千鋒教育-做有情懷、有良心、有品質(zhì)的職業(yè)教育機構

手機站
千鋒教育

千鋒學(xué)習站 | 隨時(shí)隨地免費學(xué)

千鋒教育

掃一掃進(jìn)入千鋒手機站

領(lǐng)取全套視頻
千鋒教育小程序

關(guān)注千鋒學(xué)習站小程序
隨時(shí)隨地免費學(xué)習課程

人工智能算法班
對標阿里P7的線(xiàn)上職后課
人工智能培訓班 人工智能培訓班 人工智能培訓班
即將開(kāi)課
人工智能職后提升
免費試學(xué)體驗券
直通大廠(chǎng)
助力升職加薪
人工智能算法班
人工智能培訓班
限時(shí)領(lǐng)?。?span id="zlnr26p" class="day">0天00時(shí)0000
立即領(lǐng)取
人工智能算法班 適合以下情況的你
從基礎入門(mén)到實(shí)戰,打造你的專(zhuān)屬技術(shù)壁壘
人工智能職后課
往屆或應屆畢業(yè)生
想追求高薪高職
1對1幫扶
人工智能職后課
技術(shù)遇到瓶頸期
想快速突破提升
專(zhuān)屬定制課
人工智能職后課
缺少AI思維
崗位和薪資停滯不前
測測當前水平
人工智能職后課
想快速轉行為
AI開(kāi)發(fā)工程師
學(xué)習提升路線(xiàn)
人工智能職后課
有一定開(kāi)發(fā)基礎
對人工智能感興趣
領(lǐng)取試學(xué)名額
每一課都是突破!AI進(jìn)階職后課重磅出爐
課程
課程深度對標阿里P7技術(shù)能力。課程專(zhuān)注人工智能實(shí)戰應用方向,涵蓋機器學(xué)習,深度學(xué)習,自然語(yǔ)言處理,計算機視覺(jué),推薦系統等全方位內容,持續打磨高品質(zhì)課程。
項目
項目來(lái)自超一線(xiàn)大廠(chǎng)實(shí)際項目,引入50+架構實(shí)戰案例,50+大廠(chǎng)解決方案,短視頻推薦系統、智能聊天機器人、智能搜索引擎、知識圖譜等,稍加改動(dòng)即可用于實(shí)際生產(chǎn)環(huán)境。
師資
10余位資深架構師集結,北科大博士親自上陣授課,大廠(chǎng)AI應用及研發(fā)經(jīng)驗豐富。課程采用強師自編熱門(mén)書(shū)籍作為配套教材,學(xué)員預習復習更輕松。
就業(yè)
優(yōu)秀學(xué)員可獲得大廠(chǎng)直招名額及內推綠色通道,大廠(chǎng)技術(shù)Leader面試摸底評估,海量大廠(chǎng)高薪面試題解析和成功入職經(jīng)驗分享,定制專(zhuān)屬職業(yè)提升方案。
服務(wù)
8大“頭等艙”服務(wù),導師帶學(xué)、直播串講、源碼分享、圈內大咖交流等,從入學(xué)到入職系統化全方位服務(wù),助力直通架構師。
技術(shù)升維!一手掌握AI開(kāi)發(fā)工程師必備能力
課程技術(shù)點(diǎn)圍繞著(zhù)9大必備能力設計,沉浸式項目專(zhuān)項實(shí)戰訓練,幫你快速突破技術(shù)瓶頸
  • 經(jīng)典機器學(xué)習
  • 深度學(xué)習
  • 深度學(xué)習框架的
    使用和底層優(yōu)化
  • 自然語(yǔ)言處理
  • 計算機視覺(jué)
  • 數學(xué)思維分析
    和解決問(wèn)題
  • 人工智能在互聯(lián)網(wǎng)
    公司的應用
  • 量化投資
  • 面試指導和
    職業(yè)規劃
查看更多課程技術(shù)
提升內功!硬核構筑阿里P7核心能力模型
8大維度,迅速成長(cháng)為數字時(shí)代轉型所需的高級復合π型AI架構人才
學(xué)習前能力
學(xué)習后能力
數據分析能力
模型技術(shù)選型能力
開(kāi)源框架的使用和擴展
技術(shù)和業(yè)務(wù)結合能力
數學(xué)思維能力
計算機視覺(jué)原理與應用
深度學(xué)習原理與應用
NLP原理與應用
繪制你的能力模型
想從AI小白到高手?你需要這份 “職場(chǎng)武功秘籍” >>
領(lǐng)取職場(chǎng)修煉手冊
垂直賦能!高校博士后親授大廠(chǎng)核心技術(shù)
10余位資深架構師集結操刀,帶你從企業(yè)戰略層面深度理解AI人工智能
盧菁
北京大學(xué)人工智能博士后
一線(xiàn)名企 AI 大牛
北京科技大學(xué)博士,北京大學(xué)博士后流動(dòng)站出站。曾工作于騰訊、愛(ài)奇藝等知名互聯(lián)網(wǎng)公司,主要從事人工智能技術(shù)的應用和研發(fā)。主要研究方向為機器學(xué)習、自然語(yǔ)言處理、知識圖譜、推薦系統等,有豐富的理論和實(shí)踐經(jīng)驗。 具備豐富的實(shí)戰經(jīng)驗和 AI 教學(xué)經(jīng)驗,著(zhù)作《速通機器學(xué)習》、《速通深度學(xué)習數學(xué)基礎》榮登京東熱銷(xiāo)榜。 教學(xué)內容緊貼實(shí)際需求,深知學(xué)員學(xué)習過(guò)程中的痛點(diǎn)和難點(diǎn),擅長(cháng)0基礎教學(xué)和就業(yè)指導,指導學(xué)生多就業(yè)于騰訊、阿里等互聯(lián)網(wǎng)大廠(chǎng),并有多名學(xué)員在國內外知名 AI 競賽中獲獎。
雙輪驅動(dòng)!底層技術(shù)剖析與實(shí)踐應用相結合
第一階段
基礎階段
第二階段
推薦系統
第三階段
自然語(yǔ)言處理

一.特征向量和距離

  • 1.人工智能技術(shù)綜述

    1.1 人工智能和機器學(xué)習的關(guān)系

    1.2 人工智能主要方向剖析

    1.3 人工智能學(xué)習路線(xiàn)規劃

  • 2.特征提?。何锢硎澜绲臄祵W(xué)描述

    2.1 onehot和multihot

    2.2 圖像特征和邊緣提取

    2.3 連續特征的正規化和分段

    2.4 行為類(lèi)特征的向量化

    2.5 社交類(lèi)特征的向量化

    2.6 離散特征的向量化

  • 3.向量之間的距離計算以及使用場(chǎng)景

    3.1 歐氏距離、海明距離、閔可夫斯基距離

    3.2 內積距離

    3.3 雅克比相似度和雅克比距離

    3.5 各類(lèi)距離的比較以及優(yōu)缺點(diǎn)

    3.6 numpy入門(mén)以及距離計算

二.線(xiàn)性回歸

  • 1.線(xiàn)性回歸概述

    1.1線(xiàn)性回歸的定義

    1.2線(xiàn)性回歸的適用場(chǎng)景

    1.3嶺回歸

  • 2.模型評估

    2.1線(xiàn)性回歸的評測方法

    2.2訓練集和測試集

    2.3模型的泛化能力

  • 3.模型學(xué)習方法

    3.1損失函數MSE和最小二乘法

    3.2導數的定義和計算

    3.4 極大值和極小值

    3.5梯度下降法

    3.6 從幾何角度理解梯度下降法

  • 4.sklearn框架

    4.1 sklearn框架的介紹、安裝方法

    4.2 使用sklearn完成線(xiàn)性回歸模型

  • 5.深入理解線(xiàn)性回歸

    5.1多項式回歸解決非線(xiàn)性問(wèn)題

    5.2 特征冗余和噪音特征

    5.3 線(xiàn)性回歸和正態(tài)分布

三.邏輯回歸

  • 1.分類(lèi)任務(wù)和概率

    1.1多分類(lèi)和二分類(lèi)

    1.2 分類(lèi)模型和概率模型

  • 2.邏輯回歸

    2.1感知器及其局限性

    2.2 Sigmoid函數詳解

    2.3 邏輯回歸在分類(lèi)問(wèn)題上的應用

    2.4 模型的正則化

  • 3.梯度下降法

    3.1 Sigmoid函數的導數推導

    3.2 邏輯回歸的損失函數KL距離

    3.3 梯度下降法在邏輯回歸上的應用

    3.4 學(xué)習因子的設定

    3.5 正則項在邏輯回歸中的必要性

  • 4.邏輯回歸實(shí)戰

    4.1 使用sklearn實(shí)現邏輯回歸

    4.2 使用TensorFlow實(shí)現邏輯回歸

    4.4 邏輯回歸調參指南

  • 5.損失函數的選擇和對比

    5.1KL距離和MSE的區別

    5.2 KL距離背后的統計學(xué)原理

    5.3 KL距離和交叉熵

  • 6.邏輯回歸的統計學(xué)原理

    6.1最大似然估計和KL損失函數

    6.2.邏輯回歸和正態(tài)分布

  • 7.模型的正則化

    7.1 L1正則和L2正則的異同

    7.2正則化和過(guò)擬合

    7.3 從概率的角度理解正則化

    7.4 sklearn如何進(jìn)行正則化的實(shí)現

  • 8.分類(lèi)模型的評價(jià)指標

    8.1 正確率,準確率和召回率

    8.2 AUC和ROC

    8.3 各類(lèi)分類(lèi)指標的優(yōu)點(diǎn)、局限性

    8.4 代碼實(shí)戰各類(lèi)指標的計算

四、無(wú)監督模型

  • 1.Kmeans模型

    1.1聚類(lèi)的目的和意義

    1.2 Kmeans模型詳解以及參數學(xué)習

    1.3使用sklearn進(jìn)行Kmeans模型實(shí)戰

    1.4 Kmeans模型的缺點(diǎn)

    1.5 Kmeans各類(lèi)改進(jìn)版本

    1.6 EM算法詳解

    1.7 Kmeans算法和邏輯回歸

  • 2.隱式主題模型-LDA

    2.1 LDA模型的原理

    2.2 LDA模型的求解

    2.3 LDA主題模型實(shí)戰:推薦系統中的應用

    2.4 LDA模型背后的概率意義

    2.5.吉布斯采樣

    2.6 LDA模型代碼實(shí)戰

五、因子分解模型-FM模型

  • 1.特征交叉原理和FM模型

    1.1 特征交叉的原理和意義

    1.2特征交叉的數學(xué)實(shí)現

    1.3通過(guò)內積簡(jiǎn)化特征交叉

    1.4 FM模型原理詳解

    1.5 FM模型和邏輯回歸異同解析

  • 2.FM模型的數學(xué)推導

    2.1 FM模型在數學(xué)上的化簡(jiǎn)

    2.2梯度下降法在FM模型中的應用

  • 3.使用python進(jìn)行FM模型實(shí)戰

六、深度神經(jīng)網(wǎng)絡(luò )

  • 1.深層模型的意義

    1.1特征變換和特征提取

    1.2 激活函數的意義和必要性

    1.3 深層模型架構

    1.4 softmax函數和多分類(lèi)

    1.5 深度學(xué)習和神經(jīng)網(wǎng)絡(luò )

    1.6 shortcut結構詳解

  • 2.常見(jiàn)激活函數

    2.1 sigmoid激活函數詳解

    2.2 tanh激活函數詳解

    2.3 relu激活函數詳解

    2.4 relu函數的改進(jìn)版本詳解

  • 3.softmax函數和多分類(lèi)

    3.1 softmax函數的推導和onehot向量的關(guān)系

    3.2 softmax的導數推導

    3.3多分類(lèi)和多標簽

  • 4.深度學(xué)習實(shí)戰

    4.1主流機器學(xué)習框架平臺介紹

    4.2 TensorFlow和keras框架詳解

    4.3如何調用自己的GPU

    4.4深度學(xué)習實(shí)戰:用keras搭建自己的神經(jīng)網(wǎng)絡(luò )

七、深度學(xué)習進(jìn)階

  • 1.梯度下降法

    1.1 矩陣和向量的求導法則

    1.2 矩陣和向量的鏈式法則

    1.3 梯度下降法在深層神經(jīng)網(wǎng)絡(luò )中的推導和應用

    1.4 梯度消失和梯度爆炸產(chǎn)生原因分析以及解決方案

    1.5 鞍點(diǎn)、局部極小、以及解決方案

  • 2. 權重初始化

    2.1權重的對稱(chēng)性及其危害

    2.2 隨機初始化權重的方法

  • 3. 梯度下降法及其改進(jìn)

    3.1傳統梯度下降法的缺點(diǎn)

    3.2 SGD算法

    3.3動(dòng)量法

    3.4 RMSprop算法

    3.5 Adam算法

    3.6改進(jìn)型梯度下降法在keras中的實(shí)現

  • 4.輸入的標準化

    4.1 標準化的意義

    4.2 批標準化以及keras的實(shí)現

    4.3 層標準化以及keras的實(shí)現

  • 5.深度學(xué)習的正則化

    5.1 L1正則和L2正則在深度學(xué)習中的應用

    5.2 dropout以及keras實(shí)現

八、序列神經(jīng)網(wǎng)絡(luò )

  • 1.循環(huán)神經(jīng)網(wǎng)絡(luò )

    1.1時(shí)序模型以及使用場(chǎng)景

    1.2 RNN模型以及keras的實(shí)現

    1.3 LSTM模型以及keras的實(shí)現

    1.3.GRU模型以及keras的實(shí)現

    1.4.時(shí)序模型代碼實(shí)戰

  • 2.Attention神經(jīng)網(wǎng)絡(luò )

    2.1.seq2seq架構

    2.2 Attention模型

    2.3 常見(jiàn)注意力算法

    2.4 self-attention

    2.5多抽頭Attention

    2.6 transformer架構

    2.7 attention模型在圖像中的應用

九、自然語(yǔ)言處理

  • 1.word2vec和fasttext

    1.1.自然語(yǔ)言處理和語(yǔ)言模型

    1.2.詞向量模型word2vec

    1.3.skipgram和cbow構建方法

    1.4.霍夫曼樹(shù)和負采樣

    1.5.fasttext模型和文本分類(lèi)

    1.6.子詞模型

    1.7 word2vec和fasttext的代碼實(shí)戰

  • 2.大模型之Bert

    2.1.NLP的龍骨模型-Bert

    2.2.Bert模型的訓練方法

    2.3.Bert模型的應用

    2.4.Bert模型實(shí)戰

    2.5.Bert常見(jiàn)的改進(jìn)方法

十、計算機視覺(jué)

  • 1.深入理解卷積層

    1.1 卷積的物理意義

    1.2 卷積層的操作方法

    1.3 卷積層步長(cháng)和窗口選取技巧

    1.4卷積層的keras實(shí)現

    1.5.常見(jiàn)卷積改進(jìn)方法

  • 2.池化層

    2.1 最大池化

    2.2 均值池化

    2.3 池化層的keras實(shí)現

  • 3.圖像分類(lèi)

    3.1.圖像分類(lèi)常用數據集介紹:coco、imagenet 等

    3.2 多層卷積神經(jīng)網(wǎng)絡(luò )在圖像分類(lèi)中的應用

  • 4.卷積在文本分類(lèi)中的應用

    4.1 卷積在文本特征提取的方法

    4.2 textCNN詳解

一. 推薦系統整體架構

  • 1.內容生產(chǎn)和內容理解

    1.1 推薦系統的內容生產(chǎn)

    1.2.內容審核和內容打標

    1.3.內容有效期預測

  • 2.內容分發(fā)

    2.1 召回階段的目的、意義和設計思想

    2.2 排序階段的目的、意義和設計思想

  • 3.推薦系統的評價(jià)指標

    3.1推薦系統的商業(yè)價(jià)值

    3.2 日活、CTR、人均時(shí)長(cháng)等指標分析

二. 召回模型

  • 1.基于行為類(lèi)的召回

    1.1 協(xié)同過(guò)濾:itemCF

    1.2 協(xié)同過(guò)濾:UserCF

    1.3 隨機游走模型:node2vec

    1.4 行為類(lèi)召回的優(yōu)勢、缺點(diǎn)總結

  • 2.基于內容類(lèi)的召回

    1.1 基于文本embedding的召回系統

    2.2 基于標簽體系的召回系統

    2.3 基于up主的召回系統

    2.4 微軟DSSM雙塔召回模型

    2.5 最近鄰快速檢索工具annoy和faiss

  • 3.YoutubeDNN召回系統

    3.1 用戶(hù)行為特征、自然屬性特征的提取,預處理和歸一化

    3.2 Item特征提取,預處理和歸一化

    3.3 負采樣:NCE和sampledSoftmax

    3.4 youtubeDNN召回系統

  • 4.交叉特征召回

    4.1 FM模型在召回系統中的應用

    4.2 FFM模型在召回系統中的應用

    4.3 矩陣分解SVD在召回系統中的應用

三. 排序系統

  • 1.CTR預估

    1.1 排序指標精講

    1.2 AUC和userAUC

  • 2. Deep & Cross

    2.1 模型結構精講

    2.2 特征交叉詳解

    2.3 使用keras實(shí)現Deep & Cross模型

  • 3.xDeepFM

    3.1 模型結構精講

    3.2 CIN模塊

    3.3 使用keras實(shí)現xDeepFM模型

  • 4.邏輯回歸在排序模型中的應用

    4.1 邏輯回歸精講

    4.2 詳解大規模特征工程

    4.3 邏輯回歸在百度鳳巢系統

  • 5.阿里巴巴DIN模型詳解

    5.1 Base模型詳解

    5.2 DIN模型詳解

    5.3 DIEN模型詳解

    5.4 DSIN模型詳解

  • 6.阿里CVR預估模型ESMM

    6.1 CVR預估的場(chǎng)景和挑戰

    6.2 ESMM模型詳解

    6.3 隱式學(xué)習pCVR

    6.4 樣本選擇(BBS)問(wèn)題的解決方案

    6.5 樣本稀疏(DS)問(wèn)題的解決方案

四. 推薦系統指標體系構建

  • 1.AB測試

    1.1 流量分桶的原理

    1.2 AB測試置信度計算

    1.3 基于分層的AB測試

  • 2.指標評價(jià)體系

    2.1 推薦系統的商業(yè)價(jià)值

    2.2 ctr提升的方法

    2.3 人均時(shí)長(cháng)提升方法

五. 微信視頻號推薦實(shí)戰

  • 1.特征提取

    1.1 文本內容特征提取

    1.2 短視頻內容embedding抽取

    1.3 短視頻畫(huà)面embedding抽取

    1.4 短視頻多模態(tài)embedding抽取

  • 2.推薦系統核心代碼實(shí)戰

    2.1 召回系統代碼實(shí)戰

    2.2 排序系統代碼實(shí)戰

一. 序列神經(jīng)網(wǎng)絡(luò )

  • 1.循環(huán)神經(jīng)網(wǎng)絡(luò )

    1.1 時(shí)序模型以及使用場(chǎng)景

    1.2 RNN模型以及keras的實(shí)現

    1.3 LSTM模型以及keras的實(shí)現

    1.3 GRU模型以及keras的實(shí)現

    1.4 時(shí)序模型代碼實(shí)戰

  • 2.Attention神經(jīng)網(wǎng)絡(luò )

    2.1 seq2seq架構

    2.2 Attention模型

    2.3 常見(jiàn)注意力算法

    2.4 self-attention

    2.5 多抽頭Attention

    2.6 transformer架構

    2.7 attention模型在圖像中的應用

二. 自然語(yǔ)言處理入門(mén)

  • 1.word2vec和fasttext

    1.1 自然語(yǔ)言處理和語(yǔ)言模型

    1.2 詞向量模型word2vec

    1.3 skipgram和cbow構建方法

    1.4 霍夫曼樹(shù)和負采樣

    1.5 Facebook 的fasttext模型和文本分類(lèi)

    1.6 子詞模型

    1.7 word2vec和fasttext的代碼實(shí)戰

  • 2.卷積在文本分類(lèi)中的應用

    2.1 卷積在文本特征提取的方法

    2.2 textCNN詳解

三. 大規模預訓練模型

  • 1.Google Bert模型精講

    1.1 NLP的龍骨模型-Bert

    1.2 Bert模型的訓練方法

    1.3 Bert模型的應用

    1.4 Bert模型實(shí)戰

  • 2.Bert模型改進(jìn)

    2.1 Elmo模型精講

    2.2 GPT1.0~GPT2.0精講模型

    2.3 XLNet模型精講

    2.4 RoBERT模型精講

    2.5 ALBert模型精講

    2.6 T5模型精講

四. 中文自然語(yǔ)言處理

  • 1.百度ernie模型

    1.1 paddle框架學(xué)習

    1.2 知識圖譜構建

    1.3 ernie大模型訓練精講

    1.4 ernie大模型使用場(chǎng)景精講

  • 2.中文分詞精講

    1.1 序列標注與深度學(xué)習

    1.2 HMM模型精講

    1.3 CRF模型精講

    1.4 CRF和LSTM結合精講

    1.5 中文分詞代碼實(shí)戰

  • 3.新詞發(fā)現

    1.1 信息熵和大數據

    1.2 中文信息熵計算

    1.3 基于信息熵的中文新詞發(fā)現

五. 自然語(yǔ)言處理項目精講

  • 1.京東客服:智能聊天機器人

    1.1 智能聊天機器人整體框架

    1.2 文本匹配模型

    1.3 深度語(yǔ)義理解模型

    1.4 Attention和語(yǔ)義匹配

    1.5 度量學(xué)習和語(yǔ)義快速檢索

  • 2.騰訊新聞:內容平臺的文本分類(lèi)

    2.1 文本分類(lèi)任務(wù):多標簽和多分類(lèi)

    2.2 情感分析實(shí)戰

    2.3 垃圾過(guò)濾實(shí)戰

    2.4 樣本不均衡和解決方案

  • 3.騰訊百萬(wàn)級實(shí)體知識圖譜精講

    3.1 結構化數據的抽取

    3.2 neo4j數據庫介紹和常見(jiàn)查詢(xún)語(yǔ)句

    3.3 transE模型及其改進(jìn)

    3.4 大規模圖隨機游走算法

    3.5 知識圖譜的落地場(chǎng)景和實(shí)際應用

  • 4.騰訊新聞內容理解-長(cháng)文本標簽抽取實(shí)戰

    4.1 標簽抽取和關(guān)鍵詞抽取

    4.2 基于textrank的標簽抽取

    4.3 異質(zhì)標簽的歸一化

    4.4 基于雙塔模型的標簽抽取

    4.5 基于分類(lèi)模型的標簽抽取

  • 5.新浪輿情系統-文本摘要抽取

    5.1 抽取式摘要抽取

    5.2 基于Bert的摘要抽取

    5.3 基于大模型的生成式摘要

獲取完整版課程大綱
實(shí)戰練精兵!50+架構實(shí)戰案例讓技術(shù)真正落地
項目均來(lái)自一線(xiàn)大廠(chǎng)實(shí)際項目,50+大廠(chǎng)解決方案,打造貨真價(jià)實(shí)的AI實(shí)戰能力
多模態(tài)內容理解
獲取項目源碼
項目介紹: 內容的理解貫穿了整個(gè)搜索推薦系統。本項目從多個(gè)粒度理解搜索內容,包括語(yǔ)義分塊、核心要素提取等。多模態(tài)內容理解技術(shù)在其中扮演了重要角色,它可以從內容解析、內容質(zhì)量檢驗、內容關(guān)系的挖掘以及內容屬性的提取方面對候選內容進(jìn)行更好的篩選與排序。
項目目標: 深刻理解多模態(tài)內容理解平臺的架構和實(shí)際需求以及工程實(shí)現,學(xué)習常用NLP技術(shù)的落地場(chǎng)景以及對業(yè)務(wù)的支持,掌握常見(jiàn)的語(yǔ)義理解,文本分類(lèi)模型的使用和調優(yōu)。
推薦系統
獲取項目源碼
項目介紹: 推薦系統包括圖文推薦,視頻推薦,商品推薦等,常用語(yǔ)各類(lèi)互聯(lián)網(wǎng)公司的app中,是目前人工智能中工作崗位需求量最大的方向。本項目從企業(yè)級項目出發(fā),學(xué)習推薦系統的整體架構,業(yè)務(wù)目標,常用模型,優(yōu)化方向等。
項目目標: 通過(guò)學(xué)習該項目,學(xué)員可以對推薦系統有一個(gè)整體的掌握,并學(xué)習召回,排序等關(guān)鍵技術(shù)點(diǎn)所涉及的模型以及調優(yōu)方案。直接面向招聘需求的教學(xué)可以讓學(xué)員快速勝任推薦系統工程師等崗位。
非法場(chǎng)景圖像/視頻檢測
獲取項目源碼
項目介紹: 計算機視覺(jué)是人工智能一個(gè)非常重要的方向。本項目將詳細講解計算機視覺(jué)中的圖像分類(lèi),目標檢測等關(guān)鍵技術(shù)。這些技術(shù)在企業(yè)中均有實(shí)際落地場(chǎng)景,助力于企業(yè)的內容審核和內容安全等實(shí)際需求。
學(xué)習目標: 通過(guò)本項目學(xué)習,學(xué)員可以掌握圖像分類(lèi),目標檢測常用的方法以及遇到的難點(diǎn),痛點(diǎn)和優(yōu)化方向。對計算機視覺(jué)的技術(shù)進(jìn)行融會(huì )貫通,一通百通。學(xué)完后可勝任計算機視覺(jué)工程師等職位。
智能聊天機器人
獲取項目源碼
項目背景: 智能客服系統是一套基于深度學(xué)習和自然語(yǔ)言理解技術(shù)實(shí)現的自動(dòng)問(wèn)答對話(huà)機器人。該項目需要對用戶(hù)輸入的一段語(yǔ)句進(jìn)行理解,涉及NLP中的分詞、詞性標注、實(shí)體識別、關(guān)鍵詞抽取和句法分析等核心技術(shù);同時(shí)需要識別用戶(hù)的意圖,包括通用意圖和業(yè)務(wù)意圖,這里將使用意圖分析等核心技術(shù)進(jìn)行構建。
學(xué)習目標: 通過(guò)學(xué)習該項目,學(xué)員可以掌握意圖分類(lèi),文本深度匹配,語(yǔ)義理解等NLP中的核心技術(shù)。就業(yè)方向:NLP工程師,聊天機器人工程師等崗位。
醫學(xué)影像識別
獲取項目源碼
項目介紹: 目前人工智能可以通過(guò)分析CT圖片來(lái)診斷癌癥,該項目是來(lái)源于北京一家三甲醫院的真實(shí)案例,所有醫療影響圖片均來(lái)自于真實(shí)場(chǎng)景。該項目極具前瞻性,所用技術(shù)都是目前人工智能最前沿的核心技術(shù),對擴充知識面,掌握前沿技術(shù)具有極大的幫助
學(xué)習目標: 通過(guò)學(xué)習該項目,學(xué)員可以掌握圖像識別,語(yǔ)義分割,小樣本學(xué)習等前沿技術(shù)。
多模態(tài)內容理解
推薦系統
非法場(chǎng)景圖像/視頻檢測
智能聊天機器人
醫學(xué)影像識別
人工智能職后課
C位守護!8大VIP服務(wù)帶你直通架構師
導師帶學(xué)
學(xué)習期間遇到任何問(wèn)題
隨時(shí)有導師指導解決
帶領(lǐng)和督促你學(xué)習
直播串講
圍繞技術(shù)重點(diǎn)和難點(diǎn)進(jìn)行
直播講解,拓展課程內容
在線(xiàn)互動(dòng)答疑
源碼分享
分享課程講義、案例源碼
輔助文檔等資料
為學(xué)習提供便利
社群交流
以班級為單位創(chuàng )
建社群和學(xué)習小組
營(yíng)造良好學(xué)習氛圍和人脈資源
人工智能培訓班 人工智能培訓班
從入學(xué)到入職
系統化全方位服務(wù)
助力直通架構師
了解更多VIP服務(wù)
簡(jiǎn)歷優(yōu)化
專(zhuān)家指導簡(jiǎn)歷優(yōu)化
展現核心競爭力
突出個(gè)人與崗位匹配優(yōu)勢
面試指導
專(zhuān)家傳授面試經(jīng)驗和技巧
避開(kāi)面試陷阱
沖刺高薪O?er
職業(yè)規劃
技術(shù)專(zhuān)家摸底評估
認清優(yōu)勢、看清差距
定制專(zhuān)屬發(fā)展方案
名企內推
優(yōu)秀學(xué)員一年內可享受
多次名企內推服務(wù)
提供更好的發(fā)展機會(huì )
學(xué)一堂好課悄悄拔尖 然后驚艷所有人
申請線(xiàn)下免費試學(xué)
提交領(lǐng)取
職后課授課模式是什么樣的?
點(diǎn)擊咨詢(xún)
我學(xué)不會(huì )怎么辦?服務(wù)期是多久?
點(diǎn)擊咨詢(xún)
學(xué)習畢業(yè)后能漲多少薪資?
點(diǎn)擊咨詢(xún)
學(xué)完能內推進(jìn)哪些大廠(chǎng)?
點(diǎn)擊咨詢(xún)
人工智能算法班學(xué)費多少錢(qián)?
點(diǎn)擊咨詢(xún)