二、培训目标
三、培训对象
四、培训方式
五、时间地点
六、培训内容
| 日期 | 主题 | 内容 |
| 第一天 | 人工智能基础与概述 | 1.AI技术的理论基础、历史概述
2.人工智能的产业应用概述 3.人工智能发展现状及趋势概述 4.人工智能热点问题和前沿研究介绍 |
| 人工智能的行业应用与发展 | 1.人工智能的行业图谱和行业发展分析
2.人工智能结合大数据的行业应用案例 3.人工智能在“互联网+”领域的应用 4.人工智能在制造业领域的应用 5.人工智能在金融、消费领域的应用 6.人工智能在医疗健康领域的应用 |
|
| 人工智能技术实现环境与编程语言 | 1.python概述
2.python编程软件安装 3.python基础数据结构 4.python的循环与判断结构 5.函数定义、类的定义 6.第三方库的使用：numpy、pandas、matplotlib 7.图像/视频处理、语音处理、自然语言处理等领域的基本方法 |
|
| 第二天 | 部署人工智能实验平台 | 1.国产化深度学习框架基本情况
2.深度学习框架运行的基本软硬件环境要求 3.深度学习框架的安装 4.运行讲师提供的人工智能简単示例验证环境的正确性 5.熟悉实验资料和实验环境 |
| 人工智能机器学习的算法模型的应用实践 | 1.人工智能四大类经典算法概述
2.线性回归 3.逻辑回归算法及应用 4.岭回归 5.朴素贝叶斯算法及其应用 6.支持向量机 7.决策树算法模型及其应用 8.随机森林 9.关联分析算法模型及其应用 10.聚类算法模型及其应用 11.Sklearn库概述 12.Sklearn库概述的实战操作 13.利用Python语言编程,实现分类预测项目 14.机器学习常见评估方法：准确率、召回率、混淆矩阵、F1-score、AUC指标、ROC曲线 |
|
| 第三天 | 人工智能深度学习的算法模型的应用实践 | 1.深度学习算法概述
2.神经网络算法模型及其应用 3.卷积神经网络算法及应用 4.循环神经网络深度学习的应用 5.图神经网络算法模型及其应用 |
| TensorFlow：Al深度学习平台及其应用实践 | 1.TensorFlow：AI深度学习框架的概述
2.TensorFlow深度学习平台的工作机制和系统架构 3.TensorFlow的应用场景和应用案例 4.TensorFlow CNN应用操作 5.TensorFlow LSTM应用操作 6.基于TensorFlow的可视化工具：Tensorboard简介 7.Tensorboard的部署、配置和应用界面操作 8.基于TensorFlow和Tensorboard进行实验操作 9.深度学习算法常见的评估方法：准确率、召回率、AUC指标、ROC曲线、目标识别交并比、图像分割交并比 |
|
| Keras人工智能平台应用实践 | 1.业界常用的AI平台：Keras人工智能平台概述
2.Keras AI平台的部署与配置 3.Keras技术实现与工作机制 4.Keras实验案例操作 |
|
| 第四天 | Pytorch人工智能平台应用实践 | 1.Pytorch人工智能平台概述
2.Pytorch AI平台的部署与配置 3.Pytorch技术实现与工作机制 4.Pytorch实验案例操作 5.基于Pytorch的深度学习案例实践 |
| 项目实践 | 1.利用学过的知识，使用Python编程实现基本的人脸识别或AI读片等实验项目
2.讲师提供项目指导手册,带着学员完成,学员独立完成后，讲师答疑 |
|
| 综合实践与分享讨论 | 1.根据讲师布置的实际应用案例,开展人工智能和大数据完整项目部署设计和应用开发实践、应用实施以及解决方案分享咨询与交流讨论 |
七、培训师资
八、培训费用及优惠政策
九、报名回执
评论 (0)