大家好，又见面了，我是你们的朋友全栈君。

为进一步推动高等院校人工智能教学工作的开展，加强国内各高等院校同行间的交流，培养国内的师资力量，将人工智能最新实训内容带入课堂，特举办“人工智能系列课程理论与实践”高级培训班。

该培训定于2021年7月20日开始，共包含七大专题，每个专题5天左右，共计30天，通过线上直播的方式进行集训。七大专题分别为Python机器学习，图像识别与深度学习，深度学习与NLP，知识图谱、图神经网络和强化学习，深度学习PyTorch理论与实战。本次培训由权威专家主讲，提供实验环境及实验数据，并提供配套资料，通过剖析工程案例展现机器学习、深度学习、强化学习落地全过程。

一、 培训安排

l 2021年7月20日—2021年8月22日(其中，在线直播30天，07.25、07.31、08.06、08.14休息）

时间安排 培训内容 培训时间 地点

每晚 19:30-22:00 支持回放

线上直播 ，支持回放

7月20日—7月24日（共5天）

Python机器学习

7月26日—7月30日（共5天）

图像识别与深度学习

8月1日—8月5日（共5天）

深度学习与NLP

8月7日—8月10日（共4天）

知识图谱

8月11日—8月13日（共3天）

图神经网络

8月15日—8月19日（共5天）

强化学习

8月20日—8月22日（共3天）

深度学习PyTorch理论与实战

二、 培训对象

（1）高等院校

人工智能、数据科学相关学科；计算机、网络通信、自动化、电子工程、 数理统计、电子商务、物联网工程、物流管理、信息与计算科学等专业的科研、教学带头人，骨干教师、博士生、 硕士生；

（2）从事人工智能，计算机、数据科学、互联网等相关领域的科研院所的项目负责人、科研人员、工程技术人员。

（3）各地方政府信息中心负责人、 技术骨干。

（4）互联网产业投资团队——人工智能，数据科学方向。以及应用开发商， 服务提供商等。

（4）有志于数据分析，机器学习研究和应用的从业者。

三、 培训目标

（1）、学习掌握使用 Python 编程语言来进行数据爬取、数据分析、机器学习等操作。

（2）、学习掌握机器视觉技术中图像识别与目标侦测，包括图像处理，图像特征抽取，特征学习，以及基于卷积神经网络的一些机器学习算法和应用。

（3）、掌握 python 实现中文自动分词，词性标注，句法分析，自然语言生成，文本分类，信息检索，信息抽取，文字校对，问答系统，机器翻译，自动摘要，文字蕴涵。

（4）、掌握知识图谱基础知识，领域应用和学术前沿趋势，掌握解知识图谱核心技术。掌握知识图谱在语义搜索、问答系统、个性化推荐等领域的应用。

（5）掌握图神经网络的基本知识,以及多种高级的算法:DeepWalk和GraphSage、GCN等，并能够实现图神经网络算法。

（6）、系统掌握强化学习各经典算法（基础求解法和联合求解法）的技术原理，能够编程实现各经典算法。掌握迷宫寻宝、飞翔的小鸟、小车倒摆、钟摆、AlphaGO、AlphaGO Zero、AlphaZero的技术原理和代码实现。

（7）轻松学会使用PyTorch实现各类机器学习、图像处理、自然语言处理、生成式深度学习、强化学习等。

四、培训专家

邹博（邹伟），睿客邦创始人，华东建筑设计研究院研究员、山东交通学院客座教授、硕士生导师，南昌航空大学双师型教师、中国软件行业协会专家委员、上海市计划生育科学研究所特聘专家、天津大学创业导师、中国医药教育协会老年运动与健康分会学术委员、《聊城大学学报》编委；睿客邦当前进入发展第4年，已经与全国十多所高校建立了AI联合实验室，完成和在研50多个AI工业项目，广泛应用于医疗、交通、农业、气象、银行、电信等多个领域。合作企业有：中国电信、中国移动、CSDN，中国建设银行等。在国内外期刊会议发表论文10 余篇，获得国家发明专利1 项，著书1本，译书6本。

五、培训内容

专题一：Python网络爬虫、数据分析及机器学习

课程简介

通过大量案例快速介绍 Python 运算符、表达式、内置函数，列表、元组、字典、集合，以及等内容。学习完这些基础内容之后，重点学习python网络爬虫、网络爬虫原理与应用、numpy 数组运算与矩阵运算、pandas 数据分析、matplotlib数据可视化以及 sklearn 机器学习等方面的内容，结合最新的案例进行实战。

课程特点

1) 报名赠送全部PPT和案例源代码、实验录播课及实验手册等资源。

2) 全案例教学，边讲边练，实战性强，助教辅导，力争让每位学员掌握所学内容。

课程大纲

1、Python基础学习

解释器Python2.7/3.x、IDE：Anaconda/Pycharm

列表/元组/字典/类/文件

Python安装与环境配置

Python基本数据类型：list, dict, tuple, set等

Python文件操作：txt, excel等

Python 的标准库

Python高级用法：切片、迭代、map、filter、reduce

代码和案例实践：

公路堵车概率模型Nagel-Schreckenberg实现

负二项分布与比赛胜率

本福特定律

蝴蝶效应：Lorenz系统的三维绘制

2、python网络爬虫

字符串重要方法应用

中英文分词，拼音处理

网页文本提取与图片下载

简单反爬机制对抗

代码和案例实践：

《青春有你2》选手数据爬取与分析

《安家》影评爬取与数据分析

《乘风破浪的姐姐》数据爬取与分析

《平凡的荣耀》数据爬取与分析

中国工程院院士信息爬取与分析

爬取某学校所有新闻

演员数据分析，最受欢迎的演员、关系最好的演员组合

3、Python数据分析

Numpy/Scipy/Pandas/Matplotlib/Seaborn库

Numpy基础属性与数组创建

Numpy索引

Numpy数学运算与常用分布

Pandas数据处理与分析

Pandas文件读写和个性化控制

Pandas的concat与merge

Matplotlib 基本图结构介绍

基于Matplotlib绘制散点图、柱状图、等高线图、3D图等

多图合并与图片文件存取

scikit-learn的介绍和典型使用

XGBoost、LightGBM

多元高斯分布

典型图像处理

多种数学曲线

多项式拟合

代码和案例实践：

股票数据分析

图像处理与奇异值分解SVD

饭店营业额数据分析

散点图，商场内手机信号强度分布，烧烤店营业额

饼状图，学生成绩分布

4、回归分析

线性回归

Logistic/Softmax回归

广义线性回归

L1/L2正则化

Ridge与LASSO

Elastic Net

梯度下降算法：BGD与SGD

特征选择与过拟合

Softmax回归的概念源头

最大熵模型

K-L散度

代码和案例实践：

线性回归算法儿童身高预测

股票数据的特征提取和应用

泰坦尼克号乘客缺失数据处理和存活率预测

环境检测数据异常分析和预测

二手车数据特征选择与算法模型比较

广告投入与销售额回归分析

鸢尾花数据集的分类

5、决策树和随机森林

熵、联合熵、条件熵、KL散度、互信息

最大似然估计与最大熵模型

ID3、C4.5、CART详解

决策树的正则化

预剪枝和后剪枝

Bagging Boosting AdaBoost GBDT XGBoost

随机森林

不平衡数据集的处理

利用随机森林做特征选择

使用随机森林计算样本相似度

异常值检测

代码和案例实践：

根据三围信息判断性别

葡萄酒数据集的决策树/随机森林分类

泰坦尼克乘客存活率估计

6、SVM

线性可分支持向量机

软间隔

损失函数的理解

核函数的原理和选择

SMO算法

支持向量回归SVR

多分类SVM

代码和案例实践：

支持向量机手写数字图像识别

原始数据和特征提取

调用开源库函数完成SVM

数字图像的手写体识别

MNIST手写体识别

SVR用于时间序列曲线预测

SVM、Logistic回归、随机森林三者的横向比较

垃圾邮件分类

7、聚类

各种相似度度量及其相互关系

Jaccard相似度和准确率、召回率

Pearson相关系数与余弦相似度

K-means与K-Medoids及变种

AP算法(Sci07)/LPA算法及其应用

密度聚类DBSCAN/DensityPeak(Sci14)

谱聚类SC

聚类评价和结果指标

代码和案例实践：

向量量化VQ及图像近似

并查集的实践应用

密度聚类的异常值检测

谱聚类用于图片分割

使用聚类算法压缩图像颜色

8、集成学习

个体与集成

Boosting

随机森林

Bagging

GBDT和XGBoost

Stacking

代码和案例实践：

使用集成学习构建初级学习器和次级学习器。

RF和GBDT实现乳腺癌和鸢尾花的分类

9、概率图模型

隐马尔可夫模型

马尔可夫随机场

条件随机场

代码和案例实践：

隐马尔科夫模型进行中文分词

多种不同的模型（包括HMM，CRF，Bi-LSTM，Bi-LSTM+CRF）来解决中文命名实体识别问题

10、关联规则

频繁项集、关联规则

Aprori算法、序列挖掘

谷歌的pagerank算法

代码和案例实践：

由Python实现的频繁项集挖掘Apriori算法

使用Apriori算法进行频繁项集的挖掘以及关联规则的挖掘

项目案例展示（部分）

1、绘制折线图、散点图、热力图辅助数据分析

2、基于协同过滤算法的电影打分与推荐

演示协同过滤算法原理以及 Python 内置函数、字典与集合、选择结构、循环结构、标准库 random 的用法。

3、用python演示泰坦尼克号生存预测、二手车特征选择和识别以及红酒分类。

4、用python进行鲍鱼年龄预测、波士顿房价预测。

5、小额贷款风控特征计算和用户逾期预测

专题二：图像识别与深度学习

课程简介：

机器视觉是人工智能技术最经典的技术，起步早，发展成熟，在识别、定位、测量、分拣等当面都有相当成熟的应用。机器视觉技术主要包含图像识别与目标侦测，本课程主要就是介绍这两个方面的基础内容；从图像处理，到图像特征抽取，到特征学习，主要介绍了基于卷积神经网络的一些机器学习算法及其简单应用。本课程主要以编程实现为主，用来强化机器视觉的理论与应用认知。

课程大纲：

1、图像处理与计算机视觉

skimage来源、简介与安装

OpenCV

将视频转换为图像序列

图像可视化与几何作图

HSV、RGB与图像颜色空间的转换

图像增强与(局部)直方图均衡化

给予边缘和区域的图像分割

gamma矫正和对数矫正

亮度区域检测与前景提取

图像边缘检测/特征提取与图像算子

代码和案例实践：

人脸检测

以图搜书

异物检测

光流跟踪

regional maxima检测与应用

2、图像视频综合处理

Gabor/Laplace/Prewitt/Roberts

Scharr/Sobel/Niblack/Wiener

图像形态学：开/闭/凸包/膨胀/腐蚀

双边滤波器/小波降噪/wiener滤波

角点检：Harris，Shi-Tomasi

SIFT、SURF算法

视频分析：Meanshift 和 Camshift 算法

代码和案例实践：

HAAR/HOG/LBP等特征应用

视频前景背景分析与异物检测

光流跟踪

车辆跟踪

3、卷积神经网络CNN

神经网络结构，滤波器，卷积

池化，激活函数，反向传播

目标分类与识别、目标检测与追踪

AlexNet、VGGNet、GoogleLeNet

Inception-V3/V4

ResNet、DenseNet, EfficientNet

反卷积原理

UNet搭建

代码和案例实践：

人脸数据爬取与识别

指纹识别

海洋生物分类

人脸打分

表情识别

场景分类

美食图片分类

斑马线检测

中草药识别

猫狗大战

以图搜图

人证合一

狗脸识别

4、图像视频的定位与识别

视频关键帧处理

物体检测与定位

TwoStage模型：RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN, Cascadercnn, EffiicientDet

OneStage模型：YOLO、SSD

小目标识别技术方案

人脸检测与识别：MTCNN、SSH、S3FD、PyramidBox、 FaceNet

YOLOv3的使用

代码和案例实践：

室内场景下的物体识别

人脸检测

OCR字体定位和识别

睿客识云

气象识别

基于YOLO-v3的目标检测

5、图像分割

图像分割、语义分割

实例分割、视频分割

FCN全卷积网络U-Net模型

Mask-R-CNN

Deeplab

代码和案例实践：

基于UNet的眼底图像血管分割实例

遥感图像语义分割

项目案例展示（部分）

1、道路病害检测

2、微光夜视增强

3、人脸识别、指纹识别

4、猫狗分类

5、室内场景单/多目标检测

6、狗脸识别

专题三：深度学习与NLP

课程简介

《自然语言处理》课程是 python 机器学习和深度学习的进阶课程，通过学习这门课程，你会了解自然语言处理的基本概念和应用场景，掌握通过 python 来对语音或文本进行处理、并利用机器学习和深度学习算法进行建模，解决人机对话、机器翻译、情感分析和语音识别等实际问题。

本课程主要培养训练学员掌握 python 实现中文自动分词，词性标注，句法分析，自然语言生成，文本分类，信息检索，信息抽取，文字校对，问答系统，机器翻译，自动摘要，文字蕴涵。

课程特点

1) 报名赠送全部PPT和案例源代码、实验录播课及实验手册等资源。

2) 全案例教学，边讲边练，实战性强，助教辅导，力争让每位学员掌握所学内容。

课程大纲：

1、经典NLP技术

语言模型Bi-Gram/Tri-Gram/N-Gram

分词

词性标注

依存句法分析

语法树及其意义

语义关系抽取

词向量

文本分类

问答系统

情感分析

代码和案例实践：

NLTK 工具包使用

WordCloud 制作词云

TextRank 关键词提取

Jieba 实现 TFIDF 算法

输入法设计

HMM分词

文本摘要的生成

智能对话系统和SeqSeq模型

阅读理解的实现与Attention

2、中文分析与特征抽取

前向/后向算法

HMM的参数学习

CRF

Baum-Welch算法详解

Viterbi算法详解

隐马尔科夫模型的应用优劣比较

共轭先验分布

Laplace平滑

Gibbs采样详解

Metropolis-Hastings算法

MCMC

代码和案例实践：

敏感话题分析

网络爬虫的原理和代码实现

GMM-HMM用于股票数据特征提取

HMM用于中文分词

文件数据格式UFT-8、Unicode

发现新词和分词效果分析

3、卷积神经网络CNN

复习卷积神经网络

代码和案例实践：

句子分类

word2Vec 影评数据分析

文本分类

训练词向量

电影情感分析

4、空间序列模型RNN

RNN基本原理

LSTM、GRU

Attention、Self-Attention

CNN+LSTM模型

Bi-LSTM双向循环神经网络结构

编码器与解码器结构

特征提取：word2vec

Seq2seq模型

代码和案例实践：

聊天机器人

中英文翻译系统

看图说话

视频理解

藏头诗生成

问答对话系统

OCR

循环神经网络调参经验分享

智能对话系统

新闻质量与舆情监测

5、预训练模型（PTM）

词嵌入和word2vec

skip-gram和CBOW

Glove

动态词向量与ELMo技术

ERNIE

自注意力机制与Transformer

BERT与ALBERT

RoBERTa模型

SpanBERT模型

GPT

代码和案例实践：

bert_seq2seq实现写诗、对联、摘要

情感分析，文本分类、关系提取。

基于tranformer xl进行文本生成任务，生成小说、古诗、日常话题

项目案例展示（部分）

1、新词发现和词云展示

2、 斗破苍穹续写

3、 古诗生成

4、 看图说话

5、情感分析

6、机器翻译

7、聊天机器人（如何训练一个像小冰的机器人）

专题四：知识图谱

课程简介：

知识图谱是大数据时代知识表示的主要形态之一，是人工智能应用不可或缺的基础资源。知识图谱现在已经在语义搜索、问答系统、个性化推荐等领域得到了较为广泛的应用。本课程对知识图谱基础知识，领域应用和学术前沿趋势进行介绍。接着重点讲解知识图谱核心技术，并根据应用案例，手把手带领大家实现工程项目。

课程大纲：

1、知识表示与建模

知识图谱概念、发展历程

知识图谱类型和代表性知识图谱

知识表示概述

知识表示框架

代码和案例实践：

使用protégé进行本体的构建

2、知识源数据的获取

结构化数据的获取

非结构化数据的获取

代码和案例实践：

将mysql数据导出为图谱源数据

股票吧信息爬取实战

使用爬虫获取企业法人等信息

获取企业风险知识图谱源数据

3、知识抽取

知识抽取概述

实体抽取技术：基于命名实体、基于关键词

关系抽取技术

事件抽取技术

代码和案例实践：

基于LSTM+CRF的命名实体识别

CNN关系抽取

基于模板完成事件抽取

使用hanlp抽取法人名称、企业名称等信息

使用TextRank算法完成知识抽取

使用句法依存算法关系抽取

4、知识融合

知识融合概述

实体统一

实体消歧

知识合并

代码和案例实践：

使用jieba完成公司名的实体统一

使用tf-idf完成实体消歧

6、知识存储

知识图谱数据模型、RDF图、属性图

基于关系的知识图谱存储管理

关系数据库

Jena

原生知识图谱存储管理

图数据库neo4j

代码和案例实践：

neo4j的安装与部署

neo4j实战操作

使用neo4j工具导入知识图谱

知识图谱查询语言

7、案例：使用neo4j从零搭建简单知识图谱

项目背景

数据模型设计

使用爬虫获取原始数据

构建知识图谱

展示知识图谱

使用neo4j完成知识推理

代码和案例实践：

基于金融知识图谱的问答机器人

基于法律领域的知识图谱

基于医药知识图谱的问答系统

项目案例展示（部分）

1、BiLSTM+CRF命名实体识别模型

每个句子按照词序逐个输入双向LSTM中，结合正反向隐层输出得到包含每个词类别特征的表示，输入CRF中，优化目标函数，从而得到每个词所属的实体类别。

2、基于卷积神经网络的关系分类方法

通过词向量表示词汇的语义特征，通过CNN表示句子的语义特征。

3、图数据库的使用

介绍jena的用法，掌握关系数据库向图数据库中三元组的转换。

4、基于分布式表示的知识推理

5、基于知识图谱的问答系统

专题五：图神经网络

课程简介：

得益于图神经网络的无可比拟的优势，即非顺序排序的特征学习、两个节点之间的依赖关系的学习、推理能力，以及其在非结构化数据上出色的处理能力，使得它在学界和工业界大放异彩。本专题介绍了图神经网络的基本知识,以及多种高级的算法:DeepWalk和GraphSage、GCN等，带领大家掌握并能够实现图神经网络算法。

课程大纲：

1、图学习和图游走类模型

图、临接表、临接矩阵

图学习

图学习应用

deepwalk

node2vec

Metapath2vec

LINE

代码和案例实践：

训练图模型来区分图上的黄色节点和绿色节点。

deepwalk游走代码讲解

2、图神经网络

图神经网络(Graph Neural Network)

不动点理论、 模型学习、 GNN 与 RNN、GNN 的局限

门控图神经网络(Gated Graph Neural Network)

状态更新、 GNN 与 GGNN

代码和案例实践：

到达判断

语义解析

掷骰子问题

基于GCN的节点分类

3、图卷积神经网络

拉普拉斯矩阵与GCN

图卷积和图卷积框架

ChebyNet-切比雪夫多项式近似图卷积核

SGC-简化GCN

TAGCN

代码和案例实践：

ChebyNet实战

SGC实战

TAGCN实战

4、空域卷积和频域卷积

空域卷积(Spatial Convolution)

消息传递网络、 图采样与聚合、 图结构序列化

频域卷积(Spectral Convolution)

基础简介：图上的傅里叶变换

频域卷积网络、 切比雪夫网络

图读出操作(ReadOut)

基于统计的方法

基于学习的方法：

采样加全连接、 全局结点、 可微池化、 其他方法；

代码和案例实践：

图上的傅里叶变换实战

5、GNN的变体

采样邻居

聚合邻居

GraphSAGE算法过程

注意力机制

图注意力层

多头图注意力层

GAT

GAE

R-GCN

代码和案例实践：

GraphSAGE实战

GAT实战

GAE

项目案例展示（部分）

1、图嵌入

2、ERNIEStage模型结构

3、TAGCN在k=3时的卷积过程

4、GraphSAGE是一种在超大规模图上利用节点的属性信息高效产生未知节点特征表示的归纳式学习框架。

5、GAE：使用图自编码器获取两个用户隐含的相似关系

专题六：强化学习

课程简介：

了解强化学习的前沿发展态势，明确人工智能与强化学习相结合的理论研究方向。系统掌握强化学习各经典算法（基础求解法和联合求解法）的技术原理，能够编程实现各经典算法。掌握迷宫寻宝、飞翔的小鸟、小车倒摆、钟摆、AlphaGO、AlphaGO Zero、AlphaZero的技术原理和代码实现。了解强化学习在工业界的落地应用，可以从零开始，动手操作，使用各经典算法解决经典的强化学习问题。

课程大纲：

1、强化学习概述

强化学习的定义、原理、组成

强化学习和其他机器学习的关系

强化学习的分类、研究方法

强化学习的重点概念

2、马尔可夫决策过程

马尔可夫性、马尔可夫过程 、马尔可夫决策过程

贝尔曼期望方程、贝尔曼最优方程、最优策略

3、动态规划

动态规划基本思想

策略评估和策略改进

策略迭代算法

值迭代算法

代码和案例实践：

网格世界寻宝

网格世界环境描述

策略迭代算法运行流程

值迭代算法运行流程

4、蒙特卡罗

蒙特卡罗核心思想

蒙特卡罗评估

增量式方法

蒙特卡罗控制

在线策略/离线策略

在线策略蒙特卡罗算法

重要性采样离线策略蒙特卡罗算法

加权重要性采样离线策略蒙特卡罗算法

代码和案例实践：

“十点半”游戏

游戏介绍及环境描述

在线策略蒙特卡罗算法运行流程

加权重要性采样离线策略蒙特卡罗算法运行流程

核心代码演示

算法小结

5、时序差分

时序差分简介、TD目标值 / TD 误差

DP/MC/TD对比

在线策略TD：Sarsa算法

离线策略TD：Q-learning算法

代码和案例实践：

带陷阱的网格世界寻宝

Sarsa算法运行流程

Q-learning算法运行流程

算法小结

6、资格迹

前向视角/后向视角

多步TD

前向TD(λ)算法

后向TD(λ)算法

前向Sarsa(λ)算法

后向Sarsa(λ)算法

前向Watkins’s Q(λ)算法

后向Watkins’s Q(λ)算法

代码和案例实践：

风格子世界

环境描述

后向Sarsa (λ) 算法运行流程

后向Watkins’s Q(λ)算法运行流程

核心代码演示

算法小结

7、值函数逼近

表格型强化学习/函数近似型强化学习

线性逼近/非线性逼近

增量法

值函数逼近-Sarsa算法

批量法

值函数逼近-Q-learning算法

人工神经网络（卷积、池化、全连接）

DQN方法

Double DQN方法

Dueling DQN方法

代码和案例实践：

飞翔的小鸟

游戏简介及环境描述

算法运行流程

核心代码演示

算法小结

8、随机策略梯度

随机策略梯度简介

策略梯度优缺点

策略梯度方法分类

随机策略梯度定理

REINFORCE方法

带基线的REINFORCE方法

代码和案例实践：

小车上山

游戏简介及环境描述

REINFORCE算法运行流程

核心代码演示

算法小结

9、 Actor-Critic及变种

AC与带基线 REINFORCE的不同

A2C方法

异步方法简介及核心思想

异步 Q-learning 方法

异步 Sarsa 方法

异步 n步 Q-learning方法

A3C方法

代码和案例实践：

钟摆

游戏简介及环境描述

A3C算法运行流程

核心代码演示

算法小结

10、学习与规划

有模型方法和无模型方法

模型拟合

Dyna框架

Dyna-Q算法

Dyna-Q+

优先级扫描的Dyna-Q

Dyna-2算法

代码和案例实践：

迷宫寻宝

游戏简介及环境描述

Dyna-Q算法运行流程

核心代码演示

算法小结

11、博弈强化学习

博弈及博弈树

极大极小搜索

Alpha-Beta 搜 索

蒙特卡罗树搜索

AlphaGo基本原理

AlphaGo神经网络

AlphaGo蒙特卡罗树搜索

AlphaGo的整体思路

AlphaGo Zero下棋原理

AlphaGo Zero的网络结构

AlphaGo Zero的蒙特卡罗树搜索

AlphaGo Zero总结

AlphaZero

代码和案例实践：

五子棋

游戏简介及环境描述

算法运行流程（MCTS算法和 MCTS+神经网络算法）

核心代码演示

算法小结

精彩分享

1、打砖块、超级玛丽、吃豆人和跑酷

2、动态规划 vs 蒙特卡罗 vs时间差分

3、DQN的经历回放和目标网络

4、ActorCritic vs GAN

5、AlphaGo整体思路

专题七：深度学习PyTorch理论与实战

课程简介：

PyTorch具有如下的特点：1、支持GPU；2、动态神经网络；3、Python 优先；4、命令式体验；5、轻松扩展。学习本专题可以掌握PyTorch基础与进阶知识。轻松学会使用PyTorch实现各类机器学习、图像处理、自然语言处理、生成式深度学习、强化学习等。本专题体系完整，侧重实战，学员可以跟着讲师从零开始，动手操作。

课程大纲：

深度学习PyTorch理论与实战

PyTorch初见与环境准备

1. 深度学习基础与框架

2. Python环境选择与安装

3. PyTorch+CUDA+CuDNN安装与配置

4. 开发环境IDE

PyTorch基础与进阶

1. Numpy与Tensor操作

2. 自动求导

3. 使用Tensor及Antograd实现机器学习

4. 神经网络

5. 优化器

6. 基于Pytorch的神经网络案例实战

机器学习原理与PyTorch高级

1. 机器学习原理

2. 过拟合与欠拟合

3. 激活函数与损失函数

4. 优化器

5. PyTorch与科学计算

6. GPU加速

7. 可视化工具tensorboardX

卷积神经网络及图像处理相关

1. 卷积神经网络CNN

2. 经典卷积神经网络LeNet5、AlexNet、VGG、GoogLeNet、ResNet、DenseNet

3. PyTorch实现图像分类

循环神经网络及NLP相关

1. 循环神经网络

2. LSTM、GRU、Bi-RNN

3. 文本数据处理

4. 词嵌入

5. Pytorch实现RNN、LSTM、GRU

用LSTM预测股票行情

生成式深度学习

1. 变分自编码VAE

2. GAN网络

3. 采用VAE和GAN生产图像

4. DCGAN 、CGAN

迁移学习与人脸检测与识别

1. 数据增强

2. 特征提取

3. 微调实例

4. 清除图像中的雾霾

5. 人脸检测与对齐

6. MTCNN算法

7. 人脸识别

5. 人脸检测与识别Pytorch实现

机器翻译与风格迁移

1. Encoder-Decoder

2. 注意力框架

3. 用注意力机制实现中英文互译

4. 风格迁移

5. 图像修复

8. Pytorch案例实战

强化学习

1. Q-Leaning原理

2. Pytorch实现Q-Learning

3. SARSA算法

用Pytorch实现SARSA

深度强化学习

1. DQN算法原理

2. 用深度学习解决强化学习问题

3. DQL损失函数

4. 经验回访机制

DQL算法的Pytorch实现

PyTorch领域技术探索

1. FastAI框架

2. ELMo、GPT、BERT

3. NLP与CV多模态融合

4. PyTorch Big Graph与非欧数据

1、基于CIFAR-10数据集的图像分类

2、LSTM预测股价

3、消除图像中的雾霾

4、图像风格迁移

五、学时证明

参加相关培训的学员可以提供学时证明

六、报名费用

5980元/人(含资料费，培训费，赠送人工智能学习资料)。请各有关部门统一组织本地区行政、 企事业单位报名参加培训