manbetx体育播客旗下品牌：|||||
全国咨询/投诉热线：400-618-4000
manbetx体育播客旗下品牌：|||||
全国咨询/投诉热线：400-618-4000
早在2016年，manbetx体育播客黑马程序员打造了线下实体班Python+人工智能作业班，以Web和人工智能-数据科学双中心，操练了AI开发人员20000+。
现在，manbetx体育播客黑马程序员又要打造线下实体班：人工智能AI进阶班。 人工智能AI进阶班面向编程零根底、有数学根底的学员，培育AI算法工程师、图画与视觉处理（CV）开发工程师、天然言语处理（NLP）开发工程师。
强壮的教育和研制团队（10+年团队课程规划经历、4+年AI教育施行团队）保证每一阶段的课程都精雕细镂、最短常识途径。人工智能AI进阶班课程由研制团队录制好双元产品，AI讲师亲身讲堂演绎。
全程有7个阶段。机器学习阶段掩盖10+经典算法、15+实战事例；图画与视觉处理（CV）阶段内容触及Tensorflow结构、图画分类、检测、切开、OpenCV，CV事例8+；天然言语处理（NLP）阶段内容触及PyTorch结构、经典NLP算法和网络、分类运用、序列标示、机器翻译、阅览了解、笔直范畴问答体系、NLP事例8+。项目阶段4个大项目（每个项目天数8+，6选4）；AI算法强阶段内容触及立体视觉与SLAM、强化学习、散布式机器学习、进化学习、论文复现。
课程规划操练学员运用AI算法构建事务流的才能，操练学员AI算法实用性、拓宽性、立异性，论文复现的才能。比方AI在线医师项目以AI算法为主线，实战构建企业事务流，微信小程序、常识图谱、web和数据库开发。详见课程纲要。
CV和NLP实战事例选用当下抢手事例；CV和NLP实战项目来源于一线企业；项目由30+研制团队合力研制，延聘一线大牛研制工程师。详见课程纲要。
依托manbetx体育播客精雕细镂的课程规划风格，课程规划环节已考虑消化吸收，让零根底小白、预转行的开发工程师都能顺畅入行。处理AI工作入门难、学习难、通晓难、学习周期长的痛点。详见课程纲要。
本课程适合于：具有本科及以上学历的技能小白、预转行的开发工程师等。
注：获取更多免费学习视频+材料+笔记，请加QQ：2632311208。
全日制脱产，每周5天上课, 上两天课歇息一天的上课办法（实践操练时刻或许因法定节假日等要素发作改变）
部分校区或许会依据实践状况有所调整，概况可询咨询教师 点击咨询
| 人工智能AI进阶班--根底班课程纲要 | |||
| 所在阶段 | 主讲内容 | 技能要害 | 学习方针 |
| 第1阶段： python根底编程 |
Python榜首个程序 | 变量、标识符和要害字、输入和输出、数据类型转化 | 可把握的中心才能： 把握Python根底语法, 具有根底的编程才能。 可处理的实际问题： 可以娴熟运用Python技能完结针对小问题的程序编写。 |
| 条件操控句子和循环句子 | 比较联系运算符、逻辑运算符、三目运算符、while循环、for循环、break和continue | ||
| 容器类型 | 列表、元组、字典、有序字典、公共函数、字符串 | ||
| 函数 | 函数的界说和调用、不定长参数函数、匿名函数、递归函数、可变和不可变类型 | ||
| 文件操作 | 文件翻开和封闭、文件的读写、os模块文件与目录相关操作、文件运用事例 | ||
本课程适合于：具有本科及以上学历的技能小白、预转行的开发工程师等。
注：获取更多免费学习视频+材料+笔记，请加QQ：2632311208。
全日制脱产，每周5天上课, 上两天课歇息一天的上课办法（实践操练时刻或许因法定节假日等要素发作改变）
部分校区或许会依据实践状况有所调整，概况可询咨询教师 点击咨询
| 人工智能AI进阶班--作业班课程纲要 | |||
| 所在阶段 | 主讲内容 | 技能要害 | 学习方针 |
| 第二阶段 ： python高档和体系编程 |
面向方针 | 面向方针介绍、类的界说和方针的创立、增加和获取方针特征、init办法、私有办法和私有特征、承继、多态、类办法、方针办法、静态办法 | 可把握的中心才能： 1、可以娴熟把握Python的进阶语法的运用； 2、把握logging模块，可以进行日志处理； 3、把握Python中的re模块的运用, 可以完结对字符串进行杂乱形式匹配； 4、可以了解与把握根底的数据结构和算法思维，具有编程处理问题的才能。 可处理的实际问题： 1、可以运用Python编写脚本程序处理根底运用问题； 2、能运用数据结构和算法思维去处理实践问题。 |
| 反常处理 | 捕获反常、反常的传递、自界说反常 | ||
| 模块和包 | 模块介绍、模块的导入、模块中的 __all__、模块中 __name__ 的作用、包的介绍、包的导入 | ||
| Python高档语法 | property特征、with句子和上下文办理器、闭包、装修器、迭代器、生成器、深复制与浅复制、Python内存办理、废物收回 | ||
| Python常用规范库 | sys模块、logging模块、正则表达式的介绍、re模块的运用、正则表达式的演练 | ||
| 事例：职工办理体系 | 显现菜单、新建手刺、删去手刺、批改手刺、检查手刺、退出体系 | ||
| 数据结构与算法 | 时刻杂乱度、空间杂乱度、Python内置类型功用剖析、次序表；链表：链表和链表的运用；行列：行列概念、行列的完结与运用、双端行列；排序和查找算法：冒泡排序、挑选排序、刺进排序、快速排序、查找、常见算法功率；散列表；二叉树：树的引进、二叉树、二叉树的遍历、二叉树扩展。 | ||
| Linux体系运用 | CentOS操作体系介绍与运用、Linux指令运用、Linux指令选项的运用、长途登录和长途复制、vi编辑器运用、CentOS软件装置和软件卸载 | 可把握的中心才能： 1、可以娴熟运用Linux操作体系； 2、把握网络编程相关技能, 可以完结网络间数据通讯； 3、把握程序规划开发中多使命完结办法。 可处理的实际问题： 可以依据Linux操作体系了解与开发多使命的网络程序。 |
|
| 网络编程 | IP地址的介绍、端口和端口号的介绍、socket的介绍、依据TCP通讯程序开发 | ||
| 多使命编程 | 多使命介绍、进程的运用、线程的运用、线程同步与互斥锁、死锁介绍、协程的运用、进程线程协程的比照 | ||
| Web根底运用：HTTP协议 | HTTP协议介绍、HTTP通讯进程、curl指令运用、urllib与requests模块运用 | 可把握的中心才能： 1、可以了解HTTP通讯； 2、可以了解前端开发技能； 3、可以把握根本的Web后端开发技能。 可处理的实际问题： 可以依据Django结构开发Web后端接口。 |
|
| Web根底运用：前端根底 | HTML概述及根本结构、HTML标签介绍、CSS载入办法、CSS特征入门、JavaScript语法介绍、jQuery介绍、JSON、AJAX | ||
| AI开发所需Web运用：Django结构 | Django结构简介和MVT规划形式;Django工程树立：环境装置、创立工程和子运用、界说视图和路由;Django工程装备：装备文件的运用、路由匹配、路由界说的方位和解析的次序、静态文件、展现静态文件 | ||
| 取URL查询参数、提取恳求体数据、提取恳求头数据、其他常用恳求方针特征；呼应HttpResponse：HttpResponse的运用、JsonResponse的运用;RESTful API风格介绍；前端和后端接口对接 | |||
| 第三阶段： 机器学习 |
科学核算库 | 人工智能概述、机器学习界说、机器学习作业流程； 机器学习算法分类、算法模型点评、Azure机器学习渠道试验、机器学习根底环境装置与运用 |
可把握中心才能： 1、把握数据科学库的运用； 2、把握数据根本处理的办法。 可处理的实际问题： 对实践作业中搜集到数据进行数据可视化、根本剖析，提取有价值信息。 |
| Matplotlib库运用：Matplotlib架构介绍、Matplotlib根本功用完结、Matplotlib完结多图显现、Matplotlib制造各类图形 | |||
| Numpy库运用：Numpy运算优势、数组的特征、数组的形状、Numpy完结数组根本操作、Numpy完结数组运算 | |||
| Scipy运用：常数和特别函数、拟合与优化、线性代数（含方程组求解）、数值积分和插值 | |||
| pandas库运用：pandas根本数据操作、DataFrame、Series、MultiIndex、panel、pandas画图、文件读取和存储、缺失值处理、数据离散化、数据兼并、穿插表和透视表、分组和聚合；事例：电影数据剖析 | |||
| 数学及核算开始及Python库完结：核算学习（比较查验/假设查验/穿插验证t查验）； 混杂矩阵相关（错误率与精度/查准率/查全率） |
|||
| 数值核算办法开始及Python库完结：线条抽样、牛顿及拟牛顿法、拉格朗日对偶性；曲线拟合（含插值及多项式迫临） | |||
| 数值核算办法开始及Python库完结：矩阵相关核算 | |||
| 机器学习 （算法篇） |
sklearn介绍、sklearn获取数据集、seaborn介绍、数据可视化、数据集区别 | 可把握中心才能： 1、把握机器学习中处理数据的办法； 2、了解经典的机器学习算法原理； 3、把握机器学习中作业的详细流程。 可处理的实际问题： 1、把实践作业、日子中遇到的问题转化为可以用机器学习处理的模型； 2、完结针对不同问题，挑选不同算法模型，一起在该模型的根底上，对该算法进行调优。 商场价值： 机器学习算法工程师，具有对数据进行剖析、开掘的才能，可以进行机器学习模型的树立和优化。 注：项目实训会跟着社会抢手调整 |
|
| 特征工程与模型优化：特征工程、特征预处理、归一化、规范化、特征挑选、特征降维；穿插验证、网格查找模型保存和加载、欠拟合、过拟合 | |||
| KNN算法api及kd树及稀少存储；欧式间隔、曼哈顿间隔、切比雪夫间隔、闵氏间隔、规范化欧式间隔、余弦间隔、汉明间隔、杰卡德间隔、马氏间隔、KNN中k值的挑选、kd树；事例：鸢尾花品种猜测 | |||
| 线性回归概念和api与原理剖析；丢失函数:差错平方和，穿插熵；梯度下降算法：FGD、SGD、mini-batch、SAG；模型优化：数据归一化、优化器的挑选；正则化线性模型：Lasso回归、岭回归、Elastic Net；线性回归算法事例：波士顿房价猜测 | |||
| 逻辑回归概念api和原理：断定鸿沟、动态规划、sigmoid、对数似然丢失； 二分类问题：ROC曲线、AUC方针、ROC曲线的制造； 事例：癌症分类猜测 |
|||
| 决议计划树算法原理和api运用：根本流程/区别挑选、信息增益/增益率/基尼指数； 决议计划树的构建和剪枝：剪枝处理/预剪枝/后剪枝/ID3/CART； 条件熵和穿插熵：接连与缺失值处理、多变量决议计划树、熵的核算； 事例：泰坦尼克号乘客生计猜测优化 |
|||
| 朴素贝叶斯原理和api函数：半朴素贝叶斯分类器、贝叶斯网、马尔科夫毯； 概率散布：多项式散布、高斯散布、条件概率、贝叶斯编程及A/B测验； 朴素贝叶斯事例：情感剖析、废物邮件及答案的标示 |
|||
| SVM算法原理：感知机学习战略及算法收敛性、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、支撑向量回归； 核函数：最简略的核函数间隔、类似性函数、常用核函数（GBF和Gassian）、核函数比照 SVM事例：红酒口感猜测及比照剖析；病理确诊及剖析猜测 |
|||
| 聚类算法：kmeans流程和质心、EM算法原理及高斯混合模型 点评方针及优化：内部方针、外部方针、优化办法（二分kmeans，kmeans++）、SC系数/CH系数 聚类算法事例：探求用户对物品类别的喜爱细分，对地图上的点进行聚类 |
|||
| 集成学习与bagging：随机森林概述、操练算法 AdaBoost算法和运用：操练差错剖析、广义加法模型 各种AdaBoost算法：离散型AdaBoost、实数型AdaBoost、LogitBoost、Gentle型AdaBoost；完结：弱分类器的挑选、样本权重减少 事例实践：手写数字图片辨认 |
|||
| 马尔可夫链蒙特卡罗：采样、蒙特卡罗、主张散布，马尔可夫链、Metropolis-Hastings算法、模拟退火、Gibbs采样 事例：睡觉数据事例剖析 |
|||
| 图模型：近似揣度、创立贝叶斯网络；马尔可夫随机场；隐马尔可夫模型：前向算法、Viterbi算法、Baum-Welch或前向后向算法；盯梢办法：卡尔曼滤波 、粒子滤波 | |||
| 高斯进程回归：增加噪声、高斯进程回归的完结、学习参数； 高斯进程分类：拉普拉斯近似、核算后验、高斯进程分类的完结； 高斯归纳事例实践 |
|||
| 机器学习项目实训 | 1、《绝地求生》玩家排名猜测 2、客户价值剖析体系 |
||
| 第四阶段 ： 深度学习与图画与视觉处理（CV） |
神经网络 | 神经网络根底：神经网络：感知机、与、或、异或问题；softmax 反向传达原理：批量学习和在线学习、反向传达算法、改善反向传达算法功用的试探法 事例：完结多层神经网络 |
可把握中心才能： 1、了解深度学习首要及前沿网络模型的架构原理及在实践事务场景中的运用； 2、把握深度学习在核算机视觉中的运用，包含但不限于切开检测辨认等等； 3、把握实践作业中深度学习的详细流程，数据及标示处理，建模操练，及模型布置运用等。 可处理的实际问题： 1、可完结物体（人体，人脸，通用方针）检测，盯梢与辨认，道路交通及工业环境险情发现等多范畴的深度学习处理计划； 2、可以对图画处理、人脸算法，或许关于各种深度学习结构完结的算法进行调优。 商场价值： 可担任深度学习算法工程师，图画与核算机视觉算法工程师等，并继续优化与迭代算法。 |
| TensorFlow结构 | Tensorflow结构根底：图、会话、张量、OP Tensorflow高档API：数据读取tf.data、模型tf.kears、操练tf.MirroedStrategy、导出tf.SavedModel等API运用" |
||
| 图画与视觉处理介绍 | 核算机视觉界说、核算机视觉开展前史；核算机视觉技能和运用场景、核算机视觉常识树和几大使命 | ||
| 方针分类和 经典CV网络 |
CNN：感触野、卷积、零填充、过滤器巨细、多通道卷积、全衔接层 | ||
| 卷积网络结构：LeNet5、AlexNet、VGG、Inception、GoogleNet、残差网络 | |||
| 深度学习正则化与算法优化：L1、L2、DroupOut、BN、SGD、RMSProp、Adagrad、Adam | |||
| TF散布式操练：TF Strategy；搬迁学习：TensorFlow HUB | |||
| 模型紧缩：模型剪枝、参数紧缩、二进制网络 | |||
| 方针分类实战事例：ImageNet分类；Apache Flink极客挑战赛——废物图片分类 | |||
| 方针检测和经典CV网络 | 方针检测使命与数据集介绍：检测使命目的、常见数据集、运用场景 | ||
| RCNN：交并比、map、非极大按捺NMS、正负样本；SPPNet：SPP层映射 | |||
| FastRCNN：ROI Pooling；FasterRCNN：RPN、价值函数、操练流程与成果剖析、FPN与FasterRCNN结合 | |||
| YOLOv1、YOLOv2、YOLOv3：结构与作业流程、价值函数、anchor、维度聚类、细粒度与多规范特征、先验框与价值函数 | |||
| SSD：Detector & classifier、SSD价值函数、特征金字塔 | |||
| 方针检测实战事例：COCO数据集上方针检测 | |||
| 方针切开和经典CV网络 | 方针切开使命类型、数据集 | ||
| 全卷积FCN网络：网络结构、跳级衔接、语义切开点评规范、成果剖析 | |||
| U-Net：拼接特征向量；Dilated Convolutions：聚合多规范的信息、context module | |||
| PSPNet：金字塔池化模块；Deeplab：串行布置 ASPP | |||
| Mask-RCNN：结构介绍、ROI Align与Pooling比照、价值函数介绍、端到端联合操练 | |||
| 方针切开实战事例 | |||
| OpenCV库与图画处理根底 | 根本的OpenCV代码、IplImage数据结构、读写图画 | ||
| 根本的灰度改换函数 ：灰度直方图、灰度的线性改换、灰度对数改换、伽玛改换、灰度阈值改换、分段线性改换 | |||
| 直方图处理：图画矩特征点衡量特征、大局直方图、部分区域直方图、散点图和3D直方图、OpenCV实践 | |||
| 几许改换：翻转、取舍、遮挡、图画管用、图画金字塔、OpenCV几许改换操作 | |||
| 形状学：形状学界说、连通性、二值操作、滑润、梯度、纹路切开及OpenCV实践 | |||
| OpenCV库与图画处理进阶 | 边际检测技能：边际检测的目的和模型、噪声、导数算子、Marr-Hildreth边际检测器、依据模板的边际检测、Canny Edge边际检测器、Shen-Castan(ISEF)边际检测器、五颜六色边际、OpenCV边际检测操作 | ||
| 特征检测和描绘：哈里斯角点检测、Shi-Tomasi旮旯勘探器、SIFT、SURF、FAST、ORB、霍夫改换 | |||
| 视频操作：读取摄像头、读取视频、视频写入 | |||
| 空间滤波：滑润空间滤波器、锐化空间滤波器、拉普拉斯算子、空间滤波归纳及OpenCV实践 | |||
| OpenCV归纳实战事例 | |||
| cv归纳事例实训 | 抢手废物分类、火焰及险情辨认检测、生果辨认分类、手势姿势辨认估量 | ||
| 第五阶段： 深度学习与天然言语处理（NLP） |
pytorch东西与神经网络根底 | pytorch入门：pytorch的介绍、装置、张量概念、根本运算 | 可把握中心才能： 1、把握pytorch的装置和运用； 2、了解神经网络触及的要害点。 可处理的实际问题： 1、可以运用pytorch树立神经网络； 2、可以有用的了解有关深学习的常识。 |
| 神经网络根底：神经网络介绍；感知机、梯度、反向传达；梯度、反向传达 | |||
| 数据操作：数据加载器、迭代数据集 | |||
| 运用pytorch完结手写字辨认 | |||
| 天然言语处理NLP介绍 | NLP介绍：对话体系简介、NLU简介、文本生成简介、机器翻译简介、实践运用场景：智能客服、翻译、机器人写作、作文打分 | 可把握中心才能： 1、把握NLP范畴前沿的技能处理计划； 2、把握NLP相关常识的原理和完结； 3、把握传统序列模型的根本原理和运用； 4、把握非序列模型处理文本问题的原理和计划。 可处理的实际问题： 1、构建根本的言语翻译体系模型； 2、构建根本的文本生成体系模型； 3、构建根本的文本分类器模型； 4、运用ID-CNN+CRF进行命名实体辨认； 5、运用fasttext进行快速的文本分类。 商场价值： 担任大都企业中中级NLP工程师的职位。 |
|
| 天然言语处理NLP开发HelloWorld事例 | 从法语到英语的翻译模型:获取数据集与数据处理,模型构建（构建编码器类、构建解码器类、构建解码器端的注意力机制类）,模型操练与点评 | ||
| 文本预处理 | 常见文本剖析计划和东西；常用的文本向量化办法、word2vec原理、东西、Embedding层、文本对齐：文本对齐的原因、依据、东西；文本数据增强：数据增强办法、东西 | ||
| RNN及变体 | RNN结构解析、优缺点；LSTM结构解析、作用、完结剖析；bi-LSTM的解析与完结；GRU结构解析、作用、完结；bi-GRU的解析与完结；seq2seq结构介绍、seq2seq中运用bi-GRU | ||
| 事例：操练生成莎士比亚风格文章的模型 | |||
| Transfomer | Attention机制原理、作用、完结；self-attention机制的原理、作用、完结；Multi-head attention原理、作用、完结；positional encoding；Transfomer完结 | ||
| 事例：操练区别Quora中非实在问题的文本分类器 | |||
| 传统的序列模型 | HMM原理、完结、好坏势；ME原理、完结、好坏势；CRF原理、完结、好坏势 | ||
| 非序列模型处理文本问题 | ID-CNN原理、结构、完结；fasttext原理、结构、完结 | ||
| 事例：运用胀大卷积+CRF完结命名实体辨认 | |||
| 第六阶段： 项目阶段 |
项目阶段之：实时人脸辨认检测项目（CV） | ||
| 人脸辨认项目是一个依据深度学习的可经过实时摄像头搜集视频人脸数据，也可以进行批量图片输入进行批量主动化辨认人脸，关于视频输入，可完结人脸的盯梢，标示名字，性别，心情（高兴，气愤，天然）等信息并对进入视频的陌生人进行报警的体系实战项目。 | |||
| 技能亮点： 1、数据库办理，可随时查询人脸库中的人脸信息，或对特定的人脸信息进行批改、删去等操作； 2、人脸检测：扫描”加“判别”在图画范围内扫描，再逐一断定候选区域是否是人脸； 3、状况判别：辨认出人脸的性别、表情等特征值的一项技能,最新的一些依据深度学习的人脸特征辨认也具有一个算法一起输入性别、年纪、姿势等特征值的才能； 4，人脸辨认：辨认出输入人脸图对应身份的算法,它的输入一个人脸特征，经过和注册在库中N个身份对应的特征进行逐一比对，找出“一个”与输入特征类似度最高的特征，不然回来“不在库中”并进行报警。 能把握的技能： 1、EigenFace，FisherFace，LBPH及人脸双特征图； 2、Hausdorff间隔的动态人脸图画定位； 3、PCA、ICA、LDA和EP在人脸辨认上的归纳运用； 4、依据PyQt5的GUI编程模块及信号槽机制。 |
|||
| 章节 | 课程 | 常识点 | |
| 1 | 项目概述 | 体系架构规划、项目要害技能阐明 | |
| 项目事务需求剖析、项目事务流程规划 | |||
| 2 | 环境布置 | 体系介绍项目开发环境概述、DLib结构源码编译、项目工程文件创立 | |
| 项目开发环境装备、项目功用优化设置 | |||
| 依据PyQt5的GUI编程模块及信号槽机制 | |||
| 人脸辨认处理计划剖析及数据源处理 | |||
| 3 | 人脸辨认项目流程计划 | 事务了解，使命拆解 | |
| 方针检测模型完结 | |||
| 方针要害点模型完结:输入标示数据、数据预处理、数据增强 | |||
| 人脸校对完结及方针条件剖析 | |||
| 辨认模型完结：人脸对齐、人脸比对和活体检测等悉数技能环节的代码规划、运转演示和履行成果输出 | |||
| 模型验证：检测、要害点回归、辨认验证计划 | |||
| 4 | 人脸辨认中心技能 | 依据Dlib与OpenCV等的中心技能流整理 | |
| 实时人脸特征点对齐，人脸比对的完结 | |||
| 实时活体检测：眨眼与张嘴完结 | |||
| 实时视频搜集及图片抓拍的完结 | |||
| 完结视频抓拍：逐帧抓取，逐帧辨认 | |||
| 人脸检测HOG及特征点检测ERT | |||
| 5 | 静态人脸辨认体系 | 通用形变模型的创立：概括特征点的选取及变形模型 | |
| 人脸部分特征勘探：逐步求精定位法 | |||
| 数学算子及模板的构建和勘探：眼睛，嘴巴和鼻子模型 | |||
| 人脸图画的双特征图 | |||
| 6 | 动态人脸辨认体系 | 动态人脸辨认体系结构及马尔科夫操练模型 | |
| Hausdorff间隔的动态人脸图画定位 | |||
| 特征子空间与动态图画切开 | |||
| 人脸区域检测和人脸特征点标定的算法完结机制 | |||
| 动态人脸图画辨认中外界影响的处理 | |||
| 6 | 模型操练及测验 | 人脸区域特征样本标示 | |
| 人脸检测模型操练及测验 | |||
| 人脸特征点样本标示 | |||
| 人脸特征点模型操练及测验 | |||
| 人脸辨认之EigenFace | |||
| 人脸辨认之FisherFace及Gabor算法 | |||
| 人脸辨认之LBPH | |||
| 7 | 项目总结 | PCA、ICA、LDA和EP在人脸辨认上的运用好坏比较总结 | |
| Dlib人脸检测器模块优化进步办法总结 | |||
| 全体计划前向揣度集成总结 | |||
| 部分特征剖析技能，模板匹配，图匹配技能优化计划总结 | |||
| 智能交通项目（CV） | |||
| 智能交通项目是一个可盯梢路面实时车辆通行状况，并逐帧记载不同行车道车流量数目的深度学习项目，“车辆主动计数体系”由计数体系、图画抓拍体系、实时监控录像体系组成，在视频中可看出每个车辆的接连帧途径，该项目可拓宽性强，可依据企业事务外接计费结算体系、LED显现体系、语音播报体系、供电防雷体系等。 | |||
| 技能亮点: 1、运用卡尔曼滤波最优滤波方程对树立的交通流体系状况方程、观测方程； 2、选用布景差分法对在检测区的车辆进行检测和盯梢； 3、运用DGPS/DR组合车辆定位中各子体系的模型对车辆定位进步精度； 4，运用Haar Adaboost 自界说方针检测对过往的车辆进行检测、计数和分类。 能把握的技能： 1、Haar Adaboos与粒子滤波技能； 2、车辆外形标示，辨认，操练的工程化办法实践； 3、运用CV，CA,CTRA,CTRV等高档运动模型结构卡尔曼滤波完结车流盯梢； 4、依据依据搬迁学习的其它类型辨认模型操练。 |
|||
| 章节 | 课程 | 常识点 | |
| 1 | 项目概述 | 体系架构规划、项目要害技能阐明 | |
| 项目事务需求剖析、项目事务流程规划 | |||
| 2 | 环境布置 | 体系介绍项目开发环境概述、Tensorflow结构、项目工程文件创立 | |
| 项目开发环境装备、项目功用优化设置 | |||
| 视频数据源的Python读入及逐帧辨认 | |||
| 交通流量处理计划剖析及数据源处理 | |||
| 3 | 智能交通项目流程计划 | 事务了解，使命拆解 | |
| 方针检测模型完结 | |||
| 图画了解结构及马尔办法 | |||
| 图画视频了解：运动方针检测与盯梢干流工程实践办法 | |||
| 视频布景建模与远景选取实践 | |||
| 4 | 车辆盯梢中心技能 | 布景建模完结：依据视频的运动方针切开 | |
| 远景勘探：运动方针车辆的检测与盯梢 | |||
| 依据光流的方针盯梢实践 | |||
| 依据均值偏移的方针盯梢实践 | |||
| 依据粒子滤波的方针盯梢实践 | |||
| 卡尔曼滤波实践 | |||
| 5 | 流量核算中心技能 | 首要选用布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盯梢; | |
| 运用经过检测、处理的被测车辆图画触发距其最近的相机进行图形切开; | |||
| 经过LDA分类器对分段车辆的几许形状及外观特征进行正确地分类. | |||
| 完结滤波,参照DELOS算法完结对城市快速路的事端检测 | |||
| 6 | 模型操练及项目干流程 | 车辆区域特征样本标示 | |
| 车辆检测模型操练及测验 | |||
| 深度学习CNN建模，树立车辆分类器 | |||
| 体系逐帧搜集视频图画并检测车辆 | |||
| 为检测到每个车辆方针初始化卡尔曼滤波器，经过卡尔曼滤波器逐帧匹配方针进行方位猜测； | |||
| 比照检测方位与猜测方位，逐帧链接远景图画，获取车辆的盯梢途径。 | |||
| 7 | 项目总结 | HEVC紧缩域等的车流量检测运用好坏比较总结 | |
| 帧间差分法、图画阈值切开和数学形状学的运动方针检测办法总结 | |||
| 结合智能优化算法对其改善的遗传算法—克隆挑选遗传算法比较总结 | |||
| CT图画肺结节主动检测项目（CV） | |||
| CT图画肺结节主动检测项目是一个可针对X光胸片的肺部结节主动检测办法,并运用深度学习办法在CT图画上进行智能肺结节检测，结合核算机视觉技能和深度学习网络，AI可以主动完结对可疑病灶区域的符号和预确诊,进步了医师的作业功率,下降了误诊率和漏诊率。 | |||
| 技能亮点： 1、将大局自习惯阈值法运用于肺部医学图画的切开中,经过迭代寻取最优阈值完结对躯干部分的去除； 2、运用鸿沟盯梢等多种办法相结合完结对肺本质的提取成像； 3、运用Faster R-CNN肺结节检测+3D-CNN模型进行病灶发现； 4，U-Net肺结节切开+3D-CNN模型下降深度学习确诊错误率。 能把握的技能： 1、医学印象（DICOM格局）进行转化，变为通用图画格局（PNG），以便用于深度学习模型操练； 2、结合哈希算法及DNN网络的数据处理才能对肺结节的语义等级特征进行深度提取； 3、用改善的FCM算法完结对ROI在图画增扩根底上进一步提取； 4、将直方图核算特性和从属度函数优化结合起来对算法进行优化。 |
|||
| 章节 | 课程 | 常识点 | |
| 1 | 项目概述 | 体系架构规划、项目要害技能阐明 | |
| 项目事务需求剖析、项目事务流程规划 | |||
| 2 | 环境布置 | 体系介绍项目开发环境概述、SimpleITK医学印象处理库运用、Keras项目工程文件创立 | |
| 项目开发环境装备、项目功用优化设置 | |||
| 数据源的处理及增强 | |||
| RBDcm东西及图画核算 | |||
| 3 | CT图画肺结节主动检测项目流程计划 | 事务了解，使命拆解 | |
| 方针检测模型完结 | |||
| 肺部本质形状的图画切开 | |||
| 肺结节的检测及结节切开 | |||
| 结节特征的判别及病理确诊 | |||
| 4 | 医疗印象数据转化 | DICOM CT图画预处理归一化，二值化，阈值切开等操作 | |
| 读取图片DICOM，截取像素转Cube并存储为PNG | |||
| 用USM锐化的办法对图画中的结节信号进行增强 | |||
| 图画增强,旋转，平移等，进步数据集的拓宽性 | |||
| 预备U-net操练数据并进行数据符号 | |||
| 对图画进行切开完结肺部有用区域提取 | |||
| 5 | 中心技能 | 在胸片上用滑动窗口的办法切取小块,下采样后输入进网络进行分类,得到整张胸片的候选结节区域 | |
| 对所得CT面积图画阈值切开排除去很多假阳性病例 | |||
| 结合深度哈希算法,完结检索进程由粗到精的有用操作 | |||
| 对ROI进行旋转、缩放、平移或平移、缩放、旋转、复合中2种或以上的组合操作进步网络鲁棒性 | |||
| 6 | 模型操练及项目干流程 | Faster R-CNN肺结节检测+3D-CNN模型进行病灶发现 | |
| U-Net肺结节切开+3D-CNN模型下降错误率 | |||
| 完结U-Net网络的构建的操练 | |||
| 完结3D-CNN的网络结构，并加载操练好的权重 | |||
| 进行猜测并获取获取U-Net猜测成果的中心点坐标(x,y) | |||
| 优化首要网络如CNN、DNN和SAE等 | |||
| 7 | 项目总结 | 总结使得深度卷积神经网络可以充沛提取肺结节的特征的优化办法 | |
| 对哈希算法及DNN网络的数据处理才能对肺结节的语义等级特征进行深度提取经历的总结 | |||
| 对深度学习网络依据规范含糊C均值算法进行改善 | |||
| 项目阶段之：泛文娱引荐体系项目（CV+引荐） | |||
| 引荐体系的在当下的火爆程度毋庸置疑，个性化引荐的需求也是每一个toC产品应该完结的方针。咱们的泛文娱引荐体系运用干流的Retrive-Ranking(召回-排序)架构。该引荐体系的首要方针: 经过向用户引荐更适宜的帖子, 增加用户交互行为(点赞，谈论，转发，保藏等), 然后增加用户均匀运用时长。一起满意的用户体会要求: 多样性，新颖性和数据合理性。在排序模块即AI部分，咱们将从模型挑选，超参数调优，丢失函数机器优化办法等多维度深层次进行剖析，诠释为何咱们可以引荐出满意用户“嗨点”的著作。 | |||
| 技能亮点: 1、丰厚的召回战略帮忙咱们尽或许多的掩盖不同用户对产品引荐的不同需求, 然后进步用户粘度； 2、金字塔召回机制：海量数据下实时响运用户行为改变； 3、愈加科学合理的构建双画像，保证原始数据的准确，为模型收敛奠定根底； 4、散布式操练减少了大型模型操练时刻，加快模型调优功率, 更好的运用深度模型开掘海量数据价值； 5、运用wide-deep模型进行排序，在类似工程引荐项目中现已取得成功, eg, google play 进步3.9%。 |
|||
| 章节 | 课程 | 常识点 | |
| 1 | 全体体系概述与树立 | 布景介绍 | |
| 环境装备 | |||
| 体系树立 | |||
| 事务流完结 | |||
| 2 | 构建双画像 | neo4j装置与运用 | |
| cypher句子学习与深化 | |||
| 标签体系规划 | |||
| 用户画像与帖子画像的完结 | |||
| 3 | 多召回战略 | 多召回战略的规划原理 | |
| 多召回战略完结 | |||
| 4 | 召回金字塔 | 召回金字塔机制原理 | |
| 召回金字塔完结 | |||
| 5 | 规矩过滤器服务 | 规矩过滤器的规划原理 | |
| 规矩过滤器完结 | |||
| 6 | 模型的挑选与完结 | 正负样本的界说规范 | |
| 正负样本的搜集与点评方针 | |||
| 模型特征的挑选原则 | |||
| 模型特征的界说与完结 | |||
| wide-deep模型的选用 | |||
| 7 | 模型的结构与参数 | LR与MLP学习 | |
| wide-deep模型结构与参数剖析 | |||
| 8 | 丢失函数与优化办法 | 二分类穿插熵丢失函数详解 | |
| FTRL优化办法详解 | |||
| Adagrad优化办法详解 | |||
| 9 | 超参数调优 | 超参数调优理论开展 | |
| 网格查找与随机查找 | |||
| 贝叶斯优化 | |||
| 10 | 运用gcp进行模型操练 | gcp的根本运用办法 | |
| 构建gcp规范下的模型 | |||
| 运用gcp进行超参数调优 | |||
| 运用gcp进行优化操练计划 | |||
| 11 | 模型点评与布置 | 模型的点评 | |
| 深度模型的布置计划 | |||
| 引荐体系的全体查验规范 | |||
| 12 | 依据图画和视频剖析的人脸引荐处理计划 | opencv 视频处理：视频解码，图画根本处理 | |
| mtcnn人脸检测算法：p-net、r-net、o-net级联，分类+框回归+要害点回归 | |||
| inception resnet v2提取人脸特征：人脸区域提取出128/512个特征值 | |||
| mlp 人脸特征分类：神经网络依据人脸特征做分类 | |||
| 人脸特征提取用到的loss函数原理 | |||
| model 服务器端布置：依据tensorflow serving | |||
| 13 | 依据图画和视频剖析的场景引荐处理计划 | opencv 视频处理：视频解码，图画根本处理 | |
| nasnet/inception resnet v2 场景分类：cnn提取图片特征进行分类 | |||
| model 服务器端布置：依据tensorflow serving | |||
| 14 | 依据图画和视频剖析的表情引荐处理计划 | opencv 视频处理：视频解码，图画根本处理 | |
| mtcnn人脸检测算法：p-net、r-net、o-net级联，分类+框回归+要害点回归 | |||
| 人脸纠正：依据人脸要害点对齐 | |||
| cnn提取人脸特征进行分类 | |||
| model 服务器端布置：依据tensorflow serving | |||
| 15 | 依据图画和视频剖析的姿势引荐处理计划 | opencv 视频处理：视频解码，图画根本处理 | |
| mask r-cnn 检测人体要害点：先检测人体，然后检测人体骨骼要害点 | |||
| mlp要害点分类：神经网络依据人体要害点做分类 | |||
| model 服务器端布置：依据tensorflow serving | |||
| 在线医师项目（NLP） | |||
| 在线医师项目是一个依据天然言语了解方向的问答机器人。类似的运用，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。该项目结合医学常识图谱、深度学习、对话办理、微信大众号开发等技能，旨在下降首医本钱，为患者供给根本医学确诊定见服务。 技能层面包含语音辨认、天然言语了解、对话办理以及天然言语生成等环节，其间又包含范畴辨认，用户目的辨认，槽位填充，对话状况追寻，对话战略等技能细节。功用上为患者供给依据症状信息给出确诊定见使命与就近医治使命。经过学习该课程，学生可以了解多轮多使命对话体系的技能点以及事务流程 |
|||
| 技能亮点： 1、依据大规划常识图谱技能与天然言语处理在医疗范畴的运用场景； 2、依据语音辨认与语音生成技能的与患者语音交流的交互办法； 3、依据微服务架构的人工智能产品； 4、依据端到端以及结合常识库的多轮多使命对话体系网络结构。 能把握的技能： 1、数据清洗以及常识抽取、常识图谱构建； 2、图数据库neo4j相关技能点及根本操作； 3、Pipeline办法与end-to-end流程规划办法以及不同； 4、mem2seq模型论文到代码完结计划； 5、微信大众号接口开发以及第三发api接口集成。 技能处理计划： 1、端到端使命对话体系处理； 2、常识图谱与深度学习结合处理计划； 3、深度学习模型微服务化以及负载均衡处了处理计划； 4、多范畴对话体系集成计划。 |
|||
| 章节 | 课程 | 常识点 | |
| 1 | 项目介绍 | 日子类使命对话体系介绍 | |
| 在线医师项目介绍 | |||
| 2 | 谈天机器人入门 | 恳求大众号、树立微信开发环境 | |
| 装置werobot以及常用接口完结 | |||
| Demo：你说我学与图尚来往 | |||
| 事例：装备自己的机器人 | |||
| 3 | 数据爬取 | 爬取专业医疗常识网站 | |
| 数据挑选，整理不齐备数据 | |||
| 数据提取定位以及常识抽取数据预备 | |||
| 医学问答数据提取 | |||
| 疾病、症状常识抽取 | |||
| 4 | 医学常识图谱 | 常识图谱介绍 | |
| 常识图谱在医疗范畴的运用 | |||
| 常识存储各大厂商介绍 | |||
| Neo4j装置环境树立 | |||
| Python调用neo4j并完结数据刺进与查询操作 | |||
| 事例：完结依据常识图谱的对话机器人 | |||
| 5 | 医学命名实体辨认 | 命名实体辨认介绍 | |
| 命名实体辨认在医学方面的运用 | |||
| BiLSTM+CRF模型原理介绍 | |||
| BiLSTM+CRF模型完结 | |||
| IDCNN模型原理介绍 | |||
| IDCNN模型完结 | |||
| 事例：疾病与症状命名实体辨认 | |||
| 6 | 使命对话体系（Pipeline办法） | 使命对话体系介绍 | |
| 天然言语了解介绍-范畴辨认 | |||
| 天然言语了解介绍-用户目的辨认 | |||
| 语义槽介绍以及在使命对话体系中的作用 | |||
| 语义槽规划 | |||
| 命名实体辨认在语义槽中的运用 | |||
| 语义槽完结 | |||
| 对话办理-对话状况追寻介绍 | |||
| 对话状况追寻完结 | |||
| 对话办理-对话战略介绍 | |||
| 对话战略完结 | |||
| 项目：依据pipeline的对话体系完结 | |||
| 7 | 论文学习与转化 | Mem2seq的来龙去脉以及论文解读 | |
| 模型比照：包含与seq2seq以及+attention | |||
| 预备操练数据 | |||
| Mem2seq模型完结 | |||
| 8 | 使命对话体系 （end-to-end办法） |
端到端对话体系介绍 | |
| 依据端到端模型Mem2seq的项目介绍 | |||
| 项目：依据端到端的使命对话体系布置上线 | |||
| 智能文本分类-NLP根底设施项目（NLP） | |||
| 中文标签化体系是NLP根底使命的归纳体系，一起又是NLP运用的根底设施。依据文本信息，给出对应的预界说标签将可以有用的支撑用户画像，引荐体系等。一起，关于高阶NLP使命，如对话，翻译，涵义包含等在语料分类大将有很大的帮忙。 | |||
| 技能亮点： 1、树立多模型操练服务，保证在操练进程中，进行资源监控和分配，得以最高功率在有限资源内进行模型操练； 2、树立多线程并行猜测服务， 为了满意功用要求，这儿咱们将运用多线程的办法，并对每一个取得成果做终究归纳处理； 3、图谱权重更新， 跟着模型的猜测完结，将运用猜测概率更新在该途径权重，终究依据权重核算规矩，取得终究成果； 4、运用n-gram特征工程， 来捕捉词序对成果的影响； 5、运用fasttext模型，习惯在语料改变大，模型数量规划大，模型上下线频频的场景。 |
|||
| 章节 | 课程 | 常识点 | |
| 1 | 全体体系概述与树立 | 布景介绍 | |
| 环境装备 | |||
| 输入预处理 | |||
| 输出规范处理 | |||
| 2 | 构建标签词汇图谱 | 标签的拟定 | |
| 词汇的搜集 | |||
| 构建图谱 | |||
| 完结查询与批改逻辑 | |||
| 依据模型的权重更新 | |||
| 3 | fasttext模型与特征工程 | fasttext开展简介 | |
| fasttext模型结构与参数解析 | |||
| fasttext的选用原因 | |||
| n-gram特征运用 | |||
| 4 | 丢失函数与优化办法 | fasttext的丢失函数解析 | |
| fasttext的优化办法解析 | |||
| 运用keras完结fasttext | |||
| 5 | 多模型操练服务 | 单模型操练流完结 | |
| 多模型操练服务树立 | |||
| 多模型操练API开发 | |||
| 算力资源分配规划原理 | |||
| 算力资源分配主逻辑完结 | |||
| 多模型操练服务试验与布置 | |||
| 6 | 单模型微服务布置 | 模型格局详解 | |
| h5格局怎么转为pb格局 | |||
| 运用tensorflow-seving封装 | |||
| 7 | 多模型猜测服务 | 模型猜测主服务树立 | |
| 多线程与多进程的比较 | |||
| 模型并行猜测的完结 | |||
注：实时人脸辨认检测项目、智能交通项目、在线医师项目、智能文本分类项目为主讲项目；其他2个项目会赠送。主讲项目会依据作业抢手进行更新迭代，以上课组织为准。
| 第七阶段： AI算法强化和面试强化阶段（赠送串讲） |
人工智能AI算法强化 | ||
| 自编码器 | 自编码器：运用举例、欠齐备自编码器、正则自编码器、表明才能、层的巨细和深度、随机编码器和解码器、去噪自编码器、变分自编码器、实践事例 | 可把握中心才能： 1、了解算法和模型的散布式完结及加快原理 2、深化了解常用算法及数据结构，尤其是深度学习、增强学习等相关范畴，及对形式辨认，概率核算、最优化等算法原理及运用 可处理的实际问题： 1、具有丰厚并行算法库的才能； 2、跟进工作最新深度学习算法相关先进技能，研讨并运用的学习算法，继续进步模型的精准性和鲁棒性 商场价值： 可担任算法工程师，并能对机器学习，深度学习等前沿技能的研制储藏和渠道建造，结合未来实践运用场景，供给必定技能处理计划。 |
|
| 对称权重与深度相信网络 | 活跃学习-Hopfield网络：联想回忆、完结联想回忆、能量函数、Hopfield网络的容量、接连Hopfield网络 随机神经元-玻尔兹曼机：受限玻尔兹曼机、CD算法的推导、监督学习、RBM作为定向相信网络、归纳实操演练 |
||
| 进化学习 | 遗传算法：字符串表明、点评习惯度、种群、发作子孙、挑选爸爸妈妈 | ||
| 遗传算子：穿插、变异、精英法、竞赛法和小生境 | |||
| 遗传算法运用：图上色、接连平衡、示例-背包问题、示例-四峰问题、遗传算法的缺点、用遗传算法操练神经网络 | |||
| 与采样结合的进化学习、遗传程序；实操演练 | |||
| 散布式机器学习 | 散布式机器学习根底：通讯、一阶确定性算法、 二阶确定性算法、非凸随机优化算法 | ||
| 散布式机器学习模型：根本概述、依据模型加和的聚合办法、依据模型集成的聚合办法 | |||
| 散布式机器学习算法：根本概述、同步算法、异步算法、同步和异步的比照与交融、模型并行算法 | |||
| 散布式机器学习理论：根本概述、收敛性剖析、加快比剖析、泛化剖析" | |||
| 散布式机器学习体系：1 根本概述、依据IMR的散布式机器学习体系、依据参数服务器的散布式机器学习体系、依据数据流的散布式机器学习体系 | |||
| 事例实践 | |||
| 强化学习 | 学习情境与马尔科夫决议计划进程：学习情境、马尔科夫决议计划进程 | ||
| 战略：界说、战略值、战略点评、最优战略 | |||
| 规划算法：值迭代、战略迭代、线性规划 | |||
| 学习算法：随机迫临、TD（0）算法、Q-学习算法、SARSA、TD（λ）算法 、大状况空间 | |||
| 实践事例：归纳事例实践 | |||
| 数据结构和算法强化 | |||
| 数据结构强化 | 无向图：表明无向图的数据类型、深度优先查找、寻觅途径、广度优先查找、连通重量、符号图 | 可把握中心才能： 1、培育厚实的算法规划，数据结构功底； 2、深化了解算法及数据结构中的经典问题。 可处理的实际问题： 1、将贪心及动态规划等算法用于实践问题的建模剖析； 2、深化了解算法和模型调优办法及优缺点。 商场价值： 可担任算法工程师，并能对机器学习，深度学习等前沿技能的研制储藏和渠道建造，结合未来实践运用场景，供给必定技能处理计划。 |
|
| 有向图：有向图的数据类型、有向图中的可达性、环和有向无环图、有向图中的强连通性 | |||
| 最小生成树：原理、加权无向图的数据类型、最小生成树的API和测验用例、Prim算法、Prim算法的即时完结、 Kruskal算法 | |||
| 最短途径：最短途径的性质、加权有向图的数据结构、最短途径算法的理论根底、Dijkstra算法、无环加权有向图中的最短途径算法、一般加权有向图中的最短途径问题 | |||
| 事例实践：归纳实操演练 | |||
| 动态规划开始 | 动态规划开始：钢条切开、矩阵链乘法、动态规划原理、最长公共子序列、最优二叉查找树 | ||
| 事例实践，归纳实操演练 | |||
| 贪心算法 | 贪心算法原理及运用：活动挑选问题、贪心算法原理、赫夫曼编码、拟阵和贪心算法、用拟阵求解使命调度问题 事例实践：归纳实操演练 |
||
| 数据结构与算法的Python完结 | 穷举查找、回溯法、减而治之、分而治之、变而治之、贪心法、迭代改善、动态规划 | ||
| 核算机视觉CV强化 | |||
| 立体视觉与SLAM | 视觉体系参数模型：针孔模型、双目模型及极线几许、多摄像机模型 | 可把握中心才能： 1、了解机器视觉或核算机视觉的理论和办法，了解结构光视觉（激光三角丈量）、双目立体视觉（多目交汇丈量）、条纹相位丈量等常用办法； 2、深化了解并能运用相机精细标定办法，并能依据3D点云数据，进行配准、切开和特征辨认等算法开发,树立3D点云图处理的算法模型。 可处理的实际问题： 1、可以依据感知到的地图要素（标识牌，车道线等），了解高精度地图快速建图的算法的进程； 2、归纳运用经典SLAM技能，多视角几许根底理论以及三维重建办法进行事务实践。 商场价值： 可以对室内导航视觉SLAM算法进行研制，包含视觉、惯性、激光SLAM算法研制，传感器标定，三维重建，等SLAM相关方向。 |
|
| 相机的标定：表里参数的标定、畸变及纠正、常见的标定办法、zhang氏标定、空间5种坐标系的转化 | |||
| 拍照丈量和立体视觉：3D视觉使命、射影几许学根底、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、由辐射丈量到3D信息 | |||
| 依据深度学习的立体视觉匹配：全卷积网络的匹配价值核算、价值聚合、视差核算、优化以及视差提炼常见的标定办法 | |||
| 视觉SLAM事例实践：三维空间刚体运动、相机与图画根本操作、非线性优化、视觉丈量 | |||
| 点云处理 | 点云处理技能的根底理论：点云处理技能的根底理论、办法以及首要内容 | ||
| 点云数据的重建办法：依据特征和依据切片的点云重建办法，点云数据的获取计划，点云的去噪、紧缩、配准办法，以及点云空泛的插值办法 | |||
| 点云数据及模型的质量点评：点云配准进程中的差错传达模型，三维模型的质量鉴定办法 | |||
| 点云数据处理技能：常用的海量点云数据处理技能以及三维图画库 | |||
| 点云处理实践 | |||
补白：人工智能AI技能抢手会跟着商场不断改变，本课程也会紧跟AI作业技能抢手；本课程纲要仅供参考，实践课程内容或许在授课进程中发作更新或改变，详细授课内容终究以各班级课表为准。
具有必定开发经历的Python开发工程师、爬虫、人工智能工程师，进行作业拓宽。
注：获取更多免费学习视频+材料+笔记，请加QQ：2632311208。
在线学习
随到随学，概况可询咨询教师 点击咨询
| 人工智能AI进阶班中级进修课--课程纲要 | ||
| 数据处理方向拓宽 | ||
| 章节/方向 | 课程 | 常识点 |
| 数据剖析和可视化 | 核算学根底 | 描绘核算，核算揣度、汇总分类变量，图形显现数据、概率的性质，条件概率、泊松散布，二元散布等 |
| BI理论和可视化 | BI(商业智能)根本概念和运用场景、维度建模技能、FineBI数据可视化剖析、Tableau数据可视化剖析 | |
| 数据剖析事例 | 风控数据开掘办法，机器学习评分卡、搬迁学习 Hadoop、Hive、数仓建模理论、电商数仓树立 |
|
| 数据处理方向拓宽 | Python爬虫根底 | 爬虫根底、requests模块、数据提取、Selenium、抓包反爬与反反爬计划、MongoDB数据库、Scrapy爬虫结构、Appium的运用、爬虫事例 |
| 爬虫抢手项目库 | 署理池、斗鱼弹幕、京东爬虫、失期人被履行人名单、selenium深化运用 | |
| 爬虫高薪课 | 数据抓包、依据Docker的爬虫开发环境树立；爬虫去重原理、simhash、信息摘要算法、布隆过滤器；依据redis的耐久化恳求行列、音讯行列技能、断点续爬、增量搜集；正则、jsonpath、xpath等数据提取、pyexecjs、js2py；依据mongodb、postgresql、mysql的数据存储；IO规划形式、协程原理、Asyncio、Tornado、Gevent等异步IO库；爬虫架构完结、爬虫反爬剖析与应对 | |
| 引荐体系方向增强 | ||
| 依据大数据架构 引荐根底专业课 |
引荐体系介绍 | 引荐体系概念、引荐体系架构、点评和常见问题 |
| 引荐体系算法 | 协同过滤引荐算法、依据内容引荐算法 | |
| Hadoop | Hadoop简介、HDFS、MapReduce和YARN | |
| Hive | Hive简介、Hive数据模型及常用操作、Hive归纳事例 | |
| HBase | HBase的原理和常用Shell指令、HappyBase操作HBase | |
| SparkCore | Spark简介和RDD的常用算子介绍、SparkCore事例 | |
| SparkSQL | SparkSQL概念和DataFrame简介、Spark SQL事例 | |
| SparkStreaming | SparkStreaming概念及常用API介绍、Spark Streaming处理有状况操作 | |
| 泛文娱引荐体系项目 | 项目简介： 引荐体系的在当下的火爆程度毋庸置疑，个性化引荐的需求也是每一个toC产品应该完结的方针。咱们的泛文娱引荐体系运用干流的Retrive-Ranking(召回-排序)架构。该引荐体系的首要方针: 经过向用户引荐更适宜的帖子, 增加用户交互行为(点赞，谈论，转发，保藏等), 然后增加用户均匀运用时长。一起满意的用户体会要求: 多样性，新颖性和数据合理性。在排序模块即AI部分，咱们将从模型挑选，超参数调优，丢失函数机器优化办法等多维度深层次进行剖析，诠释为何咱们可以引荐出满意用户“嗨点”的著作。 |
技能亮点： 1、丰厚的召回战略帮忙咱们尽或许多的掩盖不同用户对产品引荐的不同需求, 然后进步用户粘度； 2、金字塔召回机制：海量数据下实时响运用户行为改变； 3、愈加科学合理的构建双画像，保证原始数据的准确，为模型收敛奠定根底； 4、散布式操练减少了大型模型操练时刻，加快模型调优功率, 更好的运用深度模型开掘海量数据价值； 5、运用wide-deep模型进行排序，在类似工程引荐项目中现已取得成功, eg, google play 进步3.9%。 |
| 全体体系概述与树立 | 布景介绍、环境装备、体系树立、事务流完结 | |
| 构建双画像 | neo4j装置与运用、cypher句子学习与深化；标签体系规划、用户画像与帖子画像的完结 | |
| 多召回战略 | 多召回战略的规划原理、多召回战略完结 | |
| 召回金字塔 | 召回金字塔机制原理、召回金字塔完结 | |
| 规矩过滤器服务 | 规矩过滤器的规划原理、规矩过滤器完结 | |
| 模型的挑选与完结 | 正负样本的界说规范、正负样本的搜集与点评方针；模型特征的挑选原则、模型特征的界说与完结；wide-deep模型的选用 | |
| 模型的结构与参数 | LR与MLP学习；wide-deep模型结构与参数剖析 | |
| 丢失函数与优化办法 | 二分类穿插熵丢失函数详解；FTRL优化办法详解、Adagrad优化办法详解 | |
| 超参数调优 | 超参数调优理论开展、网格查找与随机查找；贝叶斯优化 | |
| 运用gcp进行模型操练 | gcp的根本运用办法、构建gcp规范下的模型；运用gcp进行超参数调优、运用gcp进行优化操练计划 | |
| 模型点评与布置 | 模型的点评、深度模型的布置计划；引荐体系的全体查验规范 | |
| 依据图画和视频剖析的人脸引荐处理计划 | opencv 视频处理：视频解码，图画根本处理；mtcnn人脸检测算法：p-net、r-net、o-net级联，分类+框回归+要害点回归；inception resnet v2提取人脸特征：人脸区域提取出128/512个特征值；mlp 人脸特征分类：神经网络依据人脸特征做分类；人脸特征提取用到的loss函数原理；model 服务器端布置：依据tensorflow serving | |
| 依据图画和视频剖析的场景引荐处理计划 | nasnet/inception resnet v2 场景分类：cnn提取图片特征进行分类 | |
| 依据图画和视频剖析的表情引荐处理计划 | mtcnn人脸检测算法：p-net、r-net、o-net级联，分类+框回归+要害点回归；人脸纠正：依据人脸要害点对齐；cnn提取人脸特征进行分类 | |
| 依据图画和视频剖析的姿势引荐处理计划 | mask r-cnn 检测人体要害点：先检测人体，然后检测人体骨骼要害点；mlp要害点分类：神经网络依据人体要害点做分类 | |
| 黑马头条引荐体系项目 | 项目简介： 黑马头条引荐体系树立在海量用户与海量文章之上，运用Lambda架构整合实时核算和离线核算，凭借散布式环境进步核算才能；运用Flume搜集用户的点击、阅览、保藏等行为，树立用户画像和文章画像，并存储于HDFS集群；经过离线Spark SQL核算树立HIVE特征中心，存储到HBase集群；经过ALS、LR、Wide&Deep等机器学习与深度学习、引荐算法进行智能引荐，到达千人千面的用户引荐作用 |
项目特征： 1、ABTest试验渠道； 2、用户反应搜集 ； 3、实时核算渠道； 4、离线核算剖析渠道； 5、召回算法模型； 6、排序算法模型 ； 7、用户画像建模； 8、文章画像建模； 9、依据Lambda大数据架构进行数据处理。 |
| 离线核算 | 文章画像构建；用户画像构建；用户召回调集；离线spark排序模型；特征中心渠道 | |
| 在线核算 | 实时日志剖析；实时召回集；抢手与新文章 | |
| 实时引荐 | ABTest试验中心；引荐中心服务 | |
| 深度排序模型 | TensorFlow根底；TensorFlow进阶；深度学习与排序模型；CTR模型布置与测验 | |
| 人工智能专业增强 | ||
| 图画与视觉处理CV专业增强 | CV相关事例库：视频中场景辨认、废物图片分类事例、Flappy Bird的深度强化学习、画风交融和搬迁、画风交融及生成、姿势估量及处理 | DeepLearning的网络结构+数据集增强办法+CNN提取图画特征和组合特征的特征；EfficientNet+图片分类优化技巧+散布式使命行列Celery构建企业级运用神经网络自习惯匹配不同风格画作与写实画风交融；OpenPose，DeepCut，动作捕捉和增强实际等等 |
| 天然言语处理 NLP专业增强 |
NLP相关事例库：IMDB影评情感剖析、MSCOCO图画阐明生成、莎士比亚风格的文本生成、模型并行与散布式的最佳实践、西班牙与到英语的机器翻译、运用于bert模型的动态量化技能 | seq2seq模型架构+InceptionV3的搬迁预操练+attention机制的GRU模型、GRU模型生成概率散布+randomcategorical成果挑选、attention机制的RNN模型+机制的原理与改善方、模型并行+散布式根本理论与实践、大型模型bert上的动态量化技能等等 |
| 场景辨认项目 | 项目简介：视频场景辨认是视频内容结构化的重要根底。场景信息是视频内容引荐、广告位引荐、视频主动化标示、分类的重要依据。本项目触及怎么快速构建深度学习模型完结场景辨认，经过模型分辨率、宽度、深度、超参数等调整模型功用，科学构建事务数据，以及多CNN模型级联集成学习办法，快速进步场景辨认准确率和满意事务需求 | 技能亮点： 1、依据多模型级联学习的场景辨认处理计划 2、浅CNN模型+深CNN模型集成学习+mlp模型预判场景 3、依据模型分辨率、宽度、深度的高效模型容量调整办法 4、科学构建事务数据集，进步模型学习质量 5、视频场景片段高效兼并算法优化模型泛化才能 |
| 数据构建 | 开源数据集构建；事务数据集构建；数据增强和质量操控办法 | |
| 单CNN模型操练 | 模型选型办法；梯度更新办法挑选；学习率设置办法；loss曲线剖析 | |
| CNN模型结构、容量剖析 | 卷积核规划；模型分辨率设定；图画特征数量与模型宽度；高档图画特征与模型深度 | |
| 多CNN模型级联学习 | 浅CNN模型选型办法；深CNN模型选型办法；深CNN模型集成学习；mlp模型预判场景类别 | |
| 模型功用点评与布置 | 影视剧场景辨认准确率点评；影视剧场景辨认准确率点评；影视剧场景辨认才能与事务方针点评；模型web服务布置 | |
| 在线产品检测项目 | 在线产品检测项目是一个依据图画方向的一个方针检测的项目。类似的项目运用如淘宝拍立淘等。该项目结合当时CV范畴常用东西、深度学习、方针检测算法、微信小程序对接、百度机器人对接等技能，可以为用户或许顾客拍照的相片、视频中存在的方针做出符号与类别判别。 该项目运用的技能包含图画范畴中方针检测YOLO,SSD等算法做模型操练，输入模型的数据运用OpenCV进行读取处理，并进行data argumentation、多GPU模型操练及布置等。经过学习该课程可以把握对物体检测的技能点以及事务流程 |
技能亮点： 1、运用OpenCV作为图画与视频的读取东西； 2、依据端到端的方针检测算法YOLO、SSD体系结构； 3、运用数据增强技能进行图片的处理增加泛化才能； 4、运用Web server + TensorFlow serving Client完结前端对接； 5、运用Docker + TensorFlow serving布置模型； 6、运用Label image进行图画的标示存储； 7、进行微信大众号接口开发； 8、运用百度机器人渠道对接项目检测服务。 |
| 项目介绍和深度学习 | 方针检测项目演示、方针检测架构、技能介绍、神经网络算法优化、神经网络根底与原理；事例: tf.keras完结神经网络图片分类 | |
| 卷积网络 | 卷积神经网络介绍与原理、神经网络调优与BN、经典分类网络结构、CNN实战与搬迁学习；事例：VGG搬迁学习进行图画辨认 | |
| 深度学习正则化 | 误差、方差、L1与L2、Dropout正则化、早中止法、数据增强、神经网络调优、Batch Normal | |
| CV方针检测算法 | 物体检测算法-RCNN、SPPNet、Fast-RCNN、Faster-RCNN、YOLO、SSD；事例：SSD算法进行图片猜测 | |
| 项目构建 | 数据集的制造与处理、产品检测模型操练、多GPU操练、NMS处理、Matplotib符号；产品检测模型导出 | |
| 项目布置对接 | OpenCV Python、事例：视频流数据物体检测；Docker敞开Tensorflow serving服务、TensorFlow serving client完结、Docker敞开Web服务；百度机器人渠道接口对接 | |
| 百度服务渠道拓宽 | 服务拜访办法、人脸辨认、物体辨认、文字辨认、 语音辨认与组成、言语处理根底技能 |
|
| 小智同学谈天机器人项目 | 智能客服项目是一个天然言语处理的项目，完结的功用类似于电商等渠道的智能客服。在用户遇到根底的问题的时分，可以和智能客服进行根底的对话，然后处理问题，减少了人工客服的作业量；整个客服项目包含两个部分：闲谈部分和问答部分。项目触及了70%的天然言语处理的常识点，包含分词、词向量的操练、seq2seq模型、attention、BeamSearch等内容。 | 本项目能把握的技能： 1、深度学习中的梯度爆破、梯度消失原理和处理办法、RELU和ELU、Batch Normalization； 2、文本分类和目的辨认的常见办法； 3、 fastText的运用和原理、Seq2Seq、注意力机制、BeamSearch； 4、. 常见检索模型的完结办法和流程； 5、依据簇建筑的类似度核算类办法； 6、依据tfidf的文本向量化办法； 7、依据BM25的文本向量化办法； 8、依据深度学习的文本向量化办法； 9、孪生神经网络的树立； 10、深度模型中self-attenion的原理和完结、池化。 |
| 循环神经网络 | word embedding；事例：完结情感分类操练；循环神经网络；梯度爆破和梯度消失原理和处理办法；pytorch中的序列化容器；事例：运用循环神经网络完结情感分类 | |
| 项目预备和fasttext完结目的辨认 | 需求剖析和项目流程介绍；语料预备和根底api的完结；常见目的辨认的办法；fasttext的运用办法；fasttext的原理；运用fasttext完结项目代码的封装 | |
| Seq2seq完结闲谈机器人 | Seq2Seq模型原理；事例：运用Seq2seq完结根底的猜测使命；运用seq2seq完结谈天机器人；优化：运用attention优化模型作用；优化：运用BeamSearch优化猜测作用 | |
| 问答机器人完结 | 问答模型的介绍和流程剖析；问答模型中召回模型的完结；优化：召回模型的优化；问答模型中排序模型的完结；优化：排序模型的优化 | |
| 依据Transformer的 语音辨认项目 |
项目简介： 本项目运用Transformer模型结构来完结端到端的语音辨认，项目分为三部分，榜首部分介绍语音特征提取；第二部分解说Transformer模型结构以及模型操练；第三部分解说模型在安卓的的移植完结。 |
项目特征： 1、依据Transformer的端到端语音辨认； 2、模型冻住技能生成pb格局模型文件； 3、简练快速布置在移动端。 |
| 语音特征提取 | 开源语音数据介绍；语音特征提取流程和原理；语音特征提取完结 | |
| Transformer模型的完结和操练 | 相关依靠阐明；完结过程；tfrecord格局数据保存和加载；Transformer模型完结；Transformer模型封装；Transformer模型操练；Beam Search解码；运用MagicData数据操练模型 | |
| 模型在安卓端的移植 | 录音权限；音频搜集完结；特征提取；模型加载和猜测 | |
| Web开发方向拓宽 | ||
| Web-Django 结构与项目 |
Django结构 | Git源代码办理、Redis缓存、VUE介绍、Vue根本语法、ES6语法、VUE 生命周期、Django结构介绍、Django模型、ORM及数据库操作、视图及模板、Django中间件 |
| 美多商城-前台项目 | 购物电商渠道项目编码、前后端不别离形式、数据库-读写别离、Django高档第三方模块、FastDFS散布式文件体系、Celery异步操作、Vue双向绑定、Docker 入门、Crontab守时使命、页面静态化、在线付出、Nginx+uWSGI布置 | |
| 美多商城-MIS体系项目 | 前后端别离形式、VUE进阶-组件式开发、Django REST framwork、核算、权限办理、产品数据办理、日志办理、用户办理 | |
| Web-Flask 结构与项目 |
项目布置 | Docker 进阶、uWSGI、Nginx进阶、功用优化 |
| Flask结构 | Flask结构、路由界说及视图函数、蓝图、SQLAlchemy | |
| 黑马头条Web项目 | 黑马头条项目是一款聚集科技资讯、技能文章和问答交流的用户移动终端产品。黑马头条供给用户移动App端、自媒体PC Web端和体系MIS PC Web端三大运用，让用户轻松获取最新资讯，发布资讯文章。对接引荐体系，搜集埋点数据、获取引荐成果；对接AI体系，供给谈天机器人通讯渠道。 | 项目特征： 1、运用Flask-RESTful完结REST API； 2、灵敏运用SQLAlchemy的数据库ORM处理计划； 3、选用企业的Gitflow作业流开发； 4、选用企业级的缓存计划； 5、运用gRPC与引荐体系和AI体系对接； 6、选用Elasticsearch查找引擎7、运用socket.io完结即时通讯； 8、运用APScheduler完结守时使命； 9、运用RabbitMQ音讯行列 ； 10、引进极验行为验证。 |
| 黑马头条是一款个性化科技资讯引荐类阅览产品，类似于今天头条，产品包含用户阅览端App、作者自媒体运营端PC Web站点和体系运营办理后台PC Web站点三个部分 | 虚拟机账号阐明、ssh长途东西运用 | |
| 项目树立与介绍 | 黑马头条产品介绍、原型图与UI图阐明、技能架构阐明、gitlab服务器运用、Yapi接口办理东西运用 | |
| 数据库计划 | 数据库规划：数据库表规划、数据库表规划注意事项、建表SQL阐明；SQLAlchemy运用：深层了解ORM映射、SQLAlchemy装置与装备、界说映射模型类、数据增修改查、事物；散布式ID：散布式ID计划介绍、雪花算法介绍、时钟回拨问题；数据库优化：了解索引、SQL优化、数据库优化；Redis数据库进阶：redis事务、redis耐久化、redis岗兵、redis cluster | |
| Git作业流 | Gitflow作业流介绍、作业流分支命名、抵触处理办法；头条项目目录阐明、web开发调试办法总结、项目运转办法装备 | |
| 认证计划 | 注册登录需求阐明；jwt原理回忆、中间件完结、装修器完结、改写机制、禁用问题 | |
| 方针存储计划 | 图片存储（头像、文章图片）需求阐明；方针存储介绍、七牛方针存储运用、头像上传、CDN介绍 | |
| 缓存计划 | 缓存架构、缓存数据、缓存有用期、redis过期与内存筛选、缓存运用形式与更新、缓存穿透与缓存雪崩；用户缓存规划、redis耐久保存数据规划、用户缓存完结、核管用据存储完结 | |
| 守时使命计划 | APScheduler装置、运用流程、调度器、履行器、触发器、装备办法；守时批改核管用据使命原、守时批改核管用据完结 | |
| RPC计划 | 引荐文章列表需求阐明；RPC介、gRPC介绍、RPC开发流程、IDL语法、IDL编写、IDL编译、gRPC服务器编写、gRPC客户端编写；文章引荐接口完结 | |
| 即时通讯计划 | 即时音讯告诉需求阐明；即时音讯计划介绍、websocket介绍、socket.io介绍；socket.io运用编写、在线谈天完结、APP端在线告诉完结 | |
| 查找计划 | 文章查找与主动补全需求阐明；Elasticsearch简、倒排索引、查找原理、IK分词、curl运用；创立文章索引、数据初始导入、新数据同步、查找原始API介绍、文章查找完结；创立主动补全索引、数据初始导入、新数据同步、主动补全原始API介绍、主动补全完结 | |
| 单元测验 | 单元测验介绍、assert、unittest运用办法、运用单元测验测验主动补全接口 | |
| 布置相关 | gunicorn介绍、运用；supervisor介绍、运用 | |
| manbetx体育云讲堂项目 | manbetx体育云讲堂项目是供给IT作业在线课程的学习渠道，为行将和现已参加IT范畴的技能人才供给在线学习服务。用户经过录播学习把握IT技能。项目包含门户、学习中心、谈论体系、教育办理中心、体系办理中心等渠道构成，为学生供给学习服务。 | 技能亮点： 1、RabbitMQ音讯行列； 2、Logstash+ElasticSearch 全文检索； 3、Oauth2+JWT； 4、FastDFS+GridFS散布式文件体系； 5、Nuxt.js服务端烘托； 6、APScheduler+FFmpeg+Nginx+Video.js+ HLS视频处理及点播技能计划； 7、大文件断点续传技能 WebUploader； 8、APScheduler+MQ完结散布式事务操控处理计划。 |
| 树立开发环境 | DRF开发环境树立 | |
| CMS体系开发 | CMS前端开发；CMS页面办理开发；CMS页面静态化；RabbitMQ研讨；MonoDB数据库操作；GridFS运用；页面预览；页面发布 | |
| 课程办理 | 我的课程；课程办理实战；课程文件办理；散布式文件体系FastFDS；课程概况页静态化；课程预览；课程发布 | |
| 课程查找 | ElasticSearch研讨；Logstash；课程查找服务；查找前端 Nuxt.js | |
| 媒资办理 | 媒体文件上传断点续传;调用第三方程序; 视频处理进程;我的媒资;媒资与课程计划相关；课程发布存储媒资信息; | |
| 在线学习HLS | 在线点播处理计划;播映器;学习页面查询课程计划;学习页面获取视频播映地址; | |
| 用户授权认证 | JWT认证；用户登录与注册；用户授权 | |
| 散布式事务 | 散布式事务处理计划; Apscheduler守时使命;订单服务守时发送音讯;主动增加选课开发 | |
| 项目布置 | Git/Gitlab代码办理,Gunicorn，Supervisor | |
项目简介：
本项目可经过摄像头实时搜集视频人脸数据，也可批量图片输入主动化辨认人脸；本项目对视频可完结人脸的盯梢，并标示名字、性别、心情（高兴、气愤、天然）等信息；能对进入视频的陌生人报警。
项目特征：
1、深化了解EigenFace、FisherFace、LBPH及人脸双特征图
2、深度神经网络建模，完结人脸实时盯梢辨认及查找
3、经过Hausdorff间隔完结动态人脸图画定位及追寻
4、完结PCA、ICA、LDA和EP在人脸辨认上的归纳运用
5、结合界面娴熟把握PyQt5的GUI编程模块及信号槽机制
项目简介：
本项目运用深度学习技能，盯梢路面实时车辆通行状况，并逐帧记载不同行车道车流量数目。车辆主动计数体系由计数体系、图画抓拍体系、实时监控录像体系组成，可在视频看出每个车辆的接连帧途径。
项目特征：
1、Siamese系列模型
2、yoloV3方针检测
3、SORT/DeepSORT算法
4、卡尔曼滤波方针方位优化
5、匈牙利算法方针匹配
6、相机校对办法
项目简介：
本项目可针对X光胸片的肺部结节主动检测，在CT图画上进行智能肺结节检测。结合核算机视觉技能和深度学习网络，AI可以主动完结对可疑病灶区域的符号和预确诊，进步医师作业功率，下降误诊率和漏诊率。
项目特征：
1、依据大局自习惯阈值法完结对躯干图画切开、去除
2、依据鸿沟盯梢办法对肺本质的提取成像
3、依据Faster R-CNN肺结节检测和3D-CNN模型进行病灶发现
4、依据U-Net肺结节切开+3D-CNN模型下降确诊错误率
项目简介：
引荐体系的在当下的火爆程度毋庸置疑，个性化引荐的需求也是每一个toC产品应该完结的方针。本项目引荐体系战略与图画与视觉处理相结合，深度处理互联网工业的引荐事务场景。
项目特征：
1、依据图画和视频剖析的人脸引荐处理计划
2、依据图画和视频剖析的场景引荐处理计划
3、依据图画和视频剖析的表情引荐处理计划
4、依据图画和视频剖析的姿势引荐处理计划
5、常识图谱的画像联系存储
6、动态/静态标签的AI特征计划
7、实时呼应的AI金字塔召回计划
8、（进步用户粘度的）多战略召回
9、wide-deep模型的排序模型计划
项目简介：
在线医师项目是一个依据天然言语了解方向的问答机器人。该项目结合医学常识图谱、深度学习、对话办理、微信大众号开发等技能，旨在下降首医本钱，为患者供给根本医学确诊定见服务。
项目特征：
1、端到端（end-to-end）使命对话体系处理计划
2、Pipeline办法使命对话体系处理计划
3、医疗数据常识图谱neo4j处理计划
4、mem2seq模型论文复现计划
5、深度学习模型微服务化以及负载均衡处了处理计划
6、微信大众号接口开发以及第三发api接口集成
7、依据语音辨认与语音生成技能的与患者语音交流的交互办法
项目简介：
中文标签化体系是NLP根底使命的归纳体系，一起又是NLP运用的根底设施。依据文本信息，给出对应的预界说标签将可以有用的支撑用户画像，引荐体系等。一起，关于高阶NLP使命，如对话，翻译，涵义包含等在语料分类大将有很大的帮忙。
项目特征：
1、多模型操练服务，保证在操练进程中，进行资源监控和分配，到达最高功率在有限资源内进行模型操练。
2、多线程并行猜测服务，并对每一个取得成果做终究归纳处理。
3、图谱权重更新，运用猜测概率更新在该途径权重，依据权重核算规矩，取得终究成果。
4、 n-gram特征工程， 捕捉词序对成果的影响。
5、fasttext模型，习惯在语料改变大，模型数量规划大，模型上下线频频的场景。
机器学习渠道Azure试验演示
常识图谱neo4j完结电影引荐事例
CV中pre_trainedVGG网络猜测事例
NLP文本情感分类的改善介绍
智能文本分类项目布景介绍
AI在线医师项目介绍
每日测评
每晚对学员当天常识的吸收程度、教师授课内容难易程度进行评分，教师会依据学员反应进行剖析，对学员吸收状况调整授课内容、课程节奏，终究让每位学员都可以跟上班级学习的全体节奏。
技能教导
为每个作业班都组织了一名优异的技能指导教师，不管是白日仍是晚自习时刻，随时回答学员问题，进一步稳固和加强课上常识。
学习体系
为了能辅佐学员把握所学常识，黑马程序员自主研制了6大学习体系，包含教育反应体系、学习难易和吸收剖析体系、学习测验体系、在线作业体系、学习使命手册、学员归纳才能鉴定剖析等。
末位教导
末位教导行列的学员，将会得到要点关心。技能教导教师会在学员歇息时刻，针对学员的疑问进行常识点整理、答疑、教导。以保证常识点把握上没有一个学员掉队，真实执行不扔掉，不抛弃任何一个学员。
日子关心
从学员学习中的心态调整，到日子中的困难帮忙，从课上班级气氛刻画到课下多彩的班级活动，班主任360度暖心鼓舞相伴。
作业教导
小到五险一金的解说、面试礼仪的操练；大到500强企业面试实训及怎么针对性地拟定复习计划，帮忙学员拿到高薪Offer。
