济南汉码未来

AI人工智能算法工程师

小班授课 真实项目
课程内容 AI人工智能算法工程师
课程亮点
适用人群
目标收获

AI人工智能算法工程师

学费
请询价
获取底价
课程详情

阶段一:从AI全面认知到基础夯实-行业认知&Python&必备数学

一、快速搞清楚人工智能

本阶段学习人工智能相关基础及其应用,包括人工智能的概念,背后的发展历史,典型研究方法与科目,就业市场与前景。

课程安排:

1. 从零全面快速认知人工智能

2. 探讨人工智能的发展历程与发展

3. 分析人工智能的主要研究方法

4. 了解人工智能领域相关的科目

5. 分析人工智能就业方向及能力

二、AI编程基石:Python入门与进阶

Python是人工智能编程语言,本阶段将手把手带领大家,从如何安装Pyhon开始,到写出苐一个程序,掌握Python的输入输出、程序的流程控制、序列相关知识,函数,模块,文件与文件夹操作和面向对象编程。

课程安排:

1. 如何安装和使用Anaconda,PyCharm等编程软件

2. 学习输入输出、以及程序流程控制语句

3. Python序列知识讲解,包括:列表、元组、字典与集合

4. 掌握Python的函数、模块与文件操作

5. 学习Python的面向对象编程,理解代码的继承

6. Python 在AI中的应用实战

三、AI编程基石:Python高级编程

在人工智能中,经常需要读取数据,本阶段将会教大家如何用python处理文本文档、excel表格、图片以及视频。还有如何绘制出折线图、条形图等常用图形,方便大家科研作图。最后带着大家做属于自己的软件界面,方便作品的展示。

课程安排:

1. 处理文本文档信息核心基础操作

2. 使用pandas处理表格数据

3. 运用 pandas对表格进行基本的分析、以及绘图

4. 运用Matplotlib处理图片

5. 运用OpenCV进行视频处理

6. 使用 pickle进行文件数据序列化处理

7. 学习PyQt给程序做出一个可互动的界面,给软件一个包装

四、人工智能底层基石-三大必备AI 数学基础

数学是人工智能的基础,本阶段围绕人工智能、尤其是深度学习中经常遇到的数学知识进行展开,通过简单易懂的案例,帮大家回顾线性代数、微积分以及概率论的相关知识。

课程安排:

1. 学习人工智能和其他领域中的线性代数、微积分、概率论应用案例

2. 学会Numpy的安装与简单测试

3. 线性代数相关知识点理论讲解与核心应用代码讲解

4. 微积分相关知识点理论讲解与核心应用代码讲解

5. 概率论相关知识点理论讲解与核心应用代码讲解

6. 使用Numpy应用实战,如实现向量的加、减、点积和外积操作、求矩阵的特征向量、SVD分解等

7. 运用Python应用实战,如旋转、放缩、绘制函数图像并展示其切线、绘制三维函数图像等

阶段二:从AI核心技术理论体系构建到项目实战: 机器学习&深度学习

一、机器学习 - 解锁人工智能的核心

本阶段学习机器学习基础知识,包括机器学习概念、机器学习模型分类、评估目标与优化目标、典型案例实践。

课程安排:

1. 掌握机器学习工具的基本流程

2. 掌握特征的概念与使用

3. 了解不同机器学习模型的分类

4. 学会常见机器学习模型的评估方法

5. 学会常见机器学习模型的学习优化目标

6. 学习使用python机器学习工具sklearn

7. 基于sklearn工具和鸢尾花数据集,进行逻辑回归实战

二、神经网络 - 处理和学习复杂的数据

本阶段学习神经网络基础知识,包括前馈神经网络与时序神经网络结构、单层神经网络与多层神经网络典型案例实践。

课程安排:

1. 掌握感知器的学习原理

2. 掌握神经网络的模型结构

3. 了解单层神经网络与多层神经网络的能力

4. 掌握梯度下降算法原理与实践

5. 掌握反向传播算法原理与实践

6. 掌握RNN与LSTM模型结构

7. 基于Python进行二维空间线性可分数据单/多层感知器实战

三、卷积神经网络(CNN)-处理具有网格结构数据的任务

本阶段学习卷积神经网络基础知识,包括卷积神经网络的基本概念,卷积神经网络模型结构。

课程安排:

1. 掌握二维卷积与多通道卷积的原理

2. 掌握池化的原理

3. 了解步长和填充

4. 掌握反卷积的原理

5. 了解卷积反向传播算法

6. 掌握典型卷积神经网络的搭建

四、深度学习优化-使用深层神经网络来解决复杂的任务

本阶段学习当前主流的深度学习模型训练与优化相关的技术(参数初始化、激活函数、标准化方法、学习率与蕞优化方法、正则化方法)

课程安排:

1. 掌握常见的参数初始化方法

2. 掌握常见的激活函数

3. 掌握常见的标准化方法

4. 掌握常见的正则化方法

5. 掌握常见的学习率迭代策略

6. 掌握常见的蕞优化方法

阶段三:构建AI的数据驱动力--数据预处理工程

一、数据获取、整理与应用 - 构建数据之源,驱动智能决策

本阶段学习深度学习之数据使用的相关内容,使学生了解并且掌握数据获取、数据整理、数据标注、数据增强方法等内容,对imgaug数据增强库进行了解。

课程安排:

1. 了解数据获取方法

2. 掌握一般的数据整理方法

3. 掌握数据标注工具LabelImg和PaddleSeg

4. 掌握常见的数据增强方法

5. 学会使用imgaug数据增强工具

阶段四:AI 深度学习框架实战- Pytorch从基础到进阶

一、PyTorch数据处理与网络模型构建

PyTorch是目前蕞火的深度学习框架,本阶段将从如何配置Pytorch环境开始,掌握一些基本的知识,包括张量、层结构、网络结构搭建、优化器及损失函数,学会数据读取与增强。

课程安排:

1.*****ch的安装

2.****or的相关数据处理

3.如何用dataloader加载数据集

4.不同的数据增强方法

5.卷积层、池化层与全连接层的介绍

6.网络的正则化技术

7.如何逐层搭建自定义的卷积神经网络

二、深入PyTorch模型的训练与可视化

本阶段学习如何对Pytorch模型进行训练,会涉及的内容有,损失函数、优化器、权重保存与加载、迁移学习策略等知识,并介绍如何使用Tensorboard进行训练数据的可视化。

课程安排:

1.损失函数与优化器

2.掌握模型权重文件的保存与加载

3.掌握迁移学习等模型训练效果提升的办法

4.掌握如何在不同设备中进行训练

5.掌握用Tensorboard记录训练数据,并将数据进行可视化

阶段五:AI核心算法+方法——经典深度学习模型实战

一、CNN图像处理模型

本阶段学习基础的经典的卷积神经网络模型设计思想,包括简单模型、多分支模型原理。

课程安排:

1. 掌握AlexNet模型结构

2. 掌握VGGNet模型结构

3. 掌握InceptionNet模型结构

4. 掌握1×1卷积模型结构

5. 掌握ResNet和DenseNet模型结构

6. 掌握SqueezeNet模型结构

二、移动端AI高效率分组模型

本阶段学习适合于移动端使用的通道分组高效率模型原理。

课程安排:

1. 掌握MobileNet V1模型结构

2. 掌握MobileNet V2模型结构

3. 掌握ShuffleNet V1模型结构

4. 掌握ShuffleNet V2模型结构

5. 掌握MixNet等模型结构

三、卷积注意力模型

本阶段学习卷积注意力相关的模型(特征通道注意力、空间注意力、自注意力)

课程安排:

本阶段学习卷积注意力相关的模型(特征通道注意力、空间注意力、自注意力)

四、Transformer模型

本阶段学习Transformer基础,包括Transformer模型各个模块的结构细节以及代码实现。

课程安排:

1. 掌握Self-Attention(自注意力)机制

2. 掌握多头自注意力机制

3. 掌握Token概念

4. 掌握位置编码原理

5. 掌握掩码的作用

6. 掌握解码的原理

五、Vision Transformer 模型

本阶段学习典型的Vision Transformer模型,包括基础ViT模型以及高效率的ViT模型。

课程安排:

1. 掌握ViT模型结构

2. 掌握DeViT模型结构

3. 掌握Token-to-Token ViT模型结构

4. 掌握Swish Transformer等多尺度模型结构

5. 掌握Mobile ViT等高效率模型结构

阶段六:AI计算机视觉核心技术与项目实战-工业&医疗与直播&自动驾驶等主流领域

一、视觉领域】图像分类技术与项目实战

本阶段学习深度学习之图像分类的相关理论与实践内容,带领学生进行以下实战内容:从零完成人脸表情识别、生活用品多标签图像分类。

课程安排:

1. 了解图像分类问题划分

2. 了解多类别图像分类模型结构

3. 了解多标签图像分类方法

4. 掌握从零搭建图像分类模型并实现训练与测试的完整流程

5. 掌握多标签图像分类方法并实现训练与测试的完整流程

二、【工业领域】目标检测技术与项目实战

本阶段学习深度学习之目标检测的相关理论与实践内容,,包括two-stage算法-Faster RCNN系列详解、One-stage算法-YOLO系列详解、带领学生进行YOLO v5车牌检测实战

课程安排:

1. 了解目标检测基本流程

2. 了解目标检测评估指标

3. 掌握非极大值抑制目标检测后处理方法

4. 掌握YOLO v1-v8的系列算法原理

5. 掌握基于YOLO v5实现车牌目标检测任务的完整流程

三、【医疗与直播领域】图像分割技术与项目实战

本阶段学习深度学习之语义分割的相关理论与实践内容,带领学生进SimpleNet人脸分割实战

课程安排:

1. 了解图像分割问题划分

2. 掌握语义分割经典模型FCN

3. 掌握语义分割经典模型UNet

4. 掌握膨胀卷积原理

5. 掌握语义分割经典模型系列Deeplab

6. 掌握从零搭建图像分割模型并实现训练与测试的完整流程

四、【自动驾驶领域】自动驾驶感知算法技术与项目实战

本阶段针对自动驾驶领域中的核心感知算法,带领学生进行道路分割与车辆检测实战

课程安排:

1. 学习CityScape数据集

2. 使用语义分割经典模型HRNet训练道路分割模型并测试使用

3. 学习YOLO v8框架

4. 使用YOLO v8框架训练车辆检测模型并测试使用

五、【视频分析领域-火热领域】视频分类技术与项目实战

本阶段学习深度学习之视频分类的相关理论与实践内容,包括3D模型与双流模型、带领学生进行3DCNN模型视频分类实战

课程安排:

1. 了解3D卷积原理

2. 掌握3DCNN模型结构

3. 掌握C(2+1)D模型结构

4. 了解视频分类任务与数据集

5. 掌握从零搭建3DCNN模型并实现训练与测试的完整流程

阶段七:AIGC火热领域技术与项目-文本图像生成&扩散模型等

一、【AIGC领域-火热领域】生成对抗网络GAN技术与项目实战

本阶段学习生成对抗网络模型的相关理论与实践内容,带领学生进行GAN模型图像生成实战

课程安排:

1.掌握生成对抗网络(GAN)原理

2.掌握生成对抗网络(GAN)的优化目标与评估指标

3.掌握生成对抗网络(GAN)基本结构

4.掌握条件生成对抗网络模型结构

5.掌握从零搭建DCGAN模型并实现训练与测试的完整流程

二、AIGC领域-火热领域】扩散模型技术与项目实践

本阶段学习扩散模型的相关理论与实践内容,带领学生进行扩散模型图像生成实战

课程安排:

1.掌握扩散模型原理

2.掌握从零搭建扩散模型并实现训练与测试的完整流程

3.掌握稳定扩散模型Stable Diffusion原理

4.了解Huggingface社区

5.学习使用Huggingface社区接口进行扩散模型图像生成

三、【AIGC领域-火热领域】扩散模型图像生成与编辑进阶

本阶段学习AIGC领域中基于扩散模型的图像生成与编辑最新前沿技术,并实战ControlNet的交互式图像生成与编辑。

课程安排:

1.掌握ControlNet原理

2.掌握基于ControlNet的交互式图像生成与编辑实战

3.了解stable diffusion webui等工具

4.了解视频生成工具Moonvalley

阶段八:N L P自然语言处理与LLM大语言模型应用实战

一、探索自然语言处理与词向量

通过介绍自然语言处理的历史、发展和基本任务以及自然语言处理蕞基础的分词、词向量,学习到自然语言处理解决什么问题以及解决问题蕞基本的方法。

课程安排:

1.自然语言处理发展历史;

2.自然语言处理常见任务;

3.自然语言处理中的分词;

4.自然与语言处理中的词嵌入

二、N L P特征提取器:解锁文本数据

通过介绍自然语言处理中主要的特征抽取器LSTM、CNN以及Transformer,掌握N L P中文本特征抽取的流程与主要方法

课程安排:

1.循环神经网络及LSTM;

2.N L P中的卷积神经网络CNN;

3.a****tion机制及Transformer;

4.**TM与文本分类;

5.膨胀卷积与命名实体识别

三、预训练模型:N L P任务的颠覆性力量

通过介绍BERT、GPT以及T5等预训练模型及其实战,掌握N L P中主流的预训练模型的结构,用法和差异,以及在实际场景中如何应用

课程安排:

1.预训练模型BERT及非结构化数据信息抽取实战;

2.*PT模型及生成式任务实战;

3.T5模型及文本摘要实战

四、AI大语言模型核心技术与实战【火热方向】

通过学习AI大语言模型的预训练和微调理论,掌握大语言模型的分布式训练方法;通过学习最新的大模型agent思想及框架,掌握大模型落地应用的方法;

课程安排:

1.大语言模型分布式预训练;

2.分布式训练框架deepspeed;

3.大模型有监督微调;

4.大模型高效参数微调lora;

5.l****hain框架介绍

五、AI大语言模型进阶与实战【火热方向】

通过学习常见的开源大语言模型,掌握常见大语言模型的差异和使用方法;通过学习人类反馈式强化学习的方法,掌握大模型引入人类反馈的技术。

课程安排:

1.***ma,chatglm等大模型介绍;

2.**HF中的奖励模型;

3.**HF中的PPO算法;

4.基于大模型构建智能客服系统

六、搜索与推荐:N L P在实际场景中的应用

通过学习搜索和推荐中的召回和排序算法,掌握在搜索和推荐体系中如何应用N L P模型。

课程安排:

1.搜索和推荐常见架构介绍;

2.基于Faiss的item召回算法;

3.基于wide&deep模型的点击率预估模型排序算法


阶段九:AI工程师入行&转化&就业&面试指导

一、AI工程师入行&转行&就业&面试指导

本阶段给大家进行AI工程师入行与面试相关的指导,了解公司对AI算法工业者的能力要求,掌握更高效率的学术前沿知识获取方法,提高项目完整度与面试率。

课程安排:

1. 如何在简历中写好项目经历

2. 如何提升编程能力与算法能力

3. 常见的一些面试笔试问题

4. 如何保持学习,了解前沿技术

上课校区(1)
相关课程

AI培训

  • 小班
  • 任意时段
请询价

人工智能培训

  • 小班
  • 任意时段
请询价

算法培训

  • 小班
  • 任意时段
请询价
接下来要看
电话
在线
预约试听
我是在线客服顾问,有什么可以帮您?
400-029-0997
选择试听课程
全部
AI人工智能算法工程师
  • 小班 |
  • 任意时段 |
  • 请咨询
请询价
确定
预约成功
预约详情可在「我的-咨询预约」中查看
机构稍后会通过电话或微信和您联系,敬请留意
预约信息
试听课程:

全日制会计非就业班企业人力资源管理师企业人力资源管理师

试听校区:
章丘分校
章丘区数码港大厦山大路47号历下区历下区历下区
我知道了
权益领取成功,请尽快到机构使用
权益详情可在“我的—权益”中查看 查看我的权益