本课程是专为有志于成为AI算法工程师的学员设计,涵盖人工智能基础、机器学习、深度学习及大数据处理等核心领域。从Python编程和数学强化开始,逐步深入到机器学习算法(如线性回归、分类、无监督学习、决策树等)的原理与实践。课程中还包括了Spark大数据挖掘工具、推荐系统项目实战等内容,帮助学员掌握处理大规模数据的能力。
在深度学习部分,课程不仅讲解了神经网络、卷积神经网络(CNN)、目标检测(如YOLO系列)、语义分割以及人脸识别等理论知识,还提供了图像识别、OCR文本识别等多个项目的实战机会。同时,也特别加入了自然语言处理(NLP)模块,包括词向量、循环神经网络(RNN)、Transformer模型、BERT和GPT等前沿技术的学习与应用。
此外,课程还额外包含了PyTorch和百度飞桨PaddlePaddle的项目实战、Linux编程基础、算法与数据结构以及强化学习的内容,确保学员能全面掌握AI领域的最新技术和工具,为未来的职业发展打下坚实的基础。
课程大纲
├──1–人工智能基础-快速入门
| ├──1–人工智能就业、薪资、各行业应用
| └──2–机器学习和深度学习、有监督和无监督
├──10–机器学习与大数据-Kaggle竞赛实战
| ├──1–药店销量预测案例
| └──2–网页分类案例
├──11–机器学习与大数据-海量数据挖掘工具
| ├──1–Spark计算框架基础
| ├──2–Spark计算框架深入
| └──3–Spark机器学习MLlib和ML模块
├──12–机器学习与大数据-推荐系统项目实战
| ├──1–推荐系统–流程与架构
| ├──2–推荐系统–数据预处理和模型构建评估实战
| └──3–推荐系统–模型使用和推荐服务
├──13–深度学习-原理和进阶
| ├──1–神经网络算法
| ├──2–TensorFlow深度学习工具
| └──3–反向传播推导_Python代码实现神经网络
├──14–深度学习-图像识别原理
| ├──1–卷积神经网络原理
| ├──2–卷积神经网络优化
| ├──3–经典卷积网络算法
| ├──4–古典目标检测
| └──5–现代目标检测之FasterRCNN
├──15–深度学习-图像识别项目实战
| ├──1–车牌识别
| ├──2–自然场景下的目标检测及源码分析
| └──3–图像风格迁移
├──16–深度学习-目标检测YOLO(V1-V4全版本)实战
| ├──1–YOLOv1详解
| ├──2–YOLOv2详解
| ├──3–YOLOv3详解
| ├──4–YOLOv3代码实战
| └──5–YOLOv4详解
├──17–深度学习-语义分割原理和实战
| ├──1–上采样_双线性插值_转置卷积
| ├──2–医疗图像UNet语义分割
| └──3–蒙版弹幕MaskRCNN语义分割
├──18–深度学习-人脸识别项目实战
├──19–深度学习-NLP自然语言处理原理和进阶
| ├──1–词向量与词嵌入
| ├──2–循环神经网络原理与优化
| ├──3–从Attention机制到Transformer
| └──4–ELMO_BERT_GPT
├──2–人工智能基础-Python基础
| ├──1–Python开发环境搭建
| └──2–Python基础语法
├──20–深度学习-NLP自然语言处理项目实战
| ├──1–词向量
| ├──2–自然语言处理–情感分析
| ├──3–AI写唐诗
| ├──4–Seq2Seq聊天机器人
| ├──5–实战NER命名实体识别项目
| ├──6–BERT新浪新闻10分类项目
| └──7–GPT2聊天机器人
├──21–深度学习-OCR文本识别
├──24–【加课】Pytorch项目实战
| ├──1–PyTorch运行环境安装_运行环境测试
| ├──2–PyTorch基础_Tensor张量运算
| ├──3–PyTorch卷积神经网络_实战CIFAR10
| ├──4–PyTorch循环神经网络_词性标注
| └──5–PyTorch编码器解码器_机器翻译
├──25–【加课】百度飞桨PaddlePaddle实战【新增】
| ├──1–PaddlePaddle框架安装_波士顿房价预测
| ├──2–PaddlePaddle卷积网络_病理性近视识别
| ├──3–PaddleDetection工具_PCB电路板缺陷检测
| ├──4–PaddleOCR工具_车牌识别(目标检测+CRNN+CTCLoss)
| ├──5–PaddleNLP模块_物流信息提取(BiGRU+CRF)
| └──6–PaddleNLP模块_物流信息提取(ERNIE版)
├──26–【加课】Linux 环境编程基础
| └──1–Linux
├──27–【加课】算法与数据结构
| └──1–算法与数据结构
├──3–人工智能基础-Python科学计算和可视化
| ├──1–科学计算模型Numpy
| ├──2–数据可视化模块
| └──3–数据处理分析模块Pandas
├──31–【加课】 强化学习【新增】
| ├──1–Q-Learning与SARSA算法
| ├──2–Deep Q-Learning Network
| ├──3–Policy Gradient 策略梯度
| ├──4–Actor Critic (A3C)
| └──5–DDPG、PPO、DPPO算法
├──4–人工智能基础-高等数学知识强化
| ├──1–数学内容概述
| ├──2–一元函数微分学
| ├──3–线性代数基础
| ├──4–多元函数微分学
| ├──5–线性代数高级
| ├──6–概率论
| └──7–最优化
├──5–机器学习-线性回归
| ├──1–多元线性回归
| ├──2–梯度下降法
| ├──3–归一化
| ├──4–正则化
| └──5–Lasso回归_Ridge回归_多项式回归
├──6–机器学习-线性分类
| ├──1–逻辑回归
| ├──2–Softmax回归
| ├──3–SVM支持向量机算法
| └──4–SMO优化算法
├──7–机器学习-无监督学习
| ├──1–聚类系列算法
| ├──2–EM算法和GMM高斯混合模型
| └──3–PCA降维算法
├──8–机器学习-决策树系列
| ├──1–决策树
| ├──2–集成学习和随机森林
| ├──3–GBDT
| └──4–XGBoost
├──9–机器学习-概率图模型
| ├──1–贝叶斯分类
| ├──2–HMM算法
| └──3–CRF算法
└──课件