工智能AI进阶班

课程推出时间

2023.02.24

课程版本号

4.0

主要使用开发工具

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

主要培养目标

以数据挖掘和NLP自然语言处理为核心方向,培养企业应用型高精尖AI人才

课程介绍

人工智能ChatGPT开发V4.0课程体系升级以企业需求为导向,专为培养和打造高级人工智能工程师、高含金量课程重磅推出,以业务为核心驱动项目开发,课程包括机器学习和深度学习框架Scikit-Learn和Pytorch,能够解决企业级数据挖掘、NLP自然语言处理与CV计算机视觉实际问题,通过理论和真实项目相结合,让学生能够掌握人工智能核心技术和应用场景。并推出「六项目制」项目教学,通过六个不同类型和开发深度的项目,使学员能够全面面对大部分企业人工智能应用场景。大型项目库,多行业多领域人工智能项目课程,主流行业全覆盖,其中项目课程包括了多行业13个场景的项目课程,让学生达到大厂的项目经验要求。课程消化吸收方面:V4.0在V3.0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,提升就业质量。

1

优化Python系统编程,针对人工智能必须的Python高阶知识体系重构课程,增加基础数据结构内容

1

新增机器学习部分[数据挖掘项目实战],以多场景业务为背景,通过SQL和Pandas完成数据处理与统计分析,夯实使用机器学习解决数据挖掘问题能力。

1

新增NLP方向[知识图谱项目],基于知识图谱的多功能问答机器人项目, 主要解决当前NLP领域中大规模知识图谱构建的问题和图谱落地的问题.知识图谱的构建主要分为知识构建和知识存储两大子系统. 包括知识构建, 知识存储, 知识表达, 路由分发, 结果融合等实现.最终呈现一个基于知识图谱的问答机器人。
新增[知识抽取项目],该项目针对于泛娱乐场景下复杂业务关系进行实体抽取,帮助企业构建知识图谱。

1

新增NLP方向 [ChatGPT技术深入浅出] 阶段课程,以ChatGPT技术为导向,挖掘GPT1、GPT2、GPT3以及ChatGPT等GPT系列模型的背后原理,并基于GPT系列大型预训练语言模型,推出全新聊天机器人项目课程。

1

优化NLP方向[NLP基础课程]:修改文本数据增强方法,解决原始谷歌接口被限制调用的问题;优化Seq2Seq英译法案例,修改原始代码bug,提升模型的准确率;新增FastText模型架构介绍;加深FastText模型处理分类的问题的原理理解;新增Word2Vec训练两种优化策略,加速模型快速收敛。

1

优化计算机视觉CV基础:图像分类的经典网络,开山之作ALexNet,VGGNet,GoogLenNet,ResNeT,ResNetV2,VGGRep,SeNet,轻量型网络:mobileNet,shuffleNet,EfficientNet,模型微调,数据增强,cutmix,copypaste,mosaic,目标检测任务,IOU,Map,正负样本设计,smoothL1损失,RCNN系列网络架构:RCNN,FastRCNN,FasterRCNN,MaskRCNN,FPN结构,ROIpooling设计,anchor思想,RoiAlign设计,训练策略;yolo系列网络V1-V8:DarkNet,yolo-FPN特征融合,passthrough融合方法,多尺度训练,IOU系列损失,DIOU,CIOU,SIOU等,输出端的解耦,REP-PAN结构,E-ELAN结构,预测阶段的BN设计,SPP和SPPF结构

1

优化智慧交通项目:目标跟踪方法,运动模型的设计,DBT和DFT初始化方法,JIT的加速方法,yoloV7目标检测,REP的使用,检测辅助端的使用,E-ELAN的使用,backbone的实现,head结构的实现,数据分析,数据预处理,数据增强,模型训练,预测与评估,车辆检测,kalman的使用,预测和更新阶段,KM算法的匹配,匈牙利算法,IOU匹配,级联匹配,ReId特征提取,欧式距离,余弦距离,马氏距离计算,目标状态更新,Deepsort算法目标跟踪,代价矩阵的设计,虚拟线圈的设计,线圈位置的获取,双线圈检测车流量支持mac电脑的m1芯片和m2芯片的学习

1

友情提示更多学习视频+资料+源码,请加QQ:2632311208。

2022.01.20 升级版本3.0

课程名称

人工智能AI进阶班

课程推出时间

2022.01.20

课程版本号

3.0

主要培养目标

以机器学习和深度学习技术,培养企业应用型高精尖AI人才

主要使用开发工具

Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s

课程介绍

人工智能V3.0课程体系升级以企业需求为导向,专为培养和打造高级人工智能工程师、高含金量课程重磅推出,以业务为核心驱动项目开发,课程包括机器学习和深度学习框架Pytorch和TensorFlow,能够解决企业级数据挖掘、NLP自然语言处理与CV计算机视觉实际问题,通过理论和真实项目相结合,让学生能够掌握人工智能核心技术和应用场景。并推出「六项目制」项目教学,通过六个不同类型和开发深度的项目,使学员能够全面面对大部分企业人工智能应用场景。大型项目库,多行业多领域人工智能项目课程,主流行业全覆盖,其中项目课程天数占比为100天,包括了多行业13个场景的项目课程,让学生达到大厂的项目经验要求。课程消化吸收方面:V3.0在V2.0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,提升就业质量。

1

优化优化Python系统编程,针对人工智能必须的Python高阶知识体系重构课程

1

新增[数据处理与统计分析阶段],以Linux为基础,通过SQL和Pandas完成数据处理与统计分析,为人工智能数据处理奠定技术基础。

1

优化优化机器学习算法,每个算法都兼具使用场景,数学推导过程及参数调优

1

新增[机器学习与多场景],增加多场景案例实战,包括用户画像,电商运营建模等多场景案例实战

1

新增数据挖掘方向[百京金融风控]项目,从反欺诈、信用风险策略、评分卡模型构建等热点知识,使得学员具备中高级金融风控分析师能力。

1

新增数据挖掘方向[万米推荐系统]项目,从多数据源采集、多路召回、基于机器学习算法粗排算法与基于深度学习精排,解决了在大数据场景下如何实现完整推荐系统,使得学员可以具备企业级推荐项目开发能力。

1

优化深度学习基础课由TensorFlow切换为Pytorch,面向零基础同学更加友好

1

优化NLP基础课程Transform基础和Attention注意力机制在原理之后增加英译汉的案例,加强学生对基础算法原理的理解

1

优化NLP基础课程迁移学习API版本变化问题,优化传统序列模型算法原理

1

新增NLP方向[蜂窝头条文本分类优化]项目,增强学生NLP算法优化方面技能

1

新增NLP方向[知识图谱]项目,通过本体建模,知识抽取,知识融合,知识推理,知识存储与知识应用方面,学生可以掌握完整知识图谱构建流程。

1

新增[面试加强课]通过巩固机器学习与深度学习基础算法,加强核心算法掌握,增加数据结构基础算法、动态规划算法、贪心算法等面试高频算法题,加强多行业人工智能案例理解与剖析

1

删除Ubuntu环境搭建开发环境

2021.02.01 升级版本2.0

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: 通过新的开发的文本摘要项目、传智大脑项目, 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【传智大脑】,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。

2020.6.1 升级版本 1.5

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

2019.12.21 升级版本 1.0

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。传智教育研究院经过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?传智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

 
和我们在线交谈!