西安郵電學(xué)院計算機(jī)科學(xué)與技術(shù)本科專業(yè)，擁有著十幾年軟件研發(fā)經(jīng)驗，7年企業(yè)培訓(xùn)經(jīng)驗，對Java、Python、區(qū)塊鏈等技術(shù)領(lǐng)域有獨(dú)特的研究，精通J2EE企業(yè)級開發(fā)技術(shù)。Java方向：設(shè)計模式、Spring MVC、MyBatis、Spring、StringBoot、WebService、CXF并且對Java源碼有深入研究。Python方向：Python OOP、Mongodb、Django、Scrapy爬蟲、基于Surprise庫數(shù)據(jù)推 薦，Tensorflow人工智能框架、人臉識別技術(shù)。區(qū)塊鏈方向：BitCoin、Solidity、Truffle、Web3、IPFS、Hyperledger Fabirc、Go、EOS。
北京培訓(xùn)首頁 > 北京培訓(xùn)課程 > 軟件開發(fā)培訓(xùn)課程 > 機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計算機(jī)圖像處理和知識圖譜應(yīng)用與核心技術(shù)實戰(zhàn)
課程說明
| 課程級別 | 高級 |
| 培訓(xùn)周期 | 一周以內(nèi) |
| 上課時間 | 電話咨詢 |
| 上課地址 | 北京市豐臺夏家胡同育芳園東里3號樓B座 |
課程簡介
授課專 家 劉老師
授課專 家覃老師
上海大學(xué)物理學(xué)碩士，創(chuàng)業(yè)公司合伙人，技術(shù)總監(jiān)。機(jī)器學(xué)習(xí)，深度學(xué)習(xí)領(lǐng)域多年一 線開發(fā)研究經(jīng)驗，精通算法原理與編程實踐。曾使用Tensorflow，Caffe，Keras等深度學(xué)習(xí)框架完成過多項圖像，語音，nlp，搜索相關(guān)的人工智能實際項目，研發(fā)經(jīng)驗豐富。擁有兩項國 家專利。同時具有多年授課培訓(xùn)經(jīng)驗，講課通俗易懂，代碼風(fēng)格簡潔清晰。
培訓(xùn)模塊 | 培訓(xùn)內(nèi)容 |
機(jī)器學(xué)習(xí)與線性回歸算法 | 線性回歸實現(xiàn)銷售數(shù)據(jù)預(yù)測 1. 線性回歸介紹與公式推導(dǎo) 2. 多變量線性歸回歸與梯度下降 3. 預(yù)測銷量與廣告投放相關(guān)性預(yù)測 4. 數(shù)據(jù)升維與PCA降維 5. 數(shù)據(jù)歸一化與模型優(yōu)化 6. 欠擬合與過擬合 7. 訓(xùn)練結(jié)果的可視化 8. 保存模型與再加載 |
邏輯回歸與決策樹實戰(zhàn) | 邏輯回歸之信用卡反欺詐預(yù)測 1. 項目背景與需求分析 2. 特征工程之標(biāo)準(zhǔn)化 3. 基本預(yù)處理操作 4. 上采樣與下采樣 5. 混淆矩陣可視化函數(shù) 6. 模型的訓(xùn)練與準(zhǔn)確率,率,召回率 |
決策樹、集成學(xué)習(xí)識別銀行高風(fēng)險 1. 信息增益與算法原理介紹 2. 數(shù)據(jù)分析、特征工程 3. 模型訓(xùn)練與優(yōu)化參數(shù) 4. 隨機(jī)森林、正向激勵算法 5. 采用決策樹識別高風(fēng)險 | |
Tensorflow2.3 神經(jīng)網(wǎng)絡(luò) | 深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)實踐 1. Tensorflow安裝 2. Tensorlfow基礎(chǔ)知識 3. Tensorflow線性回歸 4. Tensorflow非線性回歸 5. Mnist數(shù)據(jù)集合Softmax講解 6. 使用BP神經(jīng)網(wǎng)絡(luò)搭建手寫數(shù)字識別 7. 交叉熵(cross-entropy)講解和使用 8. 過擬合,正則化,Dropout 9. 各種優(yōu)化器Optimizer 10. 改進(jìn)手寫數(shù)字識別網(wǎng)絡(luò) 11. 模型保存與載入 |
深度學(xué)習(xí)之卷積神經(jīng)網(wǎng)絡(luò) | CIFAR圖形圖像識別項目 1. CIFAR項目需求介紹 2. 分析愛data_batch數(shù)據(jù)集 3. CNN卷積神經(jīng)網(wǎng)絡(luò)介紹 4. 卷積、深度、池化、步長、函數(shù) 采用CNN完成CIFAR物體分類 1. 人臉識別數(shù)據(jù)集與算法介紹 2. 模型結(jié)構(gòu)設(shè)計 3. 人臉損失函數(shù)設(shè)計 4. 模型與參數(shù)調(diào)優(yōu) |
Keras 神經(jīng)網(wǎng)絡(luò)框架 | Keras理論介紹佳實戰(zhàn) 1. Keras神經(jīng)網(wǎng)絡(luò)框架介紹 2. 基于Keras情感類分析 3. 動物分類器實現(xiàn) 4. 采用Keras實現(xiàn)非線性回歸 5. 生成式對抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用 6. 模塊結(jié)構(gòu)分析與優(yōu)化策略 7. 采用Keras重構(gòu)TensorFlow項目 |
Open CV計算機(jī)視覺技術(shù) | OpenCV的人臉識別 1. OpenVINO框架介紹與安裝測試 2. OpenCV DNN中使用IE模塊加速 3. 轉(zhuǎn)化工具與IE模塊加速 4. 準(zhǔn)備人臉數(shù)據(jù) 5. CV掃描圖像、平滑、擴(kuò)張實現(xiàn) 6. DNN神經(jīng)網(wǎng)絡(luò)識別人臉 7. 測試與調(diào)優(yōu)操作 8. 基于Open CV DNN 構(gòu)建車輛與車牌檢查模型 |
YOYO目標(biāo)識別框架技術(shù) | YOYO目標(biāo)識別框架介紹 1. 標(biāo)檢測任務(wù)介紹 2. RCNN/Fast-RCNN/Faster-RCNN算法介紹 3. YOLO算法介紹 4. 目標(biāo)分割任務(wù)介紹 5. 全卷積網(wǎng)絡(luò) 6. 雙線性上采樣 7. 特征金字塔 8. Mask RCNN算法介紹 9. 目標(biāo)分割項目實戰(zhàn) |
圖數(shù)據(jù)庫與構(gòu)建知識圖譜 | 知識表示與建模 1. 知識圖譜核心技術(shù)：知識推理 2. 知識圖譜應(yīng)用場景與抽取概述介紹 3. 本體知識推理與任務(wù)分類 4. 實體與關(guān)系、事件抽取技術(shù) 5. 采用TxtCnn、CRF完成知識抽取 6. 采用RNN、LSTM完成知識抽取 |
知識存儲與問答機(jī)器人構(gòu)建 1. 知識存儲neo4j常用數(shù)據(jù)庫 2. Cyhper語言介紹 3. 采用Py操作Neo4j數(shù)據(jù)庫 4. 基于知識圖譜問答機(jī)器人構(gòu)建 | |
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 |
知識表示 | 1.基于符號主義的知識表示概述 1.1 謂詞邏輯表示法 1.2 產(chǎn)生式系統(tǒng)表示法 1.3 語義網(wǎng)絡(luò)表示法 2 知識圖譜的知識表示 2.1 RDF和RDFS 2.2 OWL和OWL2 2.3 Json-LD與RDFa、MicroData 2.4 RQL查詢語言 3 知識建模實戰(zhàn) Protege |
知識圖譜核心基礎(chǔ)技術(shù)（一） 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) | 1.經(jīng)網(wǎng)絡(luò)基本原理 2.神經(jīng)網(wǎng)絡(luò)應(yīng)用舉例 3.深度學(xué)習(xí)概述 4.主流深度學(xué)習(xí)框架 4.1 TesorFlow 4.2 Caffe 5.卷積神經(jīng)網(wǎng)絡(luò)（CNN） 5.1 CNN簡介 5.2 CNN關(guān)鍵技術(shù):局部感知、卷積、池化、CNN訓(xùn)練 5.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 5.4 深度殘差網(wǎng)絡(luò) 5.5 案例：利用CNN進(jìn)行手寫數(shù)字識別 |
知識圖譜核心基礎(chǔ)技術(shù)（二） 基于深度學(xué)習(xí)的自然語言處理 | 1.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）概述 2.基本RNN 3.長短時記憶模型(LSTM) 4.門控循環(huán)單元（GRU） 5.知識圖譜向量表示方法 5.1 向量表示法 5.2 知識圖譜嵌入 |
知識抽取與融合 | 1.知識抽取主要方法與方式 1.1 主要方法 1.2 主要方式 2 面向結(jié)構(gòu)化數(shù)據(jù)的知識抽取 2.1 Direct Mapping 2.2 R2RML 3.面向半結(jié)構(gòu)化數(shù)據(jù)的知識抽取 3.1 基于正則表達(dá)式的方法 3.2 基于包裝器的方法 4.面向非結(jié)構(gòu)化數(shù)據(jù)的知識抽取 4.1 實體抽取 4.3 事件抽取 5.1知識挖掘流程 5.2 知識挖掘主要方法 6 知識融合 6.1 本體匹配 |
存儲與檢索 | 1.知識存儲與檢索基礎(chǔ)知識 2.知識圖譜的存儲方法 2.1基于關(guān)系數(shù)據(jù)庫的存儲 2.3 原生圖數(shù)據(jù)庫Neo4j存儲 3.圖譜構(gòu)建實踐 NEO4J |
知識圖譜案例 | 基于Neo4j人物關(guān)系知識圖譜存儲與檢索 |
課程內(nèi)容以實際授課為準(zhǔn)
溫馨提示
