【培训背景】

人工智能在各行业的迅速落地，使很多任务的完成成本大幅降低，效率显著提升。与此同时，作为其技术内核，机器学习和深度学习算法也越来越受到人们的关注，越来越多的行业的从业者都希望了解和学习机器学习与深度学习算法的相关原理，并希望将其与自己的领域相结合，拓展新思路，形成新的解决方案。

本课程主要面向以机器学习与深度学习为专业方向的学员，以及想要了解和学习机器学习与深度学习算法的各行业从业者，以较为通俗讲解机器学习与深度学习算法，辅以日常生活中的例子和编程实验，涉及机器学习领域中比较常见的经典模型。

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

计算机视觉中关于图像识别有四大类任务：

（1）分类

（2）定位

（3）检测

（4）分割

【培训收益】

熟悉Python基础语法；

熟悉Anaconda环境配置与基本操作；

掌握Matplotlib可视化技术；

掌握Numpy技术基础；

掌握深度学习技术基础；

掌握Tensorflow框架的基本操作；

掌握PyTorch框架的基本操作；

熟悉CNN技术原理与编程要点；

熟悉RNN目标检测技术原理与编程要点。

【适合人群】

具备一定的Python和软件开发基础，希望深入了解机器学习和深度学习底层原理、数学原理、以及卷积神经网络、循环神经网络等实用化编程技术的广大工程技术人员。

【培训特色】

1、课程内容全面且深入

系统讲解：课程会从目标检测的基础知识讲起，逐步深入到经典算法、模型结构、原理以及最新进展。这有助于学员建立起对目标检测技术的全面认识。

理论与实践结合：课程不仅包含理论讲解，还会结合大量的实践案例。通过理论学习和实践操作相结合的方式，学员能够更好地理解和掌握目标检测技术的核心要点。

2、实战导向，强化应用能力

项目实战：课程会设置多个实战项目，如工业缺陷检测、猫脸检测、电路板缺陷检测等。通过参与这些项目，学员能够亲身体验目标检测技术在实际场景中的应用，从而提升自身的实战能力。

代码剖析：课程会逐行剖析代码，帮助学员理解目标检测模型的实现细节。这种教学方式有助于学员掌握目标检测技术的编程技巧，为未来的工作和学习打下坚实的基础。

3、师资力量雄厚，教学经验丰富

专业讲师：课程由具有多年算法研究经验和实战经验的讲师授课。他们不仅熟悉目标检测技术的原理和应用，还能够根据学员的实际情况和需求进行有针对性的教学。

教学风格多样：不同的讲师可能具有不同的教学风格和特点，有的注重理论讲解的深入和透彻，有的则更注重实践操作的演示和指导。这种多样性的教学风格能够满足不同学员的学习需求。

【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证书。 

 证书样本

深度学习之目标检测技术实战培训班，录播课为17课时，企业内训可按需求定制。

课程安排如下：

第0章 深度学习之目标检测技术实战

深度学习之目标检测技术实战-课程介绍

第1章 Python编程基础

语言基础-Anaconda

语言基础-Python基础语法（1）

语言基础-Python基础语法（2）

语言基础-Python基础语法（3）

语言基础- Python面向对象编程（1）

语言基础- Python面向对象编程（2）

语言基础-NumPy基础

语言基础-Matplotlib基础

第2章 神经网络

机器学习-神经网络基础-神经网络概述

机器学习-神经网络基础-深度神经网络

机器学习-神经网络基础-卷积神经网络

机器学习-神经网络基础-常见深度学习技术

第3章 经典框架

经典框架-Tensorflow基础

经典框架-PyTorch基础

第4章 OpenCV目标检测-项目实战

应用实践-图像处理基础

应用实践-openCV基础

应用实践-人脸识别

第5章 CNN目标检测-项目实战

关于学习流程

神经网络-单层感知机项目

神经网络-逻辑回归项目

神经网络-多分类逻辑回归项目

神经网络-多层感知机项目

深度神经网络-多层感知机-keras版

深度神经网络-多层感知机-tensorflow版

深度神经网络-多层感知机-PyTorch版

深度神经网络-MNIST-keras版

深度神经网络-MNIST-Tensorflow版

深度神经网络-MNIST-PyTorch版

深度神经网络-梯度消失

深度神经网络-过拟合

深度神经网络-可视化

深度神经网络-归一化

CNN-keras

CNN-Tensorflow

CNN-PyTorch