- 产品与解决方案
- 行业解决方案
- 服务
- 支持
- 合作伙伴
- 关于我们
在云计算、大数据、物联网和人工智能等新技术推动下，独立于企业的学校教育在瞬息万变的技术市场上不能满足社会需要，人才培养和供给压力非常紧迫。打造产、学、研、工、创一体化的校企深度合作模式，推进产教融合，成为院校数字化人才培养的最佳合作伙伴。
近年来，随着“人工智能”深入应用到社会各个行业，通过将对应的人工智能技术应用到具体的行业信息化领域，包括新兴互联网企业（如电商企业、搜索引擎、社交网站、互联网广告服务提供商等）、金融企业（银行、保险、证券公司、互联网金融借贷公司等）、通信运营商（电信、移动、联通）等行业的企业。在国内外形成了独具特色的智能产业和智能经济。 本课程对业界主流最新的人工智能及其应用实战技术分成基础级、进阶级、高级实战三个层次进行系统化地培训，让学员分成三个阶段深入系统地掌握人工智能技术的应用：
1、第一阶段：人工智能基础级培训内容，让学员掌握人工智能的基础知识，人工智能的问题解决思路，人工智能的应用案例，人工智能产业和人工智能产品的应用解决方案。
2、第二阶段：人工智能进阶级培训内容，让学员掌握人工智能中用到的机器学习方法和深度学习方法，包括有监督学习，无监督学习和半监督学习，以及决策树机器学习、朴素贝叶斯机器学习、神经网络机器学习、深度学习、卷积神经网络和LSTM神经网络机器学习的算法模型的原理和应用实践操作，每类算法模型在具体场景中的应用实践。
3、第三阶段：人工智能高级项目应用培训内容，让学员掌握人工智能的系统平台工具的应用实战，包括人工智能的代表性系统工具平台：TesorFlow深度学习平台，Keras深度学习库和PythonAI系统的应用实践，在讲解的同时，由讲师带着学员对人工智能工具安排实践操作，让学员更突出掌握实战技能。
1、通过本课程的学习，学员可以用较短的时间掌握人工智能领域的基础和精华内容。
2、让学员掌握人工智能的基础知识，人工智能的问题解决思路，人工智能的应用案例，人工智能产业和人工智能产品的应用解决方案。
3、让学员掌握人工智能的技术平台应用，重点包括Python Keras，TensorFlow，PyTorch，Theano，CNTK，Caffe等应用实战，并且通过两三个具体的企业应用实验操作，巩固掌握的AI技术和平台。
1、IT工程师
2、人工智能架构师
3、其它对人工智能和机器学习感兴趣的人员
定制授课+实战案例训练+互动咨询讨论，共3天。
本课程采用技术原理与项目实战相结合的方式进行教学，在讲授原理的过程中，穿插实际的系统操作，本课程讲师也精心准备的实际的应用案例供学员动手训练。
| 时间 | 专题 | 详细内容与知识点 |
第一天 | 人工智能基础、技术及其体系 | 1. 人工智能（ArtificialIntelligence，AI）的定义、起源、用途 2. 人工智能的发展历程与脉络 3. 人工智能的国家政策解读 4. 人工智能的技术体系 5. 人工智能的技术框架 6. 中国和美国的人工智能产业和主流人工智能产品 |
人工智能的问题求解及技术实现 | 7. 人工智能领域的经典问题和求解方式 8. 机器学习模型和推理符号模型 9. 业界主流的机器学习方法解决人工智能领域的思路 10. 人工智能和大数据 11. 人工智能和机器学习 12. 人工智能和深度学习 | |
人工智能的学习方式 | 13. 有监督学习训练 14. 无监督学习训练 15. 半监督学习训练 | |
人工智能的行业应用与发展 | 16. 人工智能的行业图谱和行业发展剖析 17. 人工智能结合大数据的行业应用案例 18. 人工智能在“互联网+”领域的应用 19. 人工智能在制造业领域的应用 20. 人工智能在金融、消费领域的应用 21. 人工智能在出行、旅游领域的应用 | |
部署人工智能实验平台 | 22. 部署人工智能实验操作软件和环境 23. 运行讲师提供的人工智能简单示例验证环境的准确性 24. 熟悉实验资料和实验环境 | |
人工智能机器学习的算法模型的应用实践（1） | 25. 人工智能领域的四大类经典算法模型 26. 神经网络机器学习算法模型及其应用 27. 决策树算法模型及其应用 28. 关联分析算法模型及其应用 29. 聚类分析算法模型及其应用 30. 深度学习算法模型及应用 | |
人工智能机器学习的算法模型的应用实践（2） | 31. 朴素贝叶斯算法模型及其应用 32. 逻辑回归算法模型及其预测应用 33. Python机器学习库的应用 34. PythonScikit-learn算法库的使用讲解 | |
第二天 | 人工智能和机器学习的实验操作 | 35. PythonScikit-learn算法库的实战操作 36. 利用Python语言编程，实现分类预测项目 37. 实验要求准确率、召回率、误差等指标 |
深度学习技术及其应用 | 38. 浅层学习技术及应用 39. 深度学习算法、技模型及应用 40. CNN卷积神经网络算法模型及应用 41. RNN循环神经网络算法模型及应用 42. LSTM神经网络算法模型及应用 43. 深度学习在人脸识别、语音识别领域的解决方案 | |
TensorFlowAI深度学习平台及其应用实践（1） | 44. TensorFlow：一个AI深度学习框架的概述 45. TensorFlow架构 46. TensorFlow的安装、部署、配置 47. TensorFlow的应用场景和应用案例 48. TensorFlow搭建GPU和CPU人工智能集群 49. 基于Tensorflow实现CNN模型应用，以及算法部署，算法调优，处理效率提升之道 50. 基于Tensorflow实现RNN（LSTM）模型应用，以及算法部署，算法调优，处理效率提升之道 | |
TensorFlowAI深度学习平台及其应用实践（2） | 51. TensorFlowCNN应用操作 52. TensorFlowRNN应用操作 53. TensorFlowLSTM应用操作 54. TensorFlow在自然语言生成建模案例 55. TensorFlow在图像识别的实验操作 | |
第三天 | TensorboardAI深度学习可视化建模工具与模型优化 | 56. Tensorboard简介 57. Tensorboard可视化和命名空间 58. TensorFlow人工智能建模模型状态评估与优化 59. Tensorboard的部署、配置和应用编程 60. 利用Tensorboard实现图像识别操作 61. 利用TensorFlow实现文本挖掘操作 |
Keras人工智能平台应用实践 | 62. Keras人工智能平台架构 63. KerasAI平台的部署与配置 64. Keras技术实现与工作机制 65. Keras序列模式 66. Keras图像与自然语言应用案例 67. Keras实验操作：Kaggle图像比赛与优化案例（选做） | |
人工智能的产品解决方案 | 68. 图像处理解决方案 69. 人脸识别解决方案 70. 语音识别解决方案 71. 文本分类解决方案 72. 视频理解解决方案 | |
项目实践 | 73. 人脸识别项目 74. 新闻内容文本分类预测项目 75. 讲师提供项目指导手册，带着学员完成，学员独立完成后，讲师答疑 | |
人工智能项目工程师的技能素养（选讲） | 76. 人工智能工程师的必备技术能力 77. 人工智能工程师的必备业务理解能力 78. 人工智能工程师的必备数据洞察能力 79. 人工智能工程师的进阶路线和职业素养 | |
培训内容综合、应用完整实践与咨询讨论 | 80. 根据讲师布置的实际应用案例，开展人工智能和大数据完整项目部署设计和应用开发实践、应用实施以及解决方案分享咨询与交流讨论 |
注：培训中讲师会根据学员的情况进行适当的调整。
