黑马程序员

全国校区

人工智能开发程师课程|制定人工智能教育培训新标准   快速了解人工智能
关闭人工智能ai培训课程视频介绍

【人工智能高级软件工程师课程】

高级软件工程师课程,覆盖自然语言处理NLP、计算机视觉CV、数据科学推荐等AI各行业领先技术,培养AI专精型人才。

课程
特色

人工智能时代
AI专精人才不可或缺
  • 学习人工智能就业靠不靠谱?|国家政策导向

    国家政策导向依托于国家政策的支持,各产业进行数字化转型,智能产业化的升级,推动了人工智能技术蓬勃发展,人才供不应求

  • 人工智能时长发展迅速

    人工智能市场现象级增长万物智联时代,随着大数据、云计算、5G等新技术不断融合创新,加速了新一代智能设备的井喷式发展

  • 人工智能就业前景怎么样?

    AI人才缺口达500万人工智能赋能实体产业规模每年40%速度增长,人工智能核心技术达到商业化阶段,嵌入式AI成为主流技术

转型人工智能
黑马实力助攻
  •    课程设置科学合理
    细分层级,不同阶段定制不同
    学习策略,让你轻松get技能

  • 技术大牛
    倾力研发

    专职教研团队
    沉淀AI新技术

  • 以就业为导向
    覆盖AI职业全技能
    助力学员高端就业

  • 技术周更新
    以周为单位,持续
    更新热点前沿技术

  • 多领域
    实战项目

    面向大厂实际开发
    场景和需求,打造
    学员核心竞争力

人工智能课程
专为这样的你设计
  • 刚毕业学习人工智能编程靠谱吗?

    刚毕业想把握未来

    想抓住未来方向
    但又无从下手的“迷茫者”
  • 学习能录差能不能学会人工智能?

    无基础自学困难

    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”
  • 转行学习Python人工智能靠谱吗?

    想转行没有目标

    在传统行业打拼多年
    想快速转型未来行业的
    “奋斗者”
  • 喜欢研究人工智能技术,适不适合报班学习?

    喜欢钻研人工智能

    热爱新技术、新热点、
    互联网行业,想一步
    到位的“高薪者”
分层级阶梯式教学
将技术融入实战
人工智能算法课程

人工智能算法进阶和面试强化

基于AI常见面试题、先进热点技术进行面试强化提升

人工智能项目

基于企业级项目提升AI算法理论水平、AI业务流实战水平

深度学习与自然语言处理NLP

掌握NLP领域命名试题、分类、情感分析、聊天翻译、阅读理解的专业任务开发

深度学习与图像视觉处理CV

掌握计算机视觉检测、识别、分割、追踪、人脸、表情、姿态的专业任务开发

机器学习

基于机器学习数据处理、算法、调优完成AI模型的开发

AI-Python应用编程

利用网络和数据库完成AI系统应用程序开发

AI-Python编程基础

利用主流AI编程语言完成基本编程开发
查看完整课程大纲
吸纳企业级实战项目
只为打造更优质课程
  • 高标准

    "亿元级"研发投入 大厂项目共建
  • 全行业

    10+AI大型项目,覆盖8大热门行业
  • 全流程

    大厂AI开发标准,重现AI项目开发全流程
  • 真场景

    真实海量数据,真实业务需求
  • 深技术

    技术大牛倾力研发,专职沉淀AI新技术
  • 严保障

    12项评审流程,4项验收标准
9大项目实战流程
层层攻破技术难点
AI项目场景化分工

场景化分工

人员职务角色划分
组建真实项目团队

引入项目管理工具

使用Git、ONES等
项目管理工具监控
团队研发进度
AI项目任务拆解

任务分解

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

需求宣讲及业务对接

讲师担任产品经理角色
实时对接所有业务问题
AI项目实战开发

代码开发

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

项目部署

测试环境
项目部署上线前
初步进行自测
AI项目验收

测试验收

线上自测
实现业务闭环
找到并修复Bug

项目联调

进行项目联调
模拟前后端接口联调
增加团队协作经验
AI项目验收上线

项目上线

生产环境部署,线上回测后进行答辩和评优
百度、京东共建项目
衔接大厂人才需求

【企业服务】场景识别

01

95%

验证集准确率

70

数据集

2

模型优化方案

8

课程天数
项目背景

场景识别是视频内容结构化的重要基础。场景信息是影视剧、短视频推荐的重要依据;通过场景识别把视频按照场景片段分割,为广告与视频场景原生贴合创造条件。

项目体验

【企业服务】实时人脸识别检测

02

98%

验证集准确率

80

数据集

3

模型优化方案

8

课程天数
项目背景

人脸识别项目,不仅能够通过摄像头实时采集视频中的人脸数据,还能对批量输入的图片进行自动化人脸识别。本系统可以实现对视频中的人脸进行跟踪,标注姓名、性别、情绪(开心、生气、自然)等信息,对进入视频的陌生人实施报警,可以通过对人眼状态的监测,对疲劳驾驶情况发出警报,还可以通过对深度神经网络的训练,进行活体检测。

项目体验

【企业服务】智慧交通

03

90%

验证集准确率

85

数据集

4

模型优化方案

8

课程天数
项目背景

智慧交通是一款智能交通辅助工具,包括轨迹估计模型、多目标跟踪、车道线检测等多项技术方案,能够为用户提供实时的交通路况信息,帮助交通管理者规划管理策略,优化出行者的出行策略,减轻交通道路的堵塞压力,检测车道线,降低交通事故的发生概率,提高道路运行的安全系数。

项目体验

【企业服务】智能文本分类系统

04

5

解决方案

2

优化方案

8

课程天数
项目背景

智能文本分类系统是一款TOB类型的NLP领域基础设施类项目,用户可以通过文本分类, 解决智能推荐、精准营销等业务问题。它能够将各类非结构化文本进行精准分类,打上一个或多个适合的标签,帮助用户从业务角度进行数据分析。系统内包含很多NLP基础任务的处理方法,学习智能文本分类项目是学习NLP的必经之路。

项目体验

【企业服务】泛娱乐推荐系统

05

5

解决方案

3

优化方案

5.2

课程天数
项目背景

泛娱乐是一款为粉丝、追星族打造的社交类产品,本系统能够为用户推荐他们喜爱的帖子,增加粉丝间的互动,引发其他粉丝共鸣。通过该项目,学员能够学到包扩个性化推荐、召回策略、GCP排序模型等多个前沿AI解决方案。

项目体验
技术大牛倾力研发
专职沉淀AI新技术
  1. 黑马AI项目课程技术人才优势

    20+
    AI技术大牛

  2. 人工智能项目开发经验

    平均5年+
    AI从业经验

  3. AI项目技术研讨

    300+
    技术研讨

  • 40+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

    ......

  • 10+技术栈

    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

    ......

课程毕业学员  就业高起点
人工智能开发经验丰富
人工智能职业发展方向有哪些?

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)

行业大牛
(4~6 年)

新型技术创业者
(6~10 年)

项目总监
(10 年以上)

行业大牛亲授课程
让你学以致用
  • AI培训课程研发刘老师

    杜老师课程研究员

    10年经验 / 人工智能博士
    研发成果:仇恨言论检测项目
    多模态视频内容标签 多模态商品图文匹配
  • AI培训课程研发赵老师

    赵老师课程研究员

    博士 / 微软AI课程导师
    研发成果:机器学习,数据分析课程    人脸识别,计算机视觉案例库
  • python人工智能培训课程研发朱老师

    朱老师课程研究员

    多年开发经验/ 机器学习
    研发成果:NLP基础课程 在线医生项目
查看更多名师
  • Python编程基础基础班 1

    课时:15天技术点:97项测验:2次学习方式:新型面授

    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|7.掌握学生管理系统编写

    主讲内容1Python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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
  • Python高级和系统编程就业班 1

    课时:15天技术点:123项测验:2次学习方式:新型面授

    学习目标

    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

    主讲内容1Python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
    主讲内容2Python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
    主讲内容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
    主讲内容4Linux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
    主讲内容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。
    主讲内容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
    主讲内容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
  • 机器学习就业班 2

    课时:24天技术点:143项测验:3次学习方式:新型面授

    学习目标

    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

    主讲内容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
    主讲内容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
    主讲内容3sklearn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
    主讲内容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
    主讲内容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
    主讲内容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
  • 深度学习与图像与视觉处理(CV)就业班 3

    课时:22天技术点:153项测验:3次学习方式:新型面授

    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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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;
    主讲内容6OpenCV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
    主讲内容7OpenCV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
  • 深度学习与自然语言处理(NLP)就业班 4

    课时:22天技术点:138项测验:3次学习方式:新型面授

    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

    主讲内容1Pytorch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
    主讲内容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
    主讲内容3RNN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
    主讲内容4Transfomer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
    主讲内容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
    主讲内容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
  • 人工智能项目-智能交通CV项目就业班 5

    课时:13天技术点:150项测验:2次学习方式:新型面授

    学习目标

    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。

    主讲解决方案
    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
    主讲知识点
    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|
  • 人工智能项目-实时人脸识别CV项目就业班 6

    课时:12天技术点:90项测验:2次学习方式:新型面授

    学习目标

    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。

    主讲解决方案
    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
    主讲知识点
    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|
  • 人工智能项目-在线AI医NLP项目就业班 7

    课时:13天技术点:100项测验:2次学习方式:新型面授

    学习目标

    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

    主讲解决方案
    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
    主讲知识点
    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|
  • 人工智能项目-智能文本分类-NLP基础设施NLP项目就业班 8

    课时:12天技术点:80项测验:2次学习方式:新型面授

    学习目标

    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。

    主讲解决方案
    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
    主讲知识点
    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|
  • 算法进阶和面试强化就业班 9

    课时:8天技术点:89项测验:1次学习方式:新型面授

    学习目标

    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

    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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
    主讲内容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;
返回课程目录

↑ 上拉查看下阶段课程

热点技术 “周”更新日志

课程更新日志按周更新热点/前沿技术

  • 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

    · 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2021-06-22

    · 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型· 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2021-03-23

    · 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· 检测框筛选的方法

  • 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

  • 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· ROIPooling的思想

  • 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

  • 新增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

  • 新增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 · 市场中主流AI平台演示 · 边缘检测计算复杂度介绍· 传智大脑整体架构介绍

  • 升级2020-12-21

    · flask框架整体介绍 · 市场中主流AI平台演示 · 边缘检测计算复杂度介绍· 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 · 非正常卷积网络结构解析 · 多尺度网络与非正常卷积初步· 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 · 嘴唇分割模型训练· 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 · 多通道补偿技术· 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· 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

专职课研团队专职教学团队

人工智能专职课研团队
人才筛选标准
人工智能教育培训课研团队 人工智能教育培训教研团队 人工智能教育培训讲师团队人才标准

标准化研发人才画像
多维面试(五面)
研究院小组诊断测评
全链路面试流程监控

课研人员素质考核
课程设计考核
大纲设计考核
讲义撰写考核
视频录制考核
课堂试炼考核
产品全方位审评
考核答辩

技术开源历练
技术私享会
大牛技术沙龙
企业技术共享

人工智能专职课研团队
课程研发体系标准

信息库

应用市场调研+大
数据分析
获取前沿发展方向

课题研究库

前沿热门课题深入
剖析+技术攻坚,
保障课程前瞻性

解决方案库

基于市场主流技术研
发解决方案,
应对职场难题

项目库

基于热门行业领域联合
大牛顾问团,
研发“大厂级”项目

研发人才库

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

人工智能专职课研团队
研发老师履历
人工智能专职教学团队
人才筛选标准
人工智能ai培训课研团队 ai算法工程师培训课研团队 ai算法工程师培训讲师团队

标准化讲师画像初试技术深度
复试授课质量终试价值观

定制个性化考核方案讲师素质考核
视频录制考核排课、备课产出物考核
教育心理考核教学方法考核
课堂试讲考核正式授课答辩

学员满意度打分阶段课程评审
多维培养计划讲师晋升通道

教学团队独创三大教学法
讲透技术重难点
  • 情景式教学法将教学过程形象化的一种授课方法,集风趣、
    知识、故事场景于一体,可大大提高学员对
    知识的理解和吸收

  • 场景式授课通过分析场景特点、梳理场景流程、呈
    现给定场景下技术的实现3个步骤,向学
    员清晰的展现了开发的全流程。

  • Open教学法OPEN 教学法是由传智教育培训院首创的一套
    教学方法论,旨在「用更短的时间讲明白一个
    知识点」

人工智能专职教学团队
研发老师履历
专属教学服务 保障学习结果
  • 入学多维测评,
    定制专属学习计划;
    目标导向式学习,
    精准定靶不脱节;
  • 随堂诊断纠错,
    扫清理解盲点;
    智能指引式建议,
    分层教学,
    因材施教;
  • 阶段效果测评,
    消除知识薄弱点;
    循序渐进式练习,
    从理论到应用;
    随时有问必答,
    攻克技术难点;
  • 学员薄弱
    知识可视化,
    精准查漏补缺;
    BI报表数据呈现,
    精准把控教学质量。
  1. 学习分享
  2. 班级活动
  3. 开班典礼
免费获取人工智能培训教程