浏览数量： 796 作者： 本站编辑 发布时间： 2023-02-20 来源： 本站
| AI 工程师营 | ||
| 主题 | 内容介绍 | 课时 |
| 人工智能导论 | ▫ 什么是人工智能 ▫ 人工智能的历史沿革 ▫ 生活中常见的人工智能产品 ▫ 对人工智能常见的误解 | 1 |
| 算法工程师的进阶之路 | ▫ 算法工程师的知识体系 ▫ 学习方法和资料 ▫ 如何阅读一篇 AI 论文 | 1 |
| 机器学习基础（Ⅰ） | 人工智能背后的技术：AI 模型 ▫ AI 模型是什么 ▫ AI 模型的生命周期 ▫ AI 模型质量的判断 | 1 |
| 机器学习基础（Ⅱ） | 使用 AI 模型的几种方法 ▫ 使用模型 ▫ 使用训练代码 ▫ 使用训练代码 + 预训练模型 ▫ 使用算法 | 1 |
| 通过认知服务体验 AI 模型 | ▫ 认识微软认知服务（ ASR，TTS ） ▫ 服务总览 + 常用任务介绍 ▫ 服务调用方法获得结果（ e.g. 音频文件和 viseme 信息 ） | 3 |
| 机器学习基础（Ⅲ） 认识模型训练和优化算法 | 通过线性回归认识模型训练和预测 ▫ 线性回归的模型函数 ▫ 线性回归的训练目标 ▫ 线性回归的预测结果 通过线性回归认识梯度下降 ▫ 从模型函数到目标函数 ▫ 最优化目标函数 ▫ 梯度下降算法 ▫ 梯度下降算法的实现 | 2 |
| 机器学习基础（Ⅳ） 模型的训练环境 | ▫ 单机训练 ▫ Al Platform | 1 |
| 有监督模型（Ⅰ） 二分类模型 | 认识逻辑回归：用于二分类的回归模型 ▫ 模型函数 ▫ 模型函数的来源 ▫ 二分类的优势 逻辑回归的目标函数和优化对象 ▫ 目标函数 ▫ 梯度下降过程 ▫ 逻辑回归梯度下降的实现 ▫ BGD 、SGD 以及 MBGD 从二分类到多分类 | 1 |
| 有监督模型（Ⅱ） 其他分类模型 | 介绍模型基本原理，特点和选择方法： ▫ 朴素贝叶斯 ▫ 决策树 ▫ SVM ▫ 提升树（ optional ） | 2 |
| 编写梯度下降程序训练 线性回归和逻辑回归模型 | 2 | |
| 有监督模型（Ⅲ） 序列预测模型 | ▫ 马尔可夫链，马尔可夫过程 ▫ CRF & HMM 原理 ▫ 语音识别 ▫ 自动作曲 ▫ 自动写作 ▫ 实体识别 | 2 |
| Sklearn 的使用方法 | 1 | |
| 数据工程（1） | ▫ 数据清洗 ▫ 数据归一化 ▫ 特征提取 ▫ 编码 | 1 |
| 训练分类模型 | ▫ 利用分类模型进行文本分类 | 2 |
| CRF 实战 | ▫ 训练一个 NER 模型 | 2 |
| 无监督模型：聚类等 | ▫ Kmeans 等 ▫ 密度聚类 ▫ GMM ▫ PCA | 1 |
| 聚类算法实战 | ▫ 聚类 | 2 |
| 深度学习基础（Ⅰ） | 神经网络的历史与现状 全连接神经网络 ▫ 层级 ▫ 元素 ▫ 神经网络的训练目标 ▫ 神经网络的推断 ▫ 利用梯度下降算法训练神经网络 前向传播和反向传播 | 2 |
| from scratch 编写程序，训练 FC 网络 | 3 | |
| 深度学习基础（Ⅱ） | 认识更多的神经网络 ▫ CNN ▫ RNN & LSTM ▫ Attention & Transformer 神经网络的应用 ▫ 图像 ▫ 语音 等等 | 1 |
| 深度学习基础（Ⅲ） | 模型训练方法： ▫ 数据预处理 ▫ 权重初始化 ▫ 优化算法 ▫ 正则化 ▫ 学习率和提前停止 | 2 |
| 人工智能系统 | ▫ 现阶段的人工智能系统——深度学习系统 ▫ 深度学习系统的资源需求（ 计算资源、数据资源、人力资源 ） ▫ 深度学习框架的沿革与设计要点 | 2 |
| 深度学习训练框架 Tensorflow | 什么是深度学习框架 深度学习框架的作用 ▫ tensorflow 2.0 的使用 | 1 |
| 用 Tensorflow 训练多层 FC 网络 | 2 | |
| NLP 基础（Ⅰ） | ▫ 什么是自然语言处理（ NLP ） ▫ 自然语言处理的任务 ▫ 基于模型的自然语言处理 | 1 |
| NLP 基础（Ⅱ） | ▫ word2vec ▫ bert | 2 |
| 文本分类的应用与神经 网络解决方案 | ▫ 文本分类的特征构建方法：词袋模型，TF-IDF，word2vec 等 ▫ 基于深度学习模型的文本分类：CNN + FC，BERT + FC 等 ▫ 文本分类数据准备：数据标注 ▫ 文本分类应用：邮件分类（ 二分类 ）vs 新闻分类（ 多分类 ） | 2 |
| 数据工程（ 2 ） 将文本转化为向量的方法 | embedding: ▫ 嵌入模型的进化方式 ▫ VSM ▫ Topic Model ▫ word embedding ▫ contextual embedding ▫ large language Model | 1 |
| 用 word2vec 和 BERT 进行 text embedding | ▫ 构造一个 word2vec 模型 ▫ BERT 预训练 ▫ 利用外部库去读取 BERT 预训练模型 | 2 |
| 文本相似度问题的 解决方案 | ▫ 文本相似度任务的应用场景（ 智能对话 ) ▫ chart level ▫ word level ▫ sentence level ▫ paragraph level | 1 |
| 文本相似度计算的 性能问题 | ▫ 机器学习中的性能问题 ▫ 模型蒸馏 ▫ 量化 ▫ 剪枝 | 2 |
| 智能对话系统与虚拟 主播平台 | ▫ 智能对话系统架构 ▫ 自然语言理解模块 ▫ 知识库 ▫ 对话管理引擎 | 2 |
| 构建一个简易对话系统 | ▫ 分别使用分类模型和相似度模型识别用户意图 ▫ 根据意图返回对应答案 | 3 |
| 知识图谱导论 | ▫ 什么是知识图谱 ▫ 知识图谱的数据模型 ▫ 知识图谱的构建、存储和应用 | 1 |
| 知识抽取技术 | ▫ 实体抽取 ▫ 关系抽取 ▫ 联合抽取 | 2 |
| DialogEngine 使用方法 | 1 | |
| Virtual Anchor 使用方法 | 1 | |
| SmartkG 的使用方法 | 1 | |
| 知识图谱前沿技术 | ▫ 知识图谱的研究和应用热点 ▫ 知识图谱应用案例 | 1 |
| 强化学习 | ▫ 强化学习概念 ▫ DQN ▫ Actor_Critic 模型 | 2 |
| 强化学习实战 | ▫ 让电脑自己玩贪食蛇 | 2 |
| 生成对抗网络（ GAN ） | ▫ 生成对抗网络的概念 ▫ 模型的进化 ▫ 应用 | 2 |
| GAN 实战 | 2 | |
课程特色
多领域覆盖： 涵盖Python编程、数据分析、人工智能、自动化办公、算法与数据结构等多个领域，为学员提供全面而实用的技能。
前沿技术学习：重点关注人工智能、虚拟人物设计、AI生成技术等前沿领域，培养学员在数字时代的创新能力。
实践技能提升： 通过项目实战、案例分析等方式，强调实际操作与问题解决，使学员能够熟练应用所学知识。
问题解决思维培养： 着重算法与数据结构的教学，培养学员分析和解决问题的思维方式，提高编程能力。
综合能力提升： 所学知识体系跨学科，使学员具备全面综合应对复杂技术和业务挑战的能力。
