国模掰B给你看私拍150p_直接看黄网站免费无码_亚洲综合一区二区三区四_少妇野战喷水在线

當(dāng)前位置: 首頁(yè) > 公開(kāi)課程 > 課程內(nèi)容
廣告1
相關(guān)熱門(mén)公開(kāi)課程更多 》
相關(guān)熱門(mén)內(nèi)訓(xùn)課程更多 》
相關(guān)最新下載資料

機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)圖像處理和知識(shí)圖譜 應(yīng)用與核心技術(shù)

課程編號(hào)：43376   課程人氣：988

課程價(jià)格：￥8800  課程時(shí)長(zhǎng)：2天

行業(yè)類(lèi)別：IT網(wǎng)絡(luò)    專(zhuān)業(yè)類(lèi)別：數(shù)字化 

授課講師：

課程安排：

       2023.8.26 北京 2023.11.27 上海



  • 課程說(shuō)明
  • 講師介紹
  • 選擇同類(lèi)課
【培訓(xùn)對(duì)象】


【培訓(xùn)收益】
課程中通過(guò)細(xì)致講解，使學(xué)員掌握該技術(shù)的本質(zhì)。具體收益包括： 1.回歸算法理論與實(shí)戰(zhàn) 2.決策樹(shù)算法理論與實(shí)戰(zhàn) 3.集成學(xué)習(xí)算法理論與實(shí)戰(zhàn) 4.聚類(lèi)算法理論與實(shí)戰(zhàn) 5.神經(jīng)網(wǎng)絡(luò)算法 6.Tensorflow DNN CNN構(gòu)建 7.基于OpenCV計(jì)算機(jī)視覺(jué)識(shí)別 8.YOLO目標(biāo)識(shí)別框架 9.從0到1完成知識(shí)圖譜構(gòu)建 10.通過(guò)展示教師的實(shí)際科研成果，講述人工智能與知識(shí)圖譜的技術(shù)原理與應(yīng)用系統(tǒng)開(kāi)發(fā)方法、知識(shí)圖譜系統(tǒng)開(kāi)發(fā)工具使用方法。使學(xué)員掌握知識(shí)圖譜基礎(chǔ)與專(zhuān)門(mén)知識(shí)，獲得較強(qiáng)的知識(shí)圖譜應(yīng)用系統(tǒng)的分析、設(shè)計(jì)、實(shí)現(xiàn)能力。

 

培訓(xùn)模塊

培訓(xùn)內(nèi)容

機(jī)器學(xué)習(xí)與線(xiàn)性回歸算法

線(xiàn)性回歸實(shí)現(xiàn)銷(xiāo)售數(shù)據(jù)預(yù)測(cè)

1. 線(xiàn)性回歸介紹與公式推導(dǎo)

2. 多變量線(xiàn)性歸回歸與梯度下降

3. 預(yù)測(cè)銷(xiāo)量與廣告投放相關(guān)性預(yù)測(cè)

4. 數(shù)據(jù)升維與PCA降維

5. 數(shù)據(jù)歸一化與模型優(yōu)化

6. 欠擬合與過(guò)擬合

7. 訓(xùn)練結(jié)果的可視化

8. 保存模型與再加載

 

 

 

 

 

邏輯回歸與決策樹(shù)實(shí)戰(zhàn)

邏輯回歸之信用卡反欺詐預(yù)測(cè) 

1. 項(xiàng)目背景與需求分析

2. 特征工程之標(biāo)準(zhǔn)化

3. 基本預(yù)處理操作

4. 上采樣與下采樣

5. 混淆矩陣可視化函數(shù)

6. 模型的訓(xùn)練與準(zhǔn)確率,精確率,召回率

 

決策樹(shù)、集成學(xué)習(xí)識(shí)別銀行高風(fēng)險(xiǎn)貸款 

1. 信息增益與算法原理介紹

2. 數(shù)據(jù)分析、特征工程

3. 模型訓(xùn)練與優(yōu)化參數(shù)

4. 隨機(jī)森林、正向激勵(lì)算法

5. 采用決策樹(shù)識(shí)別高風(fēng)險(xiǎn)貸款

Tensorflow2.3 神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)實(shí)踐

1. Tensorflow安裝

2. Tensorlfow基礎(chǔ)知識(shí)

3. Tensorflow線(xiàn)性回歸

4. Tensorflow非線(xiàn)性回歸

5. Mnist數(shù)據(jù)集合Softmax講解

6. 使用BP神經(jīng)網(wǎng)絡(luò)搭建手寫(xiě)數(shù)字識(shí)別

7. 交叉熵(cross-entropy)講解和使用

8. 過(guò)擬合,正則化,Dropout

9. 各種優(yōu)化器Optimizer

10. 改進(jìn)手寫(xiě)數(shù)字識(shí)別網(wǎng)絡(luò) 

11. 模型保存與載入 

深度學(xué)習(xí)之卷積神經(jīng)網(wǎng)絡(luò)

CIFAR圖形圖像識(shí)別項(xiàng)目

1. CIFAR項(xiàng)目需求介紹

2. 分析愛(ài)data_batch數(shù)據(jù)集

3. CNN卷積神經(jīng)網(wǎng)絡(luò)介紹

4. 卷積、深度、池化、步長(zhǎng)、激活函數(shù)

采用CNN完成CIFAR物體分類(lèi)

1. 人臉識(shí)別數(shù)據(jù)集與算法介紹

2. 模型結(jié)構(gòu)設(shè)計(jì)

3. 人臉損失函數(shù)設(shè)計(jì)

4. 模型與參數(shù)調(diào)優(yōu)

Keras 神經(jīng)網(wǎng)絡(luò)框架

Keras理論介紹最佳實(shí)戰(zhàn)

1. Keras神經(jīng)網(wǎng)絡(luò)框架介紹

2. 基于Keras情感類(lèi)分析

3. 動(dòng)物分類(lèi)器實(shí)現(xiàn)

4. 采用Keras實(shí)現(xiàn)非線(xiàn)性回歸

5. 生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用

6. 模塊結(jié)構(gòu)分析與優(yōu)化策略

7. 采用Keras重構(gòu)TensorFlow項(xiàng)目

Open CV計(jì)算機(jī)視覺(jué)技術(shù)

OpenCV的人臉識(shí)別

1. OpenVINO框架介紹與安裝測(cè)試

2. OpenCV DNN中使用IE模塊加速

3. 轉(zhuǎn)化工具與IE模塊加速

4. 準(zhǔn)備人臉數(shù)據(jù)

5. CV掃描圖像、平滑、擴(kuò)張實(shí)現(xiàn)

6. DNN神經(jīng)網(wǎng)絡(luò)識(shí)別人臉

7. 測(cè)試與調(diào)優(yōu)操作

8. 基于Open CV DNN 構(gòu)建車(chē)輛與車(chē)牌檢查模型

 

 

YOYO目標(biāo)識(shí)別框架技術(shù)

YOYO目標(biāo)識(shí)別框架介紹

1. 標(biāo)檢測(cè)任務(wù)介紹

2. RCNN/Fast-RCNN/Faster-RCNN算法介紹

3. YOLO算法介紹

4. 目標(biāo)分割任務(wù)介紹

5. 全卷積網(wǎng)絡(luò)

6. 雙線(xiàn)性上采樣

7. 特征金字塔

8. Mask RCNN算法介紹

9. 目標(biāo)分割項(xiàng)目實(shí)戰(zhàn)

圖數(shù)據(jù)庫(kù)與構(gòu)建知識(shí)圖譜

知識(shí)表示與建模

1. 知識(shí)圖譜核心技術(shù)：知識(shí)推理

2. 知識(shí)圖譜應(yīng)用場(chǎng)景與抽取概述介紹

3. 本體知識(shí)推理與任務(wù)分類(lèi)

4. 實(shí)體與關(guān)系、事件抽取技術(shù)

5. 采用TxtCnn、CRF完成知識(shí)抽取

6. 采用RNN、LSTM完成知識(shí)抽取

 

知識(shí)存儲(chǔ)與問(wèn)答機(jī)器人構(gòu)建

1. 知識(shí)存儲(chǔ)neo4j常用數(shù)據(jù)庫(kù)

2. Cyhper語(yǔ)言介紹

3. 采用Py操作Neo4j數(shù)據(jù)庫(kù)

4. 基于知識(shí)圖譜問(wèn)答機(jī)器人構(gòu)建

知識(shí)圖譜概述

1.知識(shí)圖譜（KG）概念

2.知識(shí)圖譜的起源與發(fā)展

3.典型知識(shí)圖譜項(xiàng)目簡(jiǎn)介

4.知識(shí)圖譜技術(shù)概述

5.知識(shí)圖譜典型應(yīng)用

知識(shí)表示

1.基于符號(hào)主義的知識(shí)表示概述

1.1 謂詞邏輯表示法

1.2 產(chǎn)生式系統(tǒng)表示法

1.3 語(yǔ)義網(wǎng)絡(luò)表示法

2 知識(shí)圖譜的知識(shí)表示

2.1 RDF和RDFS

2.2 OWL和OWL2

2.3 Json-LD與RDFa、MicroData

2.4 SPARQL查詢(xún)語(yǔ)言  

3 知識(shí)建模實(shí)戰(zhàn) Protege

知識(shí)圖譜核心基礎(chǔ)技術(shù)（一）

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

1.經(jīng)網(wǎng)絡(luò)基本原理

2.神經(jīng)網(wǎng)絡(luò)應(yīng)用舉例

3.深度學(xué)習(xí)概述

4.主流深度學(xué)習(xí)框架

4.1 TesorFlow

4.2 Caffe

5.卷積神經(jīng)網(wǎng)絡(luò)（CNN）

5.1 CNN簡(jiǎn)介

5.2 CNN關(guān)鍵技術(shù):局部感知、卷積、池化、CNN訓(xùn)練

5.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5.4 深度殘差網(wǎng)絡(luò)

5.5 案例：利用CNN進(jìn)行手寫(xiě)數(shù)字識(shí)別

知識(shí)圖譜核心基礎(chǔ)技術(shù)（二）

 基于深度學(xué)習(xí)的自然語(yǔ)言處理

1.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）概述

2.基本RNN

3.長(zhǎng)短時(shí)記憶模型(LSTM)

4.門(mén)控循環(huán)單元（GRU）

5.知識(shí)圖譜向量表示方法

5.1 向量表示法

5.2 知識(shí)圖譜嵌入

知識(shí)抽取與融合

1.知識(shí)抽取主要方法與方式

1.1 主要方法

1.2 主要方式

2 面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

2.1 Direct Mapping

2.2 R2RML

3.面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

3.1 基于正則表達(dá)式的方法

3.2 基于包裝器的方法

4.面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

4.1 實(shí)體抽取
4.2 關(guān)系抽取

4.3 事件抽取
5.識(shí)挖掘

5.1知識(shí)挖掘流程

5.2 知識(shí)挖掘主要方法

6 知識(shí)融合

6.1 本體匹配
6.2 實(shí)體對(duì)齊

存儲(chǔ)與檢索

1.知識(shí)存儲(chǔ)與檢索基礎(chǔ)知識(shí)

2.知識(shí)圖譜的存儲(chǔ)方法

2.1基于關(guān)系數(shù)據(jù)庫(kù)的存儲(chǔ)
2.2 基于RDF數(shù)據(jù)庫(kù)的存儲(chǔ)

2.3 原生圖數(shù)據(jù)庫(kù)Neo4j存儲(chǔ)

3.圖譜構(gòu)建實(shí)踐 NEO4J

知識(shí)圖譜案例

 基于Neo4j人物關(guān)系知識(shí)圖譜存儲(chǔ)與檢索
咨詢(xún)電話(huà)：
0571-86155444
咨詢(xún)熱線(xiàn)：
  • 微信：13857108608
聯(lián)系我們