【课程简介】
人工智能的浪潮正在席卷全球,各种培训课程应运而生,但真正能让学员系统、全面掌握知识点,并且能学以致用的实战课程并不多见。本课程包含深度学习、知识图谱的重要概念及常用算法(目标检测、图像分割、自然语言处理、RNN、知识图谱、GAN等),以及人工智能领域当前的热点。通过3天的系统学习、案例讲解和动手实践,让学员能初步迈入深度学习和知识图谱的知识殿堂。
【课程收益】
- 掌握Python开发技能;
- 掌握深度学习工具:TensorFlow、Keras、pytorch等;
- 掌握深度学习的理论与实践;
- 掌握知识图谱基本知识;
- 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机器学习理论,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】
计算机相关专业本科;或理工科本科,且至少熟悉一门编程语言。
【主讲专家】
叶梓,博士、高级工程师。2005年上海交通大学计算机专业博士毕业,主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇,在中文核心期刊上发表论文近20篇,并被百度学术收录。
【学员基础】
具备初步的IT基础知识
【课程大纲】(培训内容可根据客户需求调整)
时间 | 内容 | 案例实践与练习 |
Day4上午 目标检测 | 二阶段目标检测 - 目标检测项目介绍
- R-CNN
- SPPNET(全图卷积、SPP层)
- Fast-RCNN(多任务)
- Faster-RCNN(RPN)
一阶段目标检测(2) - SSD
- YOLO-v1(一切都是回归)
- YOLO -v2(9000)
- YOLO -v3(多尺度)
- YOLO -v4
- YOLO -v5
| 案例实践: - 基于Faster-RCNN的通用目标检测示例
- 血常规分析
案例实践: - 基于YOLO v3的通用目标快速检测示例
- 基于YOLO v4的疫情防控系统
|
Day4下午 图像分割与NLP初步 | 图像分割(3) - 全卷积网络(FCN)
- 上采样的三种实现方式
- 膨胀卷积
- HMM与CRF
- DeepLab V1~V3
自然语言处理初步(2) - 语言模型
- Bi-Gram与N-Gram
- 机械分词与统计分词
- 词性标注
- 命名实体识别
- 情感分析
| - DeepLab:遥感地图分析
|
Day5上午 RNN与W2V | 循环神经网络(1) - 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
- Attention
- NIC模型
词向量(3) - W2V:CBOW
- W2V:skip-gram
- W2V:Hierachical Softmax
- W2V:Negative Sampling
| 案例实践: - 股票交易数据的预测;
- 藏头诗生成;
- 《绝代双骄》中,谁和小鱼儿最相似?
- SnowNLP:褒义的中性词
- Word2vec代码解读
|
Day5下午 预训练模型基础 | 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
BERT - BERT整体架构
- Masked-LM
- Next Sentence Prediction
- 改造下游任务
- WordPiece作为输入
- 哪些改进起作用?
| 案例实践: - 手推Transformer
- BERT代码解读
- BERT下游任务的改造
|
Day6上午 知识图谱概念 | 知识图谱基础概念 - 知识推理
- 本体推理方法
- 本体推理工具
- 语义搜索
- RDF与RDFS
- OWL与OWL2
知识图谱存储 - Neo4j开发环境部署
- Neo4j-可视化操作
- Neo4j-CQL语法基础
- Neo4j-完整案例操作实战
- Neo4j系统管理
- Python与Neo4j的集成
| 实践: - Neo4j的安装
- Neo4j的基本操作
|
Day6下午 知识图谱存储 | 知识图谱自动抽取 - 实体消歧与链接
- 知识图谱表示学习
- 基于深度学习的实体识别
- 基于深度学习的属性链接
- 知识问答系统
- 基于知识图谱问答系统
GAN - 生成对抗网络(GAN)
- KL散度与JS散度
- 改进的GAN:DCGAN
- 加上约束:infoGAN
- 根本上解决:Wasserstein GAN
| 实践: - Python与Neo4j的集成
- 知识抽取的DL模型
- 完整的基于KG的问答系统(KBQA)
- 计算机想象的数字
- 特朗普的孩子
- 查无此人
|
【授课环境】
讲课环境要能上网