西安邮电学院计算机科学与技术本科专业，拥有着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。
课程说明
| 课程级别 | 高级 |
| 培训周期 | 一周以内 |
| 上课时间 | 电话咨询 |
| 上课地址 | 北京市丰台夏家胡同育芳园东里3号楼B座 |
课程简介
授课专 家 刘老师
授课专 家覃老师
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。
培训模块 | 培训内容 |
机器学习与线性回归算法 | 线性回归实现销售数据预测 1. 线性回归介绍与公式推导 2. 多变量线性归回归与梯度下降 3. 预测销量与广告投放相关性预测 4. 数据升维与PCA降维 5. 数据归一化与模型优化 6. 欠拟合与过拟合 7. 训练结果的可视化 8. 保存模型与再加载 |
逻辑回归与决策树实战 | 逻辑回归之信用卡反欺诈预测 1. 项目背景与需求分析 2. 特征工程之标准化 3. 基本预处理操作 4. 上采样与下采样 5. 混淆矩阵可视化函数 6. 模型的训练与准确率,率,召回率 |
决策树、集成学习识别银行高风险 1. 信息增益与算法原理介绍 2. 数据分析、特征工程 3. 模型训练与优化参数 4. 随机森林、正向激励算法 5. 采用决策树识别高风险 | |
Tensorflow2.3 神经网络 | 深度学习与深度神经网络实践 1. Tensorflow安装 2. Tensorlfow基础知识 3. Tensorflow线性回归 4. Tensorflow非线性回归 5. Mnist数据集合Softmax讲解 6. 使用BP神经网络搭建手写数字识别 7. 交叉熵(cross-entropy)讲解和使用 8. 过拟合,正则化,Dropout 9. 各种优化器Optimizer 10. 改进手写数字识别网络 11. 模型保存与载入 |
深度学习之卷积神经网络 | CIFAR图形图像识别项目 1. CIFAR项目需求介绍 2. 分析爱data_batch数据集 3. CNN卷积神经网络介绍 4. 卷积、深度、池化、步长、函数 采用CNN完成CIFAR物体分类 1. 人脸识别数据集与算法介绍 2. 模型结构设计 3. 人脸损失函数设计 4. 模型与参数调优 |
Keras 神经网络框架 | Keras理论介绍佳实战 1. Keras神经网络框架介绍 2. 基于Keras情感类分析 3. 动物分类器实现 4. 采用Keras实现非线性回归 5. 生成式对抗神经网络原理及应用 6. 模块结构分析与优化策略 7. 采用Keras重构TensorFlow项目 |
Open CV计算机视觉技术 | OpenCV的人脸识别 1. OpenVINO框架介绍与安装测试 2. OpenCV DNN中使用IE模块加速 3. 转化工具与IE模块加速 4. 准备人脸数据 5. CV扫描图像、平滑、扩张实现 6. DNN神经网络识别人脸 7. 测试与调优操作 8. 基于Open CV DNN 构建车辆与车牌检查模型 |
YOYO目标识别框架技术 | YOYO目标识别框架介绍 1. 标检测任务介绍 2. RCNN/Fast-RCNN/Faster-RCNN算法介绍 3. YOLO算法介绍 4. 目标分割任务介绍 5. 全卷积网络 6. 双线性上采样 7. 特征金字塔 8. Mask RCNN算法介绍 9. 目标分割项目实战 |
图数据库与构建知识图谱 | 知识表示与建模 1. 知识图谱核心技术：知识推理 2. 知识图谱应用场景与抽取概述介绍 3. 本体知识推理与任务分类 4. 实体与关系、事件抽取技术 5. 采用TxtCnn、CRF完成知识抽取 6. 采用RNN、LSTM完成知识抽取 |
知识存储与问答机器人构建 1. 知识存储neo4j常用数据库 2. Cyhper语言介绍 3. 采用Py操作Neo4j数据库 4. 基于知识图谱问答机器人构建 | |
知识图谱概述 | 1.知识图谱（KG）概念 2.知识图谱的起源与发展 3.典型知识图谱项目简介 4.知识图谱技术概述 5.知识图谱典型应用 |
知识表示 | 1.基于符号主义的知识表示概述 1.1 谓词逻辑表示法 1.2 产生式系统表示法 1.3 语义网络表示法 2 知识图谱的知识表示 2.1 RDF和RDFS 2.2 OWL和OWL2 2.3 Json-LD与RDFa、MicroData 2.4 RQL查询语言 3 知识建模实战 Protege |
知识图谱核心基础技术（一） 神经网络与深度学习 | 1.经网络基本原理 2.神经网络应用举例 3.深度学习概述 4.主流深度学习框架 4.1 TesorFlow 4.2 Caffe 5.卷积神经网络（CNN） 5.1 CNN简介 5.2 CNN关键技术:局部感知、卷积、池化、CNN训练 5.3 典型卷积神经网络结构 5.4 深度残差网络 5.5 案例：利用CNN进行手写数字识别 |
知识图谱核心基础技术（二） 基于深度学习的自然语言处理 | 1.循环神经网络（RNN）概述 2.基本RNN 3.长短时记忆模型(LSTM) 4.门控循环单元（GRU） 5.知识图谱向量表示方法 5.1 向量表示法 5.2 知识图谱嵌入 |
知识抽取与融合 | 1.知识抽取主要方法与方式 1.1 主要方法 1.2 主要方式 2 面向结构化数据的知识抽取 2.1 Direct Mapping 2.2 R2RML 3.面向半结构化数据的知识抽取 3.1 基于正则表达式的方法 3.2 基于包装器的方法 4.面向非结构化数据的知识抽取 4.1 实体抽取 4.3 事件抽取 5.1知识挖掘流程 5.2 知识挖掘主要方法 6 知识融合 6.1 本体匹配 |
存储与检索 | 1.知识存储与检索基础知识 2.知识图谱的存储方法 2.1基于关系数据库的存储 2.3 原生图数据库Neo4j存储 3.图谱构建实践 NEO4J |
知识图谱案例 | 基于Neo4j人物关系知识图谱存储与检索 |
课程内容以实际授课为准
温馨提示
