本课程，是更全面介绍深度学习各类神经网络：CNN、RNN、LSTM 及框架：TensorFlow，Keras，Caffe 等的进阶课程。学生在本课程中将进一步学习深度学习的技术、术语和数学原理，理解基础神经网络架构、前馈网络、卷积网络和循环网络结构，认识如何恰当地构建和训练这些模型，了解并解释深度学习的实际应用，并使用“预训练”模型达到最佳结果。同时，配合神经网络训练可视化引擎，以及项目实现代码，让学生更为直观的了解深度学习技术在经典数据集 MNIST，CIFAR-10 上的工作过程。学生在完成本课程后，将能独立完成时装服饰图片分类，电影评论文字分类，房地产价格回归预测，使用循环神经网络实现文[……]
标签： 080717T
《TensorFlow 2.0 框架》课程
TensorFlow 是由 Google 开发并开源发布的一种流行的机器学习框架及用于数据流编程的框架库。《TensorFlow 深度学习框架 (KXCY-AI-LAB-TF)》课程，通过深度学习交互平台、动画演示教育资源，以及交互式编程实验环境，让学生充分理解如何利用 TensorFlow 构建神经网络模型，神经网络网络构造、内核、池化 (Pooling) 和多级分类等核心概念，线性回归、损失函数和梯度下降等关键技术，用于卷积神经网络 (CNN) 的基本模板，以及可调整的不同参数。并且理解如何利用使用迁移学习（Transfer Learning）充分利用现有网络，即在现有网络之上建立新网络。[……]
《多框架人工智能开发》课程
当前，深度学习与新一代人工智能框架已进入百花齐放的时期，自 PyTorch 推出以来，其热度持续上升，一度有赶超 TensorFlow 的趋势。PyTorch 能在短时间内被众多研究人员和工程师接受并推崇是因为有着诸多优点，如采用 Python 语言、动态图机制、网络构建灵活以及拥有强大的社群等。因此，走上学习 PyTorch 的道路已刻不容缓。另一方面，MXNet 以其超强的分布式支持，明显的内存、显存优化为人所称道。同样的模型，MXNet 往往占用更小的内存和显存，并且在分布式环境下，MXNet 展现出了明显优于其他框架的扩展性能。2016 年 11 月，MXNet 被 AWS 正式选择为[……]
《计算机视觉与项目实战》课程
本课程旨在帮助大家快速掌握机器视觉领域必备知识点原理及其在 OpenCV 中的使用方法。同时，学生将了解如何在产业中使用计算机视觉，学习图像处理的主要算法，探讨机器学习如何用于计算机视觉，完成课程后，学生将掌握图像处理、转换和分类的不同技术，了解如何将深度学习应用于视觉任务，以及完成重要的计算机视觉方法，如图像分段和边缘提取。本课程整体设计以项目实战来驱动学习，课程中所有代码均使用 Python 完成，在实战中首先讲解整体解决方案，接下来通过 Debug 模式来一步步分析每一行代码的作用及其完成的效果，提供全部课件及项目中所使用代码和数据。项目案例包括：信用卡数字识别、文档扫描 OCR 识别、[……]
《自然语言处理》课程
本课程将介绍在现代架构上实现自然语言处理技术，主题包括：如何操控用于语言模型的文本，文本生成和主题建模，通过更高级概念的机器学习基础。本课程结束时，学生将掌握以下方面的实践知识：字符串预处理技术的应用，如何将机器学习算法应用于文本分类和其他语言任务。同时，配套BERT模型语句情感分类实战项目案例，基于业内最先进的自然语言处理模型：BERT。基于 IMDB 电影评论的点评文本，实现语句分类与情感分析，覆盖自然语言处理操作的必要步骤与高级特性，包括 —— BERT 模型架构，NLP 迁移学习，句型情感分类，NLP 模型训练，Word2vec，distilBERT 模型，scikit-learn 机[……]
《边缘计算与嵌入式开发（自动驾驶）》课程
新一代人工智能的核心价值在于应用，随着移动互联网，物联网，中国智造——工业 4.0 等产业的成熟与完善，将机器学习算法，深度学习模型等智能植入移动端 App，嵌入式设备，将成为新一代人工智能技术应用产品化的趋势。本课程基于面向无人智能化领域的嵌入式硬件平台，让学生了解移动端上的深度学习、计算机视觉、GPU 计算和图形方面的新技术。同时，借助高性能、低能耗的 GPU，学生将学习到如何将深度学习模型嵌入到移动设备；在嵌入式『板载终端设备』上处理复杂数据；并铸就更大型更复杂的深度神经网络。从机器人和无人机，到企业协作设备和智能摄像机无一不可进行快速及准确的推理。[……]
《时间序列分析》课程
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用。时间序列分析在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛。时间序列分析（Time series analysis）是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列构成要素是：现象所属的时间，反映现象发展水平的指标数值。
本课程向学生详细讲解时间序列分析原理[……]
《异常检测》课程
异常检测（Anomaly Detection 或 Outlier Detection）指的是通过数据挖掘手段识别数据中的『异常点』，常见的使用案例包括风控领域（如识别信用卡诈骗），网络通信领域发现异常信息流，或机械加工领域识别未达标的产品等。从数据挖掘算法角度看，常见的算法可以被粗略归类为概率与极值分析（假设数据分布并找到超过中心特定范围的数据），线性模型（如 PCA 计算重构误差或者分析协方差矩阵的），有相似度模型（如ABOD，LOF、LOCI、LoOP 和 kNN 等），有决策树集成（Isolation Forest、Feature Bagging），有基于 SVM 的方法如 One-cl[……]
《人脸识别》课程
人脸识别，是指能够识别或验证图像或视频中的主体的身份的技术。现今，现在相比于指纹或虹膜识别等传统上被认为更加稳健的生物识别方法，人们往往更偏爱人脸识别。让人脸识别比其它生物识别方法更受欢迎的一大不同之处是人脸识别本质上是非侵入性的。本课程将通过大量有趣的实验案例，让学生充分了解人脸识别的各项关键技术，包括：人脸定位，人脸关键点识别，人脸识别等。[……]
《语音及生物信息识别与处理》课程
自动语音识别（ASR）涉及自动将录制的语音转录为文本的模型、算法和系统。这是一个很难解决的问题，因为录制的语音可能变化很大——我们不一定是说话者是谁，录制语音的地方，或者信号中是否有其他声源（如噪音或竞争性说话者）。解决语音识别问题需要对机器学习、信号处理和声学语音学有所了解。在本课程中，我们将介绍所需的理论背景，以及如何将理论转化为有用的语音识别系统。实验室课程将使用深度学习框架介绍语音识别的核心概念，并采用开源的工具包来构建和运行语音识别系统。同时，主流的生物识别技术有指纹，虹膜，人脸，静脉以及声纹等，利用人体固有的生理特性（如指纹、脸象、虹膜等）和行为特征（如笔迹、声音、步态等）来进行个[……]