課程描述INTRODUCTION
培訓(xùn)講師：講師團
課程價格：￥元/人
培訓(xùn)天數(shù)：4天
日程安排SCHEDULE
課程大綱Syllabus
人工智能實踐公開課
一、培訓(xùn)收益
課程中通過細(xì)致講解，使學(xué)員掌握該技術(shù)的本質(zhì)。具體收益包括：
1.回歸算法理論與實戰(zhàn)；
2.分類算法理論與實戰(zhàn)；
3.降維算法理論與實戰(zhàn)；
4.聚類算法理論與實戰(zhàn)；
5.神經(jīng)網(wǎng)絡(luò)算法；
6.Tensorflow DNN CNN構(gòu)建；
7.基于OpenCV計算機視覺識別；
8.從0到1完成知識圖譜構(gòu)建；
9.通過展示教師的實際科研成果，講述人工智能與知識圖譜的技術(shù)原理與應(yīng)用系統(tǒng)開發(fā)方法、知識圖譜系統(tǒng)開發(fā)工具使用方法。使學(xué)員掌握知識圖譜基礎(chǔ)與專門知識，獲得較強的知識圖譜應(yīng)用系統(tǒng)的分析、設(shè)計、實現(xiàn)能力。
二、培訓(xùn)特色
本次培訓(xùn)從實戰(zhàn)的角度對深度學(xué)習(xí)技術(shù)進行了全面的剖析，并結(jié)合實際案例分析和探討深度學(xué)習(xí)的應(yīng)用場景，給深度學(xué)習(xí)相關(guān)從業(yè)人員以指導(dǎo)和啟迪。
三、日程安排
機器學(xué)習(xí)基礎(chǔ)1.機器學(xué)習(xí)的開發(fā)過程
2.監(jiān)督學(xué)習(xí)的處理模式
3.無監(jiān)督學(xué)習(xí)的處理模式
4.機器學(xué)習(xí)模型的開發(fā)步驟
5.機器學(xué)習(xí)模型開發(fā)的要點
機器學(xué)習(xí)實戰(zhàn)1.分類
2.回歸
3.時間序列分析
4.關(guān)聯(lián)分析
5.聚類與降維
深度學(xué)習(xí)基礎(chǔ)1.神經(jīng)元與神經(jīng)網(wǎng)絡(luò)
2.激活函數(shù)的點火機制
3.Sigmoid函數(shù)與參數(shù)優(yōu)化
4.梯度下降法
5.簡單感知機
6.多層感知機
7.Tensorflow實現(xiàn)感知機
8.Keras實現(xiàn)感知機
9.PyTorch實現(xiàn)感知機
深度學(xué)習(xí)進階1.前饋神經(jīng)網(wǎng)絡(luò)
2.誤差反向傳播
3.創(chuàng)建神經(jīng)網(wǎng)絡(luò)
4.Fashion-MNIST圖像識別
5.TensorFlow構(gòu)建圖像識別網(wǎng)絡(luò)模型
6.Keras構(gòu)建圖像識別網(wǎng)絡(luò)模型
7.PyTorch構(gòu)建圖像識別網(wǎng)絡(luò)模型
卷積神經(jīng)網(wǎng)絡(luò)與圖像識別1.卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
2.基于TensorFlow構(gòu)建CNN
3.基于Keras構(gòu)建CNN
4.基于PyTorch構(gòu)建CNN
一般物體的圖像識別1.多分類數(shù)據(jù)集CIFAR-10介紹
2.CNN識別普通物體的結(jié)構(gòu)
3.基于TensorFlow + CNN構(gòu)建物體識別模型
4.基于Keras + CNN構(gòu)建物體識別模型
5.基于PyTorch + CNN構(gòu)建物體識別模型
6.模型調(diào)優(yōu)提高物體識別精度
循環(huán)神經(jīng)網(wǎng)絡(luò)1.RNN基本結(jié)構(gòu)
2.LSTM文章生成
3.GRU圖像生成
4.VEA圖像生成
5.GAN圖像生成
Open CV與圖像識別1.OpenCV安裝
2.基于OpenCV物體檢測
3.圖像檢測與圖像保存
知識圖譜概述1.知識圖譜（KG）概念
2.知識圖譜的起源與發(fā)展
3.典型知識圖譜項目簡介
4.知識圖譜技術(shù)概述
5.知識圖譜典型應(yīng)用
知識存儲1.知識圖譜數(shù)據(jù)庫
2.知識圖譜存儲方法
3.基于Neo4j的知識存儲實踐
4.開源知識存儲工具理論與實踐
知識圖譜案例基于Neo4j人物關(guān)系知識圖譜存儲與檢索
GYM與強化學(xué)習(xí)1.GYM安裝與游戲獎罰設(shè)置
2.強化學(xué)習(xí)的與眾不同
3.馬爾科夫性質(zhì)與決策過程
4.SARSA 算法介紹與推導(dǎo)
5.蒙特卡洛多步采樣
基于DQN神經(jīng)網(wǎng)絡(luò)構(gòu)建1.CartPole規(guī)則與演示
2.Q-Table局限性
3.爬山算法獲取最優(yōu)解
4.DQN 強化神經(jīng)網(wǎng)絡(luò)
5.DQN原理分析
6.強化學(xué)習(xí)模型部署與應(yīng)用
人工智能實踐公開課
轉(zhuǎn)載：http://www.jkyingpanluxiangji.com/gkk_detail/295658.html