本培训侧重于使用深度学习技术,进行图像,语音,自然语言处理三部分内容,通过实践与理论并重，通过理论讲解，算法阐述，算法适用场景，实例分析和编码实践，以及对最新的人工智能算法的趋势和热点的分析和介绍，使学员不仅掌握机器学习，人工智能领域常用算法，而且可以在实战中应用机器学习人工智能解决*中的实际问题，从而帮助企业在人工智能时代拔得头筹占得先机。
数据分析师，中高级工程师，系统维护工程师，数据统计和分析人员
了解基本统计知识，具备初步的IT基础知识和基本数学理论，可使用python，Scala编程
|
时间 |
内容 |
是否安排案例实践 |
|
Day1 （9：00-12：00） |
1、人工智能和机器学习概述 人工智能发展史 应用场景概述：如图像识别，文本分析，推荐系统 最近成果概述：如强化学习，生成式对抗网络，基于低能量的网络，one-shot leaning 软件框架概述，如sparkML，sklean，tensorflow，caffe，Theano
2、图像识别技术--卷积神经网络CNN 卷积神经网络历史 卷积层介绍 池化层 全连接层 DropOut正则化 |
实例学习和课堂练习：使用softmax进行手写数字图像识别
卷积神经网络实现数字图像识别 |
|
Day1 （13：00-16：30） |
3、使用CNN进行语音识别 语音与稀疏编码 CNN算法在语音识别领域的应用
4、传统的自然语言处理技术 NLP应用概述 如何表达语法和语义 wordnet与语言模型 N-gram项目 传统语言模型的不足 用RNN神经网络来实现语言模型 |
|
|
Day2 （9：00-12：00） |
5、自然语言处理--循环神经网络RNN RNN应用概述 时间序列LSTM模型 自然语言处理基础 双向RNN与深度RNN RNN实现案例 word2vec network
6、图像识别案例 1) 方案介绍 案例介绍:业务功能和技术架构介绍 AI算法和模型的选择: 各种神经网络算法的比较 技术实现方案的选择: 开源深度学习框架的比较, TensorFlow, Caffe, 技术实现方案的选择: 商业方案的概括介绍 2) 项目推进的阶段: 数据准备阶段: 常用数据集介绍, 数据集的大小, 特征的选择 模型训练阶段: 超参的选择, 模型的调优, 过拟合问题, 预测阶段: 模型的评价 |
|
|
Day2 （13：00-16：30） |
7、语音识别案例 1) 方案介绍 案例介绍: 系统的业务功能和技术架构 语音识别算法介绍: 各种神经网络算法的比较 商用方案简介: 科大讯飞语音识别系统 2) 项目阶段: 数据准备阶段: 常用数据集介绍, 数据集的大小, 特征的选择 模型训练阶段: 超参的选择, 模型的调优, 过拟合问题, 预测阶段: 模型的评价
8、自然语言处理案例-聊天机器人 1) 方案介绍 案例介绍: 聊天机器人的使用场景 使用算法和技术介绍: 分词, RNN-LSTM 2) 项目阶段: 数据准备阶段: 准备语料, 分词的方案选择, 分词组件的选择 模型训练阶段: 超参的选择, 模型的调优, 过拟合问题 预测阶段: 模型的评价和测试
9、其他热门深度学习算法 GAN对抗生成网络 强化学习概述 Transfer Learning |
