一、培训安排
二、培训收益
通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员获得：
1. 理论知识与技能提升——深化理论理解、掌握实践技能、培养问题解决能力；
2. 行业洞察与经验积累——了解行业应用趋势，积累项目实施经验，拓展行业人脉资源；
3. 创新思维与能力培养——激发创新灵感，培养批判性思维，提升综合创新能力；
4. 职业发展与竞争力提升——增强就业竞争力，适应职业发展需求，助力职业转型与晋升。
三、培训对象
Ø 政府、企业、学校IT相关技术人员；
Ø 高校相关专业硕士、博士研究生；
Ø 人工智能与知识图谱系统架构师与编程人员；
Ø 企业管理人员、技术主管、产品经理及决策者。
四、日程安排
|
日程
|
主题
|
内容
|
|
第一天
|
机器学习基础
|
1. 机器学习的开发过程
2. 监督学习的处理模式
3. 无监督学习的处理模式
4. 机器学习模型的开发步骤
5. 机器学习模型开发的要点
|
|
机器学习实战
|
1. 分类
2. 回归
3. 时间序列分析
4. 关联分析
5. 聚类与降维
|
|
第二天
|
深度学习基础
|
1. 神经元与神经网络
2. 激活函数的点火机制
3. Sigmoid函数与参数优化
4. 梯度下降法
5. 简单感知机
6. 多层感知机
7. Tensorflow实现感知机
8. Keras实现感知机
9. PyTorch实现感知机
|
|
深度学习进阶
|
1. 前馈神经网络
2. 误差反向传播
3. 创建神经网络
4. Fashion-MNIST图像识别
5. TensorFlow构建图像识别网络模型
6. Keras构建图像识别网络模型
7. PyTorch构建图像识别网络模型
|
|
卷积神经网络与图像识别
|
1. 卷积神经网络的结构
2. 基于TensorFlow构建CNN
3. 基于Keras构建CNN
4. 基于PyTorch构建CNN
|
|
第三天
|
一般物体的图像识别
|
1. 多分类数据集CIFAR-10介绍
2. CNN识别普通物体的结构
3. 基于TensorFlow+CNN构建物体识别模型
4. 基于Keras+CNN构建物体识别模型
5. 基于PyTorch+CNN构建物体识别模型
6. 模型调优提高物体识别精度
|
|
YOLO与目标识别
|
1. YOLO介绍与版本安装
2. 基于YOLO物体检测
3. Labelimg物体标注
4. 目标检测与检测结果保存
|
|
GYM与强化学习
|
1. GYM安装与游戏奖罚设置
2. 强化学习的与众不同
3. 马尔科夫性质与决策过程
4. SARSA 算法介绍与推导
5. 蒙特卡洛多步采样
|
|
知识图谱的存储与检索
|
1. 知识图谱数据库
2. 知识图谱存储方法
3. 基于Neo4j的知识存储实践
4. 开源知识存储工具理论与实践
|
|
第四天
|
注意力机制
|
1. 点积注意力机制
2. 编码与解码注意力
3. 注意力机制中的Q、K、V
4. 自注意力与多头注意力
|
|
TransFormer架构解析
|
1. 各种注意力的应用
2. 编码器输入与位置编码
3. 编码器的内部结构
4. 训练自己的TransFormer模型
|
|
Hugging Face平台介绍与使用
|
1. Hugging Face 平台简介与生态系统
2. Hugging Face 数据集库
3. Transformers 库的使用
4. 模型部署与推理 API
|
五、授课专家
刘老师 国内顶尖AI专家
拥有着十几年软件研发经验，10年企业培训经验，对Java、Python、区块链等技术领域有独特的研究，精通J2EE企业级开发技术。Java方向：设计模式、Spring MVC、MyBatis、Spring、StringBoot、WebService、CXF并且对Java源码有深入研究。Python方向：Python OOP、Mongodb、Django、Scrapy爬虫、基于Surprise库数据推荐，Tensorflow人工智能框架、人脸识别技术。区块链方向：BitCoin、Solidity、Truffle、Web3、IPFS、Hyperledger Fabirc、Go、EOS。
覃老师 拥有两项国家专利
上海大学物理学硕士，创业公司合伙人，技术总监。机器学习，深度学习领域多年一线开发研究经验，精通算法原理与编程实践。曾使用Tensorflow，Caffe，Keras等深度学习框架完成过多项图像，语音，nlp，搜索相关的人工智能实际项目，研发经验丰富。拥有两项国家专利。同时具有多年授课培训经验，讲课通俗易懂，代码风格简洁清晰。
六、报名咨询
400-808-2006
扫码加老师微信
微信服务号