 |
南京博为峰IT培训学校 |
人工智能（Artificial Intelligence），简称AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
随着科技的发展，人工智能的应用越来越广，也成了当前热门的就业方向... ...
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 人工智能扫盲 & 机器学习入门 | 这是机器学习的入门课程，首先通过一个生活中的例子去理解数据挖掘和机器学习的概念，然后介绍了数据挖掘解决常见问题，常用的机器学习算法，以及经典应用案例。同时还介绍了机器学习的方法论和流程，为后续学习打下基础。 |
| 2 | 机器学习基础 - 数理统计必知必会 | 这是机器学习的基础课程，主要讲述了机器学习必备的一些数理统计的基础概述、名词，术语，包括但不限于：均值，中位数，众数，方差，标准差、概率的基本概念、描述性统计分析、分类变量的分析方法、连续变量的分析方法、相关性分析等，为后续的机器学习的深入学习打下基础 |
| 3 | 机器学习基础 - 数学必知必会 | 这是机器学习的基础课程，主要讲述了机器学习必备的一些数学知识、名词，术语，公式、基础推导等 ，包括但不限于：极限，导数，极分，无究级数，向量，矩阵与线性变换，凸分析等 ，为后续的人工智能的深入学习打下基础 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 数据预备、清洗与特征工程 | 有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征对数据挖掘和机器学习效果的重要性意味着特征工程的重要性，然而一般的特征工程也有其局限性，这时候特征提取可能更符合我们的需要。本课程详细介绍各种数据准备和特征工程的方法，主要包括对数据记录级处理，特征构造，特征转换，特征降维和特征选择，一个好的特征工程能大幅提高数据挖掘的性能。 |
| 2 | 分类算法原理与实现 | 如何解决分类问题和回归是机器学习其中两个主要任务,分类就是将实例数据划分到合适的分类中,回归主要用于预测数值型数据。分类和回归属于监督学习[x1] ，这类算法必须知道预测什么，即目标变量的分类信息，本门课程主要介绍了常用的五种分类算法：K近邻，决策树，朴素贝叶斯，逻辑回归，支持向量机（SVM） ，并结合具体的经典实战案例演示监督学习的具体应用 |
| 3 | 聚类与关联算法原理与实现 | 非监督学习是机器学习中除了监督学习外的另外类任务，常见的非监督学习方法有聚类分析和关联规则，本门课程就是重点介绍这两种方法。聚类分析中会介绍各种不同的距离的度量，以及Kmeans算法的基本原理；关联规则会介绍关联规则的基本概念以及发现频繁项集的常用算法Apriori。 |
| 4 | 协同过滤原理与实战 | 关于协同过滤的一个较经典的例子就是看电影，有时候不知道哪一部电影是我们喜欢的或者评分比较高的，那么通常的做法就是问问周围的朋友，看看较近有什么好的电影推荐。在问的时候，都习惯于问跟自己口味差不多的朋友，这就是协同过滤的核心思想。 协同过滤是在海量数据中挖掘出小部分与你品味类似的用户，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的东西组织成一个排序的目录推荐给你。 协同过滤算法的出现标志着推荐系统的产生，本课程主要介绍了协同过滤的两个核心算法算法：基于用户和基于物品的协同过滤算法。 |
| 5 | 机器学习框架：scikit-learn | 对Python语言有所了解的科研人员可能都知道SciPy——一个开源的基于Python的科学计算工具包。基于SciPy，目前开发者们针对不同的应用领域已经发展出了为数众多的分支版本，它们被统一称为Scikits，即SciPy工具包的意思。而在这些分支版本中，较有名，也是专门面向机器学习的一个就是Scikit-learn。Scikit-learn项目较早由数据科学家 David Cournapeau 在 2007 年发起，需要NumPy和SciPy等其他包的支持，是Python语言中专门针对机器学习应用而发展起来的一款开源框架。在机器学习和数据挖掘的应用中，scikit-learn是一个功能强大的python包。在数据量不是过大的情况下，也不需要开发者拥有太多的数学统计学的知识即可以解决大部分问题，本课程系scikit-learn的入门篇，主要包括：Sk-learn框架的安装、基本功能、常见使用技巧等 |
| 6 | 集成学习– 多算法融合 | 集成学习是机器学习中一个非常重要且热门的分支，是用多个弱分类器构成一个强分类器，其哲学思想是“三个臭皮匠赛过诸葛亮”。一般的弱分类器可以由决策树，神经网络，贝叶斯分类器，K-近邻等构成。已经有学者理论上证明了集成学习的思想是可以提类器的性能的，比如说统计上的原因，计算上的原因以及表示上的原因。 |
| 7 | 文本与图像数据挖掘方法 | 文本挖掘是指从大量文本数据中抽取事先未知的、可理解的、较终可用的知识的过程，同时运用这些知识更好地组织信息以便将来参考。图像数据挖掘是用来挖掘大规模图像数据中隐含的知识、图像内或图像间的各种关系以及其他隐藏在图像数据中的各种模式的一种技术。涉及图像获取、图像存储、图像压缩、多媒体数据库，涉及图像处理与分析、模式识别、计算机视觉、图像检索、机器学习、人工智能、知识表现。本门课程将主要讲解常见的文本挖掘、图像挖掘算法原理及具体实现 |
| 8 | 项目实战 | 教学项目-1：Kaggle大赛之：泰坦尼克号获救预测（回归算法） 学员考核练习项目-1：从疝气病症预测病马的死亡率 教学项目-2：购物车协同过滤推荐系统 学员考核练习项目-2：餐馆菜肴推荐系统 教学项目-3：基于聚类(Kmeans)算法实现的客户价值分析系统 教学项目-4：基于LVD、贝叶斯模型算法实现的电商行业商品评论与情感分析案例实战 学员考核练习项目-3：学员练习考核项目：预测房价系统 教学项目-5：基于OpenCV、随机森林算法实现的图像分类识别系统 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 深度学习与神经网络 | 深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取算法来替代手工获取特征。 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。本课程主要涉及深度学习、神经网络原理与实战应用 |
| 2 | 实战深度学习框架_PyTorch | PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用 . |
| 3 | pytorch深度学习框架实战-01：智能垃圾分类项目 | 这是机器学习的基础课程，主要讲述了机器学习必备的一些数学知识、名词，术语，公式、基础推导等 ，包括但不限于：极限，导数，极分，无究级数，向量，矩阵与线性变换，凸分析等 ，为后续的人工智能的深入学习打下基础 |
| 4 | pytorch深度学习框架实战-02： 携程酒店评论情感分析智能系统 | 项目简介： 在线下消费时,大家已经习惯了在美团、口碑、携程等网站上查看该商户的评价，以确定自己是否在这家店进行消费。每一家商户在这些APP上都有大量的评论信息，有的是正面的评论信息，有的是负面的评论信息。一款智能的APP能自动的对用户的评价进行分类。本项目使用携程app酒店评论数据，搭建BiLSTM模型训练情感分析模型，并使用flask框架部署微服务。 项目目标： 通过本次项目实训，希望学员能够掌握如何通过pytorch训练情感分析模型，内容包括但不限于： ① 文本预处理方法 ② torchtext文本数据集构造方法 ③ 使用pytorch搭建BiLstm情感分析模型 ④ 完成模型训练、验证和评估 ⑤ 使用flask进行模型微服务部署 |
| 5 | pytorch深度学习框架实战-03： 基于seq2seq模型实现的智能机器翻译平台 | 项目简介： 本项目将带领同学们使用一份小规模的英汉平行语料，使用基于注意力机制的seq2seq模型搭建一个机器翻译模型并完成训练和预测。由于机器翻译模型极度依赖于、高质量的平行预料以及大规模计算力，因此，本次实验得到的机器翻译模型仅能够证明机器翻译的可行性，翻译效果并不能达到理想水平。 项目目标： 通过本次实验，希望学员能够掌握基于attention机制的seq2seq模型在机器翻译中的应用，内容包括但不限于： ①基于rnn搭建encoder编码器 ②搭建concat形式的注意力机制模块Attn ③基于rnn搭建decoder解码器 ④搭建基于注意力机制的seq2seq模型结构 ⑤seq2seq模型的训练和评估 |
| 6 | 实战深度学习框架_Tensorflow & Keras | TensorFlow 表达了高层次的机器学习计算，大幅简化了代系统，并且具备更好的灵活性和可延展性。TensorFlow亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。 本课程从TensorFlow的背景介绍，安装基本环境开始讲起，到TensorFlow常见API、方法的使用。TensorFlow中常用的各模块，结合实例详解，TensorFlow使用介绍，如过拟合(Overfitting)，归档与提取，迁移学习等，并结合实例详解. |
| 7 | 项目实战：使用tensoflow搭建TextCNN、Lstm的新闻文本分类模型 | 项目简介： 当今处在互联网高度发展时期,各种信息以狂轰乱炸的形式扑面而来,而信息的载体大部分是文字的形式,如何从海量文本中获取有用的信息成为现代科技工作者研究的一个大的方向,也是自然语言处理领域研究的关键问题,本次项目使用THUCNews数据集，通过tensorflow框架搭建文本分类模型，完成新闻分类任务。 项目目标： 通过本次项目实训，希望学员能够掌握如何通过tensorflow训练文本分类模型，内容包括但不限于： ① 文本预处理方法 ② 文本数据集构造方法 ③ 使用tensoflow搭建TextCNN、Lstm等文本分类模型 ④ 完成模型训练和验证 ⑤ 使用tensorboard监控模型训练 ⑥ 加载模型实现推理预测 |
| 8 | 半监督学习 | 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习正越来越受到人们的重视。 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 图像识别与处理基础 | 主要介绍数字图像处理的基本概念和方法，图像处理的基础知识，基于OpenCV的图像预处理方法，图像剪裁、图像增强，图像预处理，图像识别的算法等内容 |
| 2 | 深度学习在机器视觉领域（CV）的实战应用 | 计算机视觉是指用摄像机和电脑及其他相关设备，对生物视觉的一种模拟。它的主要任务是让计算机理解图片或者视频中的内容，就像人类和许多其他生物每天所做的那样。根据对计算机视觉目标任务的分解，可将其分为经典任务：图像分类、目标检测、图像分割。本课程即主要围绕着此问题涉及的算法原理与代码实现展开。 |
| 3 | CV项目实训 01：yolov3目标检测算法在人脸检测领域的应用实战 | 项目简介：? 在计算机视觉领域中,人脸相关研究一直被广大研究人员关注.人脸相关课题包括人脸检测,人脸识别,人脸姿态估计,特征点提取等等.其中,人脸检测是其他人脸相关研究的前提。本项目使用Wider Face数据集数据集，通过搭建YOLOv3算法模型实现人脸检测。 ? 项目目标：? 通过本次实验，希望学员能够掌握yolov3目标检测算法在人脸检测领域的应用，内容包括但不限于：? ① 掌握目标检测任务的数据预处理方式? ② 掌握目标检测网络yolov3的搭建? ③ 掌握目标检测模型的训练和评估? ④ 掌握目标检测结果的后处理方式 |
| 4 | CV项目实训 02：使用 Tensorflow2.X 搭建 MaskRcnn 实例分割模型 | 项目简介：? 项目简介： ? Kaiming He 以及其团队于 2018 在 FAIR 开发了的 Mask R-CNN ，是当下主流的实例分割算法。而且 Mask R-CNN 在许多实际商业项目中也有着出色的表现。本项目将带领大家使用tensorflow2.X搭建maskrcnn主干网络并训练自己的数据。? 项目目标：? 通过本次实验，希望学员能够掌握MaskRcnn模型在实力分割中的应用，内容包括但不限于：? ① Resnet网络搭建 ? ② FPN特征金字塔? ③ RPN网络? ④ Maskrcnn损失计算 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 深度学习在自然语言处理（NLP）领域的实战应用 | NLP 作为 AI 技术领域中重要的分支，随着其技术应用范围不断扩大，在数据处理领域占有越来越重要的地位，本课程按照中文语料处理的过程，在获取到语料之后开始分词，分词之后可以进行一些统计和关键字提取，并通过数据可视化手段熟悉和了解你的数据着手，紧接着通过词袋或者词向量，把文本数据转换成计算机可以计算的矩阵向量。后续从机器学习简单的有监督分类和无监督聚类入手，到深度学习中神经网络的应用，以及简易聊天机器人和知识图谱的构建。带你直观深入、地了解 NLP 开发的流程，全方位提升你的技术实力与思维方式。 |
| 2 | nlp项目实训-01：电网智能投诉分类系统（基于Word2Vec+LR 和TextRCNN模型实现） | 项目背景： 随着信息化的发展，电网各企业积累的数据越来越多。在电力操作规则，运维记录，调度运行记录，营销档案，客服，故障检修等存在着大量文本类数据[由于中文文本类数据的复杂性，无法直接运用机器学习对文本数据进行智能化分析，因此基于电力文本的文本挖掘技术研究显得十分重要。研究电力文本特征提取，电网本体建模。构建调控、检修和营销等知识图谱。支持电力调度机器人，电网设备智能运维和智能客服等，较终形成新一代电力智能搜索和问答解决方案。 项目简介： 本项目使用某省95588工单投诉数据集，通过构建2种模型对电网投诉做分类，这2种模型分别是word2vec+lr(逻辑回归)模型和TextRCNN模型。 项目目标： 通过本次实验，希望学员能够掌握Word2vec词向量及其在文本分类中的应用，内容包括但不限于： ① 掌握word2vec+lr(逻辑回归)模型的应用 ② 掌握文本预处理方法 ③ 掌握使用pytorch深度学习框架搭建TextRCNN模型进行文本分类 ④ 掌握文本分类模型的评估 |
| 3 | nlp项目实训-02：医疗命名实体识别（BiLstm+Crf模型，构建糖尿病知识图谱） | 项目简介： 本次项目旨在通过糖尿病相关的教科书、研究论文来做糖尿病文献挖掘并构建糖尿病知识图谱，我们需要使用已经标注的医学语料，同构搭建BiLstm+Crf进行训练，较终实现使用算法来提取医疗领域的各种实体，从而为进一步提取实体关系构建知识图谱打好基础。 项目目标： 通过本次实验，希望学员能够掌握基于BiLstm+Crf模型在命名实体识别中的应用，内容包括但不限于： ① 掌握序列标注任务的文本预处理方法 ② 了解命名实体识别中的IOB标注 ③ 掌握BiLstm+Crf模型的搭建方法 ④ 掌握BiLstm+Crf模型的训练和评估 ⑤ 使用训练的模型进行命名实体识别预测 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 企业级知识图谱的构建及其实战应用 | 知识图谱就是通过不同知识的关联性而形成的网状的知识结构。形成知识图谱的过程实际上就是加工信息、建立认知、理解所应用的领域的过程。人类证实因为有了获取知识、形成知识的能力才可以不断进步；同样，知识是人工智能的基石，知识图谱对于人工智能的价值也正是在于它可以让机器具备认知能力。机器通过人工智能技术与用户的互动，从中获取数据、优化算法，更重要的是构建和完善知识图谱，认知和理解世界，进而服务于这个世界，让人类的生活更加美好。 |
| 2 | 项目实战：基于neo4j图数据库实现武器知识图谱 | 项目背景： 知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用 可视化技术描述知识资源及其载体，挖掘、分析、 构建、绘制和显示知识及它们之间的相互联系。 简单说来，知识图谱就是通过不同知识的关联性形成一个网状的知识结构，而这个知识结构，恰好就是人工智能AI的基石。当前AI领域热门的计算机图像、语音识别甚至是NLP，其实都是AI的`感知`能力，真正AI的`认知`能力，就要靠知识图谱。 项目简介： 本项目将着眼于数据存储环节，着重介绍图数据库neo4j的使用，并且利用一份开源的武器数据构建一个小型武器知识图谱。 项目目标： 通过本次实验，希望学员能够掌握neo4j图数据库在知识图谱领域中的应用，内容包括但不限于： ① 了解本体库构建和解析 ② 掌握neo4j图数据库的安装和使用 ③ 掌握图数据库查询语言cypher ④ 掌握neo4j图数据库的数据格式和清洗方式 ⑤ 掌握neo4j图数据库数据导入 |
| 3 | 迁移学习 | 随着越来越多的机器学习应用场景的出现，而现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。这个是迁移学习所要解决的问题 |
| 4 | 强化学习 | 强化学习是一种机器学习类型，能够在电子游戏、机器人、自动驾驶等复杂应用中运用人工智能。强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报较大化或实现特定目标的问题。本课程主要讲解了如果强化学习的原理、场景及其实战应用 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 语音识别技术原理与算法实现 （研发中） | 本部分内容主要介绍了与语音识别密切相关的深度学习算法，为后继的语音识别案例打下理论基础 |
| 2 | 利用深度学习算法构建语音识别应用 （研发中） | 本部分内容主要包括两个方面： 1、语音识别应用：语音转文字 2、语音识别应用：聊天机器人 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 边缘计算的概念、技术与行业应用 （研发中） | 边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供较近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的。而云端计算，仍然可以访问边缘计算的历史数据。本模块将对边缘计算做一个基础的扫盲工作。主要了解一下什么是边缘计算，边缘计算所涉及的概念、技术及行业具体应用等。 |
| 2 | Embedding（嵌入式）人工智能 （研发中） | 近年来，视觉处理和自然语言处理（NLP）技术都取得了不小的进步，更可喜的是这些新技术的落地和应用也带动了相关领域如传统机器学习、推荐 、排序等的发展以及新技术向边缘计算等都大幅提升了人工智能的算力。但这些新技术的背后都离不开Embedding（嵌入式）人工智能，Embedding已成为这些技术的基本元素和核心操作。上述这些技术不仅强大，而且实用，已越来越多的被企业所采用。 |
| 序号 | 课程名称 | 课程介绍 |
|---|---|---|
| 1 | 大数据+机器学习 | 本门课程主要介绍了人工智能如何与大数据平台结合，在大数据平台利用Python+Spark实现分布式运算与预测分析 |
| 2 | AI 工程应用-1：使用tensorflow-serving部署tensorflow算法模型 | TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。本模块主要介绍tensorflow serving部署模型 |
| 3 | AI 工程应用-2：使用Torchserver部署PyTorch算法模型 | 主要介绍如何在PyTorch工程应用中进行模型选择、模型优化、模型存储、模型部署、分布式训练等问题，帮助大家了解如何将算法模型实际应用于工程项目中，并提供稳定的服务。 |
| 4 | AI 工程应用-3：使用 tensorrt 部署深度学习模型 | 在典型的机器学习和深度学习项目中，我们通常从定义问题陈述开始，然后是数据收集和准备、数据理解和模型构建，但是，较后，我们希望我们的模型能够提供给较终用户，以便他们能够利用它。模型部署是任何机器学习项目的较后阶段之一，较终用途是如何将机器学习模型传递给客户/利益相关者。模型的部署大致分为以下三个步骤： |
| 5 | AI 工程应用-4：使用spark-scala调用tensorflow2.0训练好的模型 | TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。本实验我们通过TensorFlow for Java 在spark中调用训练好的tensorflow模型。利用spark的分布式计算能力，从而可以让训练好的tensorflow模型在成百上千的机器上分布式并行执行模型推断。 |
南京博为峰IT培训学校 博为峰（股票代码：836392），自2004年起致力于为应届毕业生及在职人员提供IT职业培训和技能提升，其品牌51Testing是中国较早成立的IT职业培训机构之一，先后在10余个城市推出软件测试、软件开发线下培训，并推出在线职业教育平台博为峰网校Atstudy，面向全国/国际提供软件测试、软件开发等或进阶类、考证类课程。 博为峰51Code在国内率先推出IT就业培训业务，即通过数月的强化培训，使缺乏职场竞争力的学员具备企业级项目执...更多>>
发送地址到手机上
立即报名
在线咨询
