叶梓：人工智能+自然语言处理

叶梓注册讲师 387查看

课程概要

培训时长 : 3天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 10020

联系老师

适用对象

理工科本科以上，或至少了解一种编程语言。

课程介绍

第一节：人工智能与机器学习基础

1.人工智能概述

2.机器学习概述

3.机器学习算法应用分析

第二节：回归算法

1.一元线性回归

2.代价函数

3.梯度下降法

4.sklearn一元线性回归应用

5.多元线性回归

6.sklearn多元线性回归应用

案例：葡萄酒质量和时间的关系

第三节：KNN分类算法

1.KNN分类算法介绍

2.KNN分类算法应用

3.KNN实现

案例：鸢尾花分类

第四节：决策树算法

1.决策树算法介绍

2.熵的定义

3.决策树算法与应用实现

案例：用户购买行为预测

第五节：集成算法与随机森林

1.Bagging算法介绍

2.随机森林建模方法

3.Adaboost算法介绍

4.Stacking算法介绍

5.Voting算法介绍

第六节：K-means聚类算法

1.K-means算法介绍

2.K-means算法应用

3.K-means算法实际应用案例

案例：NBA球队实力聚类分析

第七节：支持向量机

1.SVM算法介绍

案例：SVM完成人脸识别应用

第八节：特征工程项目-银行

用户违约预测

1.数据缺失处理

2.特征筛选方法

3.特征工程

4.数据不平衡问题处理

5.算法选择

6.结果评估

第九节：深度学习基础-

神经网络介绍

1.人工神经网络发展史

2.单层感知器

3.激活函数，损失函数和梯度下降法

4.BP算法介绍

案例：BP算法解决手写数字识别问题

第十节：Tensorflow基础应用

1.Mnist数据集合Softmax讲解

2.使用BP神经网络搭建手写数字识别

3.交叉熵(cross-entropy)讲解和使用

4.过拟合,正则化,Dropout

5.各种优化器Optimizer

第十一节：卷积神经网络CNN应用

1.CNN卷积神经网络

2.卷积层、池化层（均值池化、最大池化）

3.CNN手写数字案例

第十二节：长短时记忆网络

LSTM应用

1.RNN循环神经网络

2.长短时记忆网络LSTM

3.LSTM应用案例

第十三节：常用卷积网络模型介绍

AlexNet模型介绍
VGG模型介绍
Inception模型介绍

4.ResNet模型介绍

第十四节：用自己的数据来训练一个新的图像识别模型

1.数据准备

2.数据增强

3.模型搭建

4.模型训练

5.结果测试

第十五节：目标检测模型介绍

1.目标检测项目介绍

2.R-CNN模型介绍

3.SPPNET模型介绍

4.Fast-RCNN模型介绍

5.Faster-RCNN模型介绍

6.SSD模型介绍

7.yolo-v1模型介绍

8.yolo-v2模型介绍

9.yolo-v3模型介绍

第十六节：目标检测模型实战

1.项目安装配置环境

2.准备数据集

3.使用训练好的目标检测模型进行预测

4.用自己的数据训练新的目标检测模型

第十七节：自然语言处理技术介绍

1. word2vec介绍

2.Transformer模型介绍

3.Self-Attention机制介绍

4.多头注意力机制介绍

5..Bert模型介绍

6.GPT-3模型介绍

第十八节：自然语言处理项目实战

1.用CNN训练一个新的文本分类模型

2.用LSTM训练一个新的文本分类模型

3.用Bert训练一个新的文本分类模型

课后辅助：

1.针对学员面对的问题进行讨论，提出建议

2.建立微信群（课后技术免费指导）

3.上课ppt资料都发到群里面

叶梓老师的其他课程

• 叶梓：人工智能“最强模型”transformer详解: 【课程简介】Transformer 是迄今为止人工智能领域的最新和最强大的模型类别之一。它几乎正在凭借一己之力来推动深度学习的又一波重大进步。Transformer 模型充分运用了称为注意力和自注意力机制，以检测系列（或图像）中元素相互影响和相互依赖的微妙关系。本课程通过2天时间的详细介绍，可使学习者初步了解Transformer的原理、应用场景、最新发展等。【课程收益】掌握深度学习框架：TensorFlow、pytorch等；理解“自监督学习”在当代AI领域的核心作用；掌握Transformer背景知识、相关理论与实践；理解Transformer在NLP领域和CV领域的应用场景；为学员的后续项目应用提供针对性的建议。【课程特点】本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。【课程对象】理工科本科以上，或至少了解一种编程语言。时间内容案例实践与练习第一天上午深度学习知识 BP神经网络人工神经元及感知机模型Sigmoid激活函数前向神经网络的架构梯度下降误差反向传播详解深度学习基础连接主义的兴衰深度学习与神经网络目标函数与激励函数学习步长权重初始化权重衰减（Weight Decay）梯度下降的方法案例实践：手算神经网络BP算法只用numpy，手推BPNN深度BP网络实现手写数字的识别各种梯度下降方法的实战效果第一天上午 CV初步 CNN图像分类概述AlexNet与ZF-NetVGG（5层变为5组）迁移学习GoogLenet 模型退化与ResNetDenseNet（充分利用特征）最新的efficientnet VAE与GAN图像生成模型AE与VAEDAEGAN改进的GAN案例实践：VGG各层的可视化展现迁移学习：猫狗大战VAE生成的数字StyleGAN第二天上午 RNN与W2V 循环神经网络RNN基本原理LSTM、GRU双向循环神经网络编码器与解码器结构seq2seq模型初识AttentionNIC模型词向量基础（word2vec）W2V:CBOWW2V:skip-gramW2V:Hierachical SoftmaxW2V:Negative Sampling 案例实践：股票交易数据的预测；谁和小鱼儿最相似？SnowNLP：褒义的中性词Word2vec代码解读第二天下午 Transformer以及发展 Transformer所有你需要的仅仅是“注意力”Transformer中的block自注意力机制多头注意力位置编码（抛弃RNN）Batch Norm与Layer Norm解码器的构造 BERTBERT整体架构Masked-LMNext Sentence Prediction改造下游任务WordPiece作为输入 CV领域的TransformeriGPTVision Transformer（ViT）BEiTMAE令人惊奇的效果MAE详解未来可期：MaskFeat等案例实践：手推TransformerBERT代码解读BERT下游任务的改造BEiT的效果

• 叶梓：强化学习与深度强化学习: 【课程简介】强化学习是当前最热门的研究方向之一，广泛应用于机器人学、电子竞技等领域。本课程系统性的介绍了强化学习（深度强化学习）的基本理论和关键算法，包括：马尔科夫决策过程、动态规划法、蒙特卡罗法、时间差分法、值函数逼近法，策略梯度法等；以及该领域的最新前沿发展，包括：DQN及其变种、信赖域系方法、Actor-Critic类方法、多Agent深度强化学习等；同时也介绍大量的实际案例，包括深度强化学习中最著名的工程应用：Alpha Go。【课程对象】计算机相关专业本科；或理工科本科，具备初步的IT基础知识的人员第一天强化学习第一课强化学习综述1.强化学习要解决的问题2.强化学习方法的分类3.强化学习方法的发展趋势4.环境搭建实验（Gym，TensorFlow等）5.Gym环境的基本使用方法第二课马尔科夫决策过程1.基本概念：马尔科夫性、马尔科夫过程、马尔科夫决策过程2.MDP基本元素:策略、回报、值函数、状态行为值函数3.贝尔曼方程4.最优策略案例：构建机器人找金币和迷宫的环境第三课基于模型的动态规划方法1.动态规划概念介绍2.策略评估过程介绍3.策略改进方法介绍4.策略迭代和值迭代案例：实现基于模型的强化学习算法第四课蒙特卡罗方法1.蒙特卡罗策略评估2.蒙特卡罗策略改进3.基于蒙特卡罗的强化学习4.同策略和异策略案例：利用蒙特卡罗方法实现机器人找金币和迷宫第五课时序差分方法1.DP，MC和TD方法比较2.MC和TD方法偏差与方差平衡3.同策略TD方法：Sarsa 方法4.异策略TD方法：Q-learning 方法案例：Q-learning和Sarsa的实现第二天从强化学习到深度强化学习第一课基于值函数逼近方法（强化学习）1.维数灾难与表格型强化学习2.值函数的参数化表示3.值函数的估计过程4.常用的基函数第二课基于值函数逼近方法（深度学习与强化学习的结合）1.简单提一下深度学习2.深度学习与强化学习的结合3.DQN 方法介绍4.DQN变种：Double DQN, Prioritized Replay, Dueling Network案例：用DQN玩游戏——flappy bird 第三课策略梯度方法（强化学习）1.策略梯度方法介绍2.常见的策略表示3.常见的减小方差的方法:引入基函数法，修改估计值函数法案例：利用gym和tensorflow实现小车倒立摆系统等第四课 Alpha Go（深度学习与强化学习的结合）1.MCTS2.策略网络与价值网络3.Alpha Go的完整架构第五课 GAN（深度学习）1.VAE与基本GAN2.DCGAN3.WGAN案例：生成手写数字的GAN 第三天深度强化学习进阶第一课 AC类方法-11. PG的问题与AC的思路2. AC类方法的发展历程3. Actor-Critic基本原理第二课 AC类方法-21. DPG方法2. DDPG方法3. A3C方法案例：AC类方法的案例第三课信赖域系方法-11.信赖域系方法背景2.信赖域系方法发展路线图3.TRPO方法案例：TRPO方法的案例第四课信赖域系方法-21.PPO方法2.DPPO方法简介3.ACER方法案例：PPO方法的案例第五课多Agent强化学习1.矩阵博弈2.纳什均衡3.多人随机博弈学习4.完全合作、完全竞争与混合任务5.MADDPG案例：MADDPG的案例等

• 叶梓：计算机视觉的深度学习实践: 【课程简介】在所有人工智能的应用方向上，计算机视觉/机器视觉图像处理的落地应用最为成熟，近两年的技术发展是最为迅猛。以互联网巨头为代表的企业正在开展如：基于识别的智能机器人，无人驾驶，人脸识别、图像搜索，图像处理，游戏界面等；专门从事视觉、图像处理的新兴公司正在发力于人脸识别，检测，跟踪，安防等领域。只有对计算机视觉这个领域有了一个初步的全面了解才能在这些领域进行研究，一步步深入下去。【课程目标】计算机视觉领域的重点研究问题。由浅入深得讲解数字图像的存储、预处理、特征提取，以及在深度学习兴起之前计算机视觉领域所取得的成就。专门介绍深度学习的基础理论知识，包括神经网络的基本原理，以及深度学习对于传统神经网络的关键改进。重点介绍深度学习模型在计算机视觉领域的应用。具体涉及在计算机视觉领域如何应用卷积神经网络（CNN)、区域卷积网络（R-CNN) 全卷积网络（FCN)、循环神经网络（RNN)、长短时记忆单元（LSTM)、生成对抗网络 (GAN)等解决图像应用的难点课程将使用Python语言及Tensorflow、Keras 深度学习框架等进行案例实践教学。第一讲课程概述1、计算机视觉的研究意义2、计算机视觉的难点3、当前研究的主要热点问题（分类、目标检测、实例分割、图说等）4、本课程的主要内容介绍5、相关开源库介绍（OpenCV、Tensorflow、Keras、pyTorch等）6、应用案例：搭建tensorflow+opencv的环境第二讲图像预处理1、图像平滑与去噪（高斯滤波、中值滤波等）2、基于直方图的对比度增强:CLAHE3、边缘检测算子（Sobel、拉普拉斯等）4、形态学处理（腐蚀、膨胀、开闭运算等）5、高斯金字塔与拉普拉斯金字塔6、频域分析及变换（卷积计算、傅里叶变换、小波变换）7、应用案例：平滑、边缘检测、CLAHE、FFT等第三讲图像特征提取1、颜色特征（量化直方图、聚类直方图）2、几何特征（Edge、Corner、Blob等）3、Harris角点与FAST角点4、基于关键点的特征描述子（SIFT、SURF、ORB）5、其他特征提取（LBP、Gabor）6、应用案例：SIFT、图像拼接等第四讲未有深度学习之前1、基于灰度的图像分割（阈值分割、区域生长、分水岭等）2、基于图论：graph-cut与grab-cut3、用于人脸检测的Haar-like特征与级联分类器4、用于行人检测的HOG+SVM5、用于行人检测的多尺度形变部件模型（DPM）6、应用案例：人脸识别、行人识别第五讲神经网络与误差反向传播算法1、人工神经元及感知机模型2、目标函数（MSE）3、激励函数（sigmoid、tanh）4、误差反向传播算法的推导5、应用案例：可以手算的BP神经网络6、深度学习与神经网络的区别与联系第六讲深度学习基础1、深度学习中的目标函数与激励函数2、深度学习中的求解方法（Adagrad、RMSprop、Adam等）3、深度学习中的技巧（dropout、BN、weights decay等）4、应用案例：利用tensorflow实现的手写数字识别5、卷积神经网络介绍6、卷积层的误差反向传播7、池化层的误差反向传播第七讲图像分类1、竞赛中的分类问题2、CNN的发展概述3、开山之作：AlexNet4、5层变为5组：VGG5、组合所有可能的模型：GoogLeNet6、残差网络：ResNet7、深与宽之外的改进方向：ResNext6、应用案例：VGG、ResNet 第八讲图像检索1、检索特征（基于颜色，纹理，形状，局部特征）2、特征相似度度量（EMD）3、建立基于深度学习的检索索引4、知识点：迁移学习的一种实现（fine-tune）5、索引加速：KD-tree6、大数据条件下的索引加速：Locality Sensitive Hash7、应用案例：CBIR的应用第九讲目标检测（上）1、目标检测任务概述2、区域卷积神经网络：R-CNN3、共享卷积层与多尺度：SPP-Net4、多任务的目标函数：Fast R-CNN5、SS改成RPN：Faster R-CNN6、其他数据集介绍：行人检测、人脸检测7、应用案例：Faster R-CNN 第十讲目标检测（下）1、之前方法的总结2、ROI-wise子网继续共享：R-FCN3、回归解决一切：YOLO v14、八大改进：YOLO v25、构建语义树：YOLO 90006、多尺度预测：YOLO v37、应用案例：Darknet实现的YOLO 第十一讲通用场景下的图像分割1、语义分割2、全卷积网络语义分割：FCN3、知识点：反卷积、转置卷积与空洞（膨胀）卷积4、DeepLab v1（含CRF）5、DeepLab v2（多尺度）6、DeepLab v3与v3+(多尺度级联)7、PASCAL VOC、MS COCO、Cityscapes等数据集介绍8、应用案例：DeepLab、denseCRF 第十二讲医疗影像分割1、医学影像分析任务概述与数据集2、U-Net3、3D U-NET与V-Net4、FC-DenseNet5、病理切片分析任务概述与数据集6、病理切片分析的实现7、应用案例：利用U-Net实现的器官分割第十三讲图像描述（图说）1、深度学习的语言模型（RNN）2、知识点介绍；LSTM与GRU3、图说模型原理与结构4、模型增强：注意力机制5、图说效果的评判标准6、数据集介绍（MS COCO， Flickr等）7、应用案例：RNN简单示例，图像描述：show and Tell 第十四讲图像生成1、变分自编码器（VAE）2、生成对抗网络（GAN）3、知识点：KL散度与JS散度4、改进的GAN：DCGAN5、从根本上解决训练的困难：Wasserstein GAN6、超分辨率问题：SRGAN7、应用案例：GAN与DCGAN等

叶梓：人工智能+自然语言处理

课程概要

适用对象

课程介绍

叶梓老师的其他课程

相关课程

添加企业微信