人工智能時代
理工科
相關(guān)專業(yè)
預(yù)轉(zhuǎn)型
開發(fā)人員
研發(fā)管理
技術(shù)拓展
人工智能
愛好者
人工智能開發(fā)
制定AI培訓(xùn)課程
培養(yǎng)AI專精型人才
覆蓋AI職業(yè)技能
助力學(xué)員高起點就業(yè)
課程設(shè)置科學(xué)合理
適合AI技術(shù)初學(xué)者
多領(lǐng)域多行業(yè)項目
打造AI核心競爭力
技術(shù)大牛傾力研發(fā)
專職沉淀AI新技術(shù)
聚力名企共建課程
整合優(yōu)質(zhì)技術(shù)資源
制定AI培訓(xùn)課程
培養(yǎng)AI專精型人才
AI算法深入研究能力指算法實用性、先進性、可拓展性，讓學(xué)員掌握算法模型舉一反三的技能
AI算法業(yè)務(wù)流處理能力指通過企業(yè)實戰(zhàn)場景、業(yè)務(wù)流，對AI技術(shù)實戰(zhàn)訓(xùn)練，解決實戰(zhàn)業(yè)務(wù)流問題
在線醫(yī)生是NLP醫(yī)療領(lǐng)域的重要應(yīng)用。醫(yī)療對話生成模型、基于bert的對話連貫性判斷、用戶意圖識別模型提升學(xué)員AI算法的深入研究能力；分布式模型部署、微信客戶端部署、原始醫(yī)療數(shù)據(jù)處理流水線處理訓(xùn)練學(xué)員的AI業(yè)務(wù)流的處理能力。
覆蓋AI職業(yè)技能
助力學(xué)員高起點就業(yè)
科學(xué)計算庫，特征工程，十大經(jīng)典算法，主流應(yīng)用領(lǐng)域，推薦系統(tǒng)，主流框架人工智能框架TensorFlow、Pytorch。
圖像分類，目標檢測和追蹤，圖像語義分割，場景文字識別，圖像生成，人體關(guān)鍵點檢測及標簽識別，視頻分類。
分詞，命名實體識別，詞性標注、句法分析、語義理解、信息抽取、機器翻譯、文本摘要、問答系統(tǒng)、閱讀理解。
進化學(xué)習(xí)、分布式機器學(xué)習(xí)、強化學(xué)習(xí)、立體視覺與SLAM、點云處理、對稱權(quán)重與深度置信網(wǎng)絡(luò)、模型可解釋性，模型壓縮，遷移學(xué)習(xí)，終身學(xué)習(xí)，元學(xué)習(xí)。
課程設(shè)置科學(xué)合理
適合AI技術(shù)初學(xué)者
· Python基礎(chǔ)語法
· Python數(shù)據(jù)處理
· 函數(shù)
· 文件讀寫
· 異常處理
· 模塊和包
1、掌握Python開發(fā)環(huán)境基本配置；
2、掌握運算符、表達式、流程控制語句、數(shù)組等的使用；
3、掌握字符串的基本操作；
4、初步建立面向?qū)ο蟮木幊趟季S；
5、熟悉異常捕獲的基本流程及使用方式；
6、掌握類和對象的基本使用方式。
熟練掌握人工智能Python語言，建立編程思維以及面向?qū)ο蟪绦蛟O(shè)計思想，使學(xué)員能夠熟練使用Python技術(shù)完成基礎(chǔ)程序編寫。
· 面向?qū)ο?br>· 網(wǎng)絡(luò)編程
· 多任務(wù)編程
· 高級語法
· Python編程綜合項目
· Python數(shù)據(jù)結(jié)構(gòu)
1、掌握網(wǎng)絡(luò)編程技術(shù)，能夠?qū)崿F(xiàn)網(wǎng)絡(luò)通訊；
2、知道通訊協(xié)議原理；
3、掌握開發(fā)中的多任務(wù)編程實現(xiàn)方式；
4、知道多進程多線程的原理。
熟練使用Python，掌握人工智能開發(fā)必備Python高級語法。
· Linux
· MySQL與SQL
· Numpy矩陣運算庫
· Pandas數(shù)據(jù)清洗
· Pandas數(shù)據(jù)整理
· Pandas數(shù)據(jù)可視化
· Pandas數(shù)據(jù)分析項目
1、掌握Linux常用命令，為數(shù)據(jù)開發(fā)后續(xù)學(xué)習(xí)打下的良好基礎(chǔ)；
2、掌握MySQL數(shù)據(jù)庫的使用；
3、掌握SQL語法；
4、掌握使用Python操作數(shù)據(jù)庫；
5、掌握Pandas案例；
6、知道會圖庫使用；
7、掌握Pandas數(shù)據(jù)ETL；
8、掌握Pandas數(shù)據(jù)分析項目流程。
掌握SQL及Pandas完成數(shù)據(jù)分析與可視化操作。
· 機器學(xué)習(xí)簡介
· K近鄰算法
· 線性回歸
· 邏輯回歸
· 決策樹
· 聚類算法
· 集成學(xué)習(xí)
· 機器學(xué)習(xí)進階算法
· 用戶畫像案例
· 電商運營數(shù)據(jù)建模分析案例
1、掌握機器學(xué)習(xí)算法基本原理；
2、掌握使用機器學(xué)習(xí)模型訓(xùn)練的基本流程；
3、掌握Sklearn,Jieba,Gensim等常用機器學(xué)習(xí)相關(guān)開源庫的使用；
4、熟練使用機器學(xué)習(xí)相關(guān)算法進行預(yù)測分析；
5、掌握數(shù)據(jù)分析常用思維方法；
6、掌握不同業(yè)務(wù)場景下的指標體系搭建；
7、熟練使用各種數(shù)據(jù)分析工具進行數(shù)據(jù)提取與數(shù)據(jù)展示；
8、熟練運用常用數(shù)據(jù)分析模型解決業(yè)務(wù)問題。
掌握機器學(xué)習(xí)基本概念，利用多場景案例強化機器學(xué)習(xí)建模。
· 金融風(fēng)控項目業(yè)務(wù)背景介紹
· 風(fēng)控建模介紹
· 機器學(xué)習(xí)評分卡
· 金融風(fēng)控特征工程
· 不均衡學(xué)習(xí)和異常檢測
· 推薦項目數(shù)據(jù)采集
· 推薦系統(tǒng)召回業(yè)務(wù)
· 推薦系統(tǒng)排序業(yè)務(wù)
· 基于多路召回的實時推薦
· 推薦系統(tǒng)平臺調(diào)度
· 推薦系統(tǒng)性能評估
1、掌握風(fēng)控業(yè)務(wù)場景的常用指標；2、掌握評分卡的建模流程；
3、掌握評分卡特征工程的常用套路；
4、熟練運用機器學(xué)習(xí)算法解決風(fēng)控業(yè)務(wù)場景下的問題；
5、掌握多行業(yè)推薦業(yè)務(wù)；6、掌握推薦業(yè)務(wù)建模流程；
7、掌握召回，排序基礎(chǔ)算法；8、熟練運用機器學(xué)習(xí)算法解決推薦業(yè)務(wù)問題；
9、掌握大數(shù)據(jù)計算框架基本使用。
1、掌握掌握金融風(fēng)控或推薦系統(tǒng)項目
2、掌握運用機器學(xué)習(xí)算法解決實際業(yè)務(wù)的分類、聚類、回歸的問題
· 深度學(xué)習(xí)基礎(chǔ)
· BP神經(jīng)網(wǎng)絡(luò)
· 經(jīng)典神經(jīng)同絡(luò)結(jié)構(gòu)（CNN&RNN）
· 深度學(xué)習(xí)多框架對比
· 深度學(xué)習(xí)正則化和算法優(yōu)化
· 深度學(xué)習(xí)Pytorch框架
· NLP任務(wù)和開發(fā)流程
· 文本預(yù)處理
· RNN及變體原理與實戰(zhàn)
· Transformer原理與實戰(zhàn)
· Attention機制原理與實戰(zhàn)
· 傳統(tǒng)序列模型
· 遷移學(xué)習(xí)實戰(zhàn)
1、pytorch工具處理神經(jīng)網(wǎng)絡(luò)涉及的關(guān)鍵點；
2、掌握神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識；
3、掌握反向傳播原理；
4、了解深度學(xué)習(xí)正則化與算法優(yōu)化；
5、掌握NLP領(lǐng)域前沿的技術(shù)解決方案；
6、了解NLP應(yīng)用場景；
7、掌握NLP相關(guān)知識的原理和實現(xiàn)；
8、掌握傳統(tǒng)序列模型的基本原理和使用；
9、掌握非序列模型解決文本問題的原理和方案；
10、能夠使用pytorch搭建神經(jīng)網(wǎng)絡(luò)；
11、構(gòu)建基本的語言翻譯系統(tǒng)模型；
12、構(gòu)建基本的文本生成系統(tǒng)模型；
13、構(gòu)建基本的文本分類器模型；
14、使用ID-CNN+CRF進行命名實體識別；
15、使用fasttext進行快速的文本分類；
16、勝任多數(shù)企業(yè)的NLP工程師的職位。
掌握深度學(xué)習(xí)基礎(chǔ)及神經(jīng)網(wǎng)絡(luò)經(jīng)典算法；掌握熱門的PyTorch技術(shù)，完成自然語言處理基礎(chǔ)算法，諸如RNN、LSTM、GRU等技術(shù)。
· ChatGPT入門
· ChatGPT原理詳解
· ChatGPT項目實戰(zhàn)
· 基于大型預(yù)訓(xùn)練模型搭建聊天機器人
· 聊天機器人和問答系統(tǒng)
1、掌握大規(guī)模知識圖譜技術(shù)與自然語言處理在多領(lǐng)域的應(yīng)用
2、掌握ChatGPT聊天機器人實戰(zhàn)
3、掌握基于大型預(yù)訓(xùn)練模型搭建聊天機器人
4、熟悉端到端以及結(jié)合知識庫的多輪多任務(wù)對話系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)
能夠運用ChatGPT模型完成聊天機器人和問答系統(tǒng)的相關(guān)功能
· 解決方案列表
· 項目架構(gòu)及數(shù)據(jù)采集
· 命名實體識別
· 對話系統(tǒng)
· 項目架構(gòu)
· 多模型預(yù)測
· 模型的迭代優(yōu)化
· 模型的上線部署與總結(jié)
· 智能文本分類
· 模型上線
1、醫(yī)療領(lǐng)域NER解決方案；2、對話主題相關(guān)解決方案；
3、微信端服務(wù)部署解決方案；4、對話管理系統(tǒng)與A結(jié)合解決方案；
5、抽取式文本摘要解決方案；6、生成式文本摘要解決方案；
7、自主訓(xùn)練詞向量解決方案；8、解碼方案的優(yōu)化解決方案；
9、數(shù)據(jù)增強優(yōu)化解決方案；10、大規(guī)?？焖傥谋痉诸惤鉀Q方案；
11、多模型井行預(yù)測解決方案；12、分布式模型訓(xùn)練解決方案；
13、多標簽知識圖譜構(gòu)建解決方案。
1、掌握自然語言處理項目，完成文本摘要或傳智大腦項目
2、掌握自然語言處理項目，完成智能文本分類或知識圖譜項目
3、掌握運用NLP核心算法解決實際場景關(guān)系抽取的問題
· 機器學(xué)習(xí)核心算法加強
· 深度學(xué)習(xí)核心算法加強
· 數(shù)據(jù)結(jié)構(gòu)與算法
· 多行業(yè)項目擴展
· 圖像與視覺處理介紹
· 目標分類和經(jīng)典CV網(wǎng)絡(luò)
· 目標檢測和經(jīng)典CV網(wǎng)絡(luò)
· 目標分割和經(jīng)典CV網(wǎng)絡(luò)
1、機器學(xué)習(xí)與深度學(xué)習(xí)核心算法，NLP經(jīng)典算法，數(shù)據(jù)結(jié)構(gòu)算法、Djkstra算法，動態(tài)規(guī)劃初步，貪心算法原理，多行業(yè)人工智能案例剖析；
2、經(jīng)典卷積網(wǎng)絡(luò)：LeNet5、AlexNet、 VGG、 Inception、GoogleNlet、殘差網(wǎng)絡(luò) 深度學(xué)習(xí)優(yōu)化;RCNN、FastRCNN;FasterRCNN;SSD、YOLOM、 YOLOV2、 YOLOV。
1、掌握數(shù)據(jù)結(jié)構(gòu)與算法，核心機器學(xué)習(xí)、深度學(xué)習(xí)面試題，助力高薪就業(yè)；
2、掌握計算機視覺基礎(chǔ)算法，諸如CNN、殘差網(wǎng)絡(luò)、Yolo及SSD。
· 解決方案列表
· 項目架構(gòu)及數(shù)據(jù)采集
· 人臉檢測與跟蹤
· 人臉姿態(tài)任務(wù)
· 人臉多任務(wù)
· 系統(tǒng)集成
1、人臉檢測與跟蹤解決方案；
2、人臉多任務(wù)解決方案；
3、人臉識別任務(wù)解決方案；
4、系統(tǒng)集成解決方案；。
掌握人臉支付項目或智慧交通項目或?qū)崟r人臉識別項目。
多領(lǐng)域多行業(yè)項目
打造AI核心競爭力
本項目利用深度學(xué)習(xí)技術(shù)，跟蹤路面實時車輛通行狀況，并逐幀記錄不同行車道車流量數(shù)目。車輛自動計數(shù)系統(tǒng)由計數(shù)系統(tǒng)、圖像抓拍系統(tǒng)、實時監(jiān)控錄像系統(tǒng)組成，可在視頻看出每個車輛的連續(xù)幀路徑。
1、Siamese系列模型
2、yoloV3目標檢測
3、SORT/DeepSORT算法
4、卡爾曼濾波目標位置優(yōu)化
5、匈牙利算法目標匹配
6、相機校正方法
本項目可通過攝像頭實時采集視頻人臉數(shù)據(jù)，也可批量圖片輸入自動化識別人臉；本項目對視頻可實現(xiàn)人臉的跟蹤，并標注姓名、性別、情緒（開心、生氣、自然）等信息；能對進入視頻的陌生人報警。
1、EigenFace
2、LBPH
3、雙屬性圖
4、動態(tài)人臉定位
5、活體檢測
6、柔性模型技術(shù)
7、Gabor系數(shù)特征匹配
8、隱馬爾科夫模型的圖像分割
在線醫(yī)生項目是一個基于自然語言理解方向的問答機器人。該項目結(jié)合醫(yī)學(xué)知識圖譜、深度學(xué)習(xí)、對話管理、微信公眾號開發(fā)等技術(shù)，旨在降低首醫(yī)成本，為患者提供基本醫(yī)學(xué)診斷意見服務(wù)。
1、Neo4j圖數(shù)據(jù)庫
2、命名實體審核/識別模型訓(xùn)練與預(yù)測+
3、句子主題相關(guān)模型訓(xùn)練與部署
4、系統(tǒng)聯(lián)調(diào)與測試
5、論文復(fù)現(xiàn)
中文標簽化系統(tǒng)是NLP基礎(chǔ)任務(wù)的綜合系統(tǒng)，同時又是NLP應(yīng)用的基礎(chǔ)設(shè)施。根據(jù)文本信息，給出對應(yīng)的預(yù)定義標簽將能夠有效的支持用戶畫像，推薦系統(tǒng)等。同時，對于高階NLP任務(wù)，如對話，翻譯，寓意蘊含等在語料分類上將有很大的幫助。
1、標簽詞匯知識圖譜
2、特征工程
3、fasttext模型
4、多模型訓(xùn)練與預(yù)測
5、AI業(yè)務(wù)流調(diào)試
6、Django后端服務(wù)搭建
推薦系統(tǒng)的在當下的火爆程度毋庸置疑，個性化推薦的需求也是每一個toC產(chǎn)品應(yīng)該實現(xiàn)的目標。本項目推薦系統(tǒng)策略與圖像與視覺處理相結(jié)合，深度解決互聯(lián)網(wǎng)產(chǎn)業(yè)的推薦業(yè)務(wù)場景。
1、知識圖譜構(gòu)建雙畫像
2、多召回策略
3、召回金字塔
4、基于人臉
5、場景
6、表情推薦方案
人臉支付項目是一個基于計算機視覺方向的人臉識別項目，該項目以支付系統(tǒng)為背景介紹人臉處理的整體流程。利用機器學(xué)習(xí)和深度學(xué)習(xí)的方法，針對攝像頭捕獲的視頻圖像，進行人臉區(qū)域檢測，人臉跟蹤，人臉姿態(tài)的檢測，通過人臉矯正，人臉比對完成人臉的識別。
1、人臉檢測的解決方案
2、人臉姿態(tài)（歐拉角）檢測
3、人臉關(guān)鍵點識別
4、人臉多任務(wù)（年齡，性別等）
5、人臉特征對比
黑馬頭條推薦系統(tǒng)屬于機器學(xué)習(xí)與深度學(xué)習(xí)推薦應(yīng)用項目，類似今日頭條、掘金等推薦。用戶可以通過黑馬頭條APP獲取個性化推薦技術(shù)文章的效果。
1、Hadoop分布式文件存儲和計算
2、Sqoop大規(guī)模數(shù)據(jù)遷移
3、Lambda架構(gòu)
4、Flume數(shù)據(jù)采集
5、Kafka消息隊列
6、Spark機器學(xué)習(xí)
7、用戶特征工程
8、TFIDF、TextRank文本特征工程
9、多路召回策略
10、Wide&Deep深度學(xué)習(xí)模型
根據(jù)用戶的歷史行為，挖掘出用戶的喜好，并為用戶推薦與其喜好相符的商品或者信息。同時讓一些有價值的信息能夠到達潛在的用戶之中。其中用戶畫像標簽系統(tǒng)為推薦系統(tǒng)提供數(shù)據(jù)支持，商品推薦的Ctr/Cvr點擊率/轉(zhuǎn)化率預(yù)估系統(tǒng)為推薦系統(tǒng)推薦結(jié)果提供排序依據(jù)。
1、推薦系統(tǒng)項目業(yè)務(wù)背景介紹
2、推薦系統(tǒng)架構(gòu)
3、企業(yè)級用戶畫像
4、SparkMllib案例實戰(zhàn)
5、多路召回算法
6、排序算法
7、推薦系統(tǒng)指標評估
小智聊天機器人，使用了自然語言處理的技術(shù)，實現(xiàn)人機對話。實現(xiàn)的是一個類似智能客服的系統(tǒng)，實現(xiàn)了閑聊功能和問答功能，在App上提供了入口，能夠和機器人閑聊和編程相關(guān)的問題。
1、jieba分詞
2、skip-gram模型
3、CBOW模型
4、詞嵌入原理word_embedding
5、神經(jīng)網(wǎng)絡(luò)RNN-LSTM-GRU
6、Seq2Seq模型完整搭建和訓(xùn)練
7、astText+Attention注意力機制
金融風(fēng)控項目搭建了整套金融風(fēng)控知識體系，從反欺詐、信用風(fēng)險策略、評分卡模型構(gòu)建等熱點知識，使得學(xué)員具備中級金融風(fēng)控分析師能力。
1、常見信貸風(fēng)險、金融風(fēng)控領(lǐng)域常用術(shù)語
2、信貸審批業(yè)務(wù)基本流程、ABC評分卡概念、正負樣本定義方法等
3、特征衍生、特征交叉、特征評估與篩選
4、邏輯回歸評分卡、集成學(xué)習(xí)評分卡、模型評價（KS，AUC），評分映射方法，模型報告
5、樣本不均衡的處理方法，異常點檢測的常用方法
