课程介绍
【培训背景】
人工智能(Artificial Intelligence),英文缩写为AI。是新一轮科技革命和产业变革的重要驱动力量,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。
人工智能是智能学科重要的组成部分,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能是十分广泛的科学,包括机器人、语言识别、图像识别、自然语言处理、专家系统、机器学习,计算机视觉等。
【培训收益】
通过展示教师的实际科研成果,讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员获得:
1. 理论知识与技能提升——深化理论理解、掌握实践技能、培养问题解决能力;
2. 行业洞察与经验积累——了解行业应用趋势,积累项目实施经验,拓展行业人脉资源;
3. 创新思维与能力培养——激发创新灵感,培养批判性思维,提升综合创新能力;
4. 职业发展与竞争力提升——增强就业竞争力,适应职业发展需求,助力职业转型与晋升。
【适合人群】
Ø 政府、企业、学校IT相关技术人员;
Ø 高校相关专业硕士、博士研究生;
Ø 人工智能与知识图谱系统架构师与编程人员;
Ø 企业管理人员、技术主管、产品经理及决策者。
【培训特色】
1.资深讲师授课,小班制教学;
2.理论与实践相结合、案例分析与行业应用穿插进行;
3.专家精彩内容解析、学员专题讨论、分组研究。
【授课专家】
刘老师 西安邮电学院计算机科学与技术本科专业,拥有十几年软件研发经验,7年企业培训经验,对Java、Python、区块链等技术领域有独特的研究,精通J2EE企业级开发技术。Java方向:设计模式、Spring MVC、MyBatis、Spring、StringBoot、WebService、CXF并且对Java源码有深入研究。Python方向:Python OOP、Mongodb、Django、Scrapy爬虫、基于Surprise库数据推荐,Tensorflow人工智能框架、人脸识别技术。区块链方向:BitCoin、Solidity、Truffle、Web3、IPFS、Hyperledger Fabirc、Go、EOS。
王老师 北京邮电大学软件工程硕士,近10年的IT领域相关技术研究和项目开发工作,6年新东方、中国移动、中兴能源和中培教育培训讲师经验,参与国家级气象软件工程规范制定工作,对软件技术演变历史和趋势有深入体验,现任某软件科技公司CEO。在长期软件领域工作过程中,对软件企业运作模式有深入研究,熟悉软件质量保障标准ISO9003和软件过程改进模型CMM/CMMI,在具体项目实施过程中总结经验,有深刻认识。创业公司合伙人,技术总监。机器学习,深度学习领域多年一线开发研究经验,精通算法原理与编程实践。曾使用Tensorflow,Caffe,Keras等深度学习框架完成过多项图像,语音,nlp,知识图谱,搜索相关的人工智能实际项目,研发经验丰富。拥有两项国家专利。同时具有多年授课培训经验,讲课通俗易懂,代码风格简洁清晰。
覃老师 上海大学物理学硕士,创业公司合伙人,技术总监。机器学习,深度学习领域多年一线开发研究经验,精通算法原理与编程实践。曾使用Tensorflow,Caffe,Keras等深度学习框架完成过多项图像,语音,nlp,搜索相关的人工智能实际项目,研发经验丰富。拥有两项国家专利。同时具有多年授课培训经验,讲课通俗易懂,代码风格简洁清晰。
【结业证书】
参加培训并通过考试学员,由工业和信息化部教育与考试中心统一颁发《人工智能核心技术(高级)》工业和信息化职业能力证书。
证书样本
开班计划
开课时间 | 授课形式 | 培训类型 | 上课城市 | 在线报名 |
---|---|---|---|---|
2025-05-26 | 面授+直播 | 精品班 | 西安 | 在线报名 |
2025-08-24 | 面授+直播 | 精品班 | 北京 | 在线报名 |
2025-10-26 | 面授+直播 | 精品班 | 成都 | 在线报名 |
随报随学 | 录播 | 特惠班 | IT云课 | 在线报名 |
课程大纲
人工智能实践项目案例分析与实战应用培训班,标准公开课为4天,每天6小时,录播课为18课时,企业内训可按需求定制。
课程安排如下:
日程 | 主题 | 内容 |
第一天 | 机器学习基础 | 1. 机器学习的开发过程 2. 监督学习的处理模式 3. 无监督学习的处理模式 4. 机器学习模型的开发步骤 5. 机器学习模型开发的要点 |
机器学习实战 | 1. 分类 2. 回归 3. 时间序列分析 4. 关联分析 5. 聚类与降维 | |
第二天 | 深度学习基础 | 1. 神经元与神经网络 2. 激活函数的点火机制 3. Sigmoid函数与参数优化 4. 梯度下降法 5. 简单感知机 6. 多层感知机 7. Tensorflow实现感知机 8. Keras实现感知机 9. PyTorch实现感知机 |
深度学习进阶 | 1. 前馈神经网络 2. 误差反向传播 3. 创建神经网络 4. Fashion-MNIST图像识别 5. TensorFlow构建图像识别网络模型 6. Keras构建图像识别网络模型 7. PyTorch构建图像识别网络模型 | |
卷积神经网络与图像识别 | 1. 卷积神经网络的结构 2. 基于TensorFlow构建CNN 3. 基于Keras构建CNN 4. 基于PyTorch构建CNN | |
第三天 | 一般物体的图像识别 | 1. 多分类数据集CIFAR-10介绍 2. CNN识别普通物体的结构 3. 基于TensorFlow+CNN构建物体识别模型 4. 基于Keras+CNN构建物体识别模型 5. 基于PyTorch+CNN构建物体识别模型 6. 模型调优提高物体识别精度 |
YOLO与目标识别 | 1. YOLO介绍与版本安装 2. 基于YOLO物体检测 3. Labelimg物体标注 4. 目标检测与检测结果保存 | |
GYM与强化学习 | 1. GYM安装与游戏奖罚设置 2. 强化学习的与众不同 3. 马尔科夫性质与决策过程 4. SARSA 算法介绍与推导 5. 蒙特卡洛多步采样 | |
知识图谱的存储与检索 | 1. 知识图谱数据库 2. 知识图谱存储方法 3. 基于Neo4j的知识存储实践 4. 开源知识存储工具理论与实践 | |
第四天 | 注意力机制 | 1. 点积注意力机制 2. 编码与解码注意力 3. 注意力机制中的Q、K、V 4. 自注意力与多头注意力 |
TransFormer架构解析 | 1. 各种注意力的应用 2. 编码器输入与位置编码 3. 编码器的内部结构 4. 训练自己的TransFormer模型 | |
Hugging Face平台介绍与使用 | 1. Hugging Face 平台简介与生态系统 2. Hugging Face 数据集库 3. Transformers 库的使用 4. 模型部署与推理 API |