教育行業(yè)A股IPO第一股（股票代碼 003032）

全國(guó)咨詢/投訴熱線：400-618-4000    舉報(bào)郵箱:mc@itcast.cn

“周”更新日志
課程大版本更新

課程更新日志按周更新熱點(diǎn)/前沿技術(shù)

  • 新增2023-06-29

    · VFL損失函數(shù)的介紹· DFL損失的使用· anchor的對(duì)齊方式

  • 新增2023-06-21

    · 量化機(jī)制的介紹· 圖優(yōu)化方法的使用

  • 新增2023-06-15

    · yoloV8的架構(gòu)解析· 雙流FPN結(jié)構(gòu)的設(shè)計(jì)

  • 新增2023-06-07

    · 正負(fù)樣本的分配策略· Batch normalization在預(yù)測(cè)階段的使用

  • 新增2023-06-02

    · 卷積和池化降維策略的融合· 輔助頭設(shè)計(jì)方法

  • 新增2023-05-25

    · yoloV7模型的網(wǎng)絡(luò)結(jié)構(gòu)· E-ELAN的設(shè)計(jì)策略

  • 新增2023-05-18

    · Rep-PAN的特征融合方式· EfficientRep結(jié)構(gòu)的使用

  • 新增2023-05-10

    ·REPVgg的思想· 訓(xùn)練和預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)分離的策略

  • 新增2023-05-04

    ·SIOU損失的策略

    升級(jí)

    ·IOU系列的損失函數(shù)

  • 新增2023-04-26

    ·檢測(cè)端的解耦結(jié)構(gòu)· anchor-free的檢測(cè)方式

  • 新增2023-04-18

    ·yoloV6進(jìn)行目標(biāo)檢測(cè)的思想· yoloV6的網(wǎng)絡(luò)結(jié)構(gòu)

  • 升級(jí)2023-04-12

    ·實(shí)現(xiàn)關(guān)系抽取API接口搭建· Neo4j圖數(shù)據(jù)庫(kù)介紹與使用· 娛樂(lè)數(shù)據(jù)知識(shí)圖譜搭建

  • 升級(jí)2023-04-06

    ·Joint聯(lián)合方法實(shí)現(xiàn)關(guān)系抽取· Casrel關(guān)系抽取模型架構(gòu)介紹· Casrel模型實(shí)現(xiàn)關(guān)系抽取原理

  • 升級(jí)2023-03-28

    ·Pipeline方法實(shí)現(xiàn)關(guān)系抽取· BiLSTM+Attention關(guān)系分類模型架構(gòu)介紹· BiLSTM+Attention模型實(shí)現(xiàn)關(guān)系分類原理

  • 升級(jí)2023-03-23

    ·規(guī)則進(jìn)行關(guān)系抽取的概念· 規(guī)則進(jìn)行關(guān)系抽取的步驟和原理

  • 升級(jí)2023-03-15

    ·關(guān)系抽取方法基礎(chǔ)知識(shí)介紹· 解析關(guān)系抽取的任務(wù)特點(diǎn)· 分析關(guān)系抽取任務(wù)的評(píng)價(jià)指標(biāo)· 對(duì)比介紹實(shí)現(xiàn)關(guān)系抽取的常用方法

  • 新增2023-03-07

    ·FastText模型架構(gòu)原理· 層次softmax以及負(fù)采樣優(yōu)化方法

  • 升級(jí)2023-03-01

    ·文本數(shù)據(jù)增強(qiáng)方式接口更改· 機(jī)器翻譯案例代碼錯(cuò)誤修改

  • 新增2023-02-23

    ·ChatGPT的基本使用· 挖掘ChatGPT背后原理· 基于ChatGPT完成聊天機(jī)器人項(xiàng)目的介紹

  • 升級(jí)2023-02-17

    ·圖像分類的經(jīng)典網(wǎng)絡(luò)· 智慧交通項(xiàng)目目標(biāo)跟蹤方法

  • 新增2023-02-09

    ·預(yù)訓(xùn)練模型的知識(shí)融入技術(shù)· 工業(yè)界發(fā)布模式介紹

  • 新增2023-02-03

    ·BERT模型參數(shù)詳解與優(yōu)化經(jīng)驗(yàn)· 基于BERT完成生成式任務(wù)的介紹

  • 新增2023-01-28

    ·知識(shí)蒸餾原理詳解· 知識(shí)蒸餾優(yōu)化文本多分類

  • 新增2023-01-19

    ·百度ERNIE模型介紹與微調(diào)· MENGZI模型介紹與微調(diào)· NeZha模型介紹與微調(diào)

  • 新增2023-01-13

    ·K-BERT和KG-BERT模型介紹· MASS模型介紹與微調(diào)· BART模型介紹與微調(diào)

  • 新增2023-01-05

    ·MacBERT模型介紹與微調(diào)· SpanBERT模型介紹與微調(diào)· FinBERT模型介紹與微調(diào)

  • 新增2022-12-29

    ·XLNet模型介紹與微調(diào)· Electra模型介紹與微調(diào)· RoBERTa模型介紹與微調(diào)

  • 新增2022-12-20

    ·AlBERT模型介紹與微調(diào)· T5模型介紹與微調(diào)· ansformer-XL模型介紹與微調(diào)

  • 新增2022-12-14

    ·多參數(shù)模塊的剪枝技術(shù)· 全局剪枝技術(shù)· 用戶自定義剪枝

  • 新增2022-12-06

    ·定制化數(shù)據(jù)處理代碼· 模型動(dòng)態(tài)量化技術(shù)· 特定網(wǎng)絡(luò)的剪枝技術(shù)

  • 新增2022-11-30

    ·FastText完成多分類的基線模型· FastText模型優(yōu)化與部署· 基于BERT的文本多分類遷移學(xué)習(xí)模型

  • 新增2022-11-22

    ·數(shù)據(jù)來(lái)源解決方案· 隨機(jī)森林基線模型

  • 新增2022-11-16

    ·BERT GPT ELMo模型的不同點(diǎn)和各自優(yōu)缺點(diǎn)

  • 新增2022-11-08

    ·GPT的架構(gòu)· GPT的訓(xùn)練過(guò)程· GPT2的架構(gòu)

  • 新增2022-11-02

    ·Transformer的并行計(jì)算過(guò)程· Transformer可以替代Seq2Seq原因· ELMo總體架構(gòu)· ELMo模型預(yù)訓(xùn)練任務(wù)

  • 新增2022-10-27

    ·Transformer模塊的Encode結(jié)構(gòu)和作用· Transformer模塊的Decoder結(jié)構(gòu)和作用· Self attention機(jī)制中的歸一化原因

  • 新增2022-10-19

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-網(wǎng)絡(luò)搭建· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-訓(xùn)練函數(shù)· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-預(yù)測(cè)函數(shù)

  • 新增2022-10-11

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-數(shù)據(jù)清洗· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-構(gòu)建詞典· 循環(huán)神經(jīng)網(wǎng)絡(luò)-案例-數(shù)據(jù)類編寫

  • 新增2022-09-30

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-RNN層理解· 循環(huán)神經(jīng)網(wǎng)絡(luò)-RNN層使用

  • 新增2022-09-22

    ·循環(huán)神經(jīng)網(wǎng)絡(luò)-RNN算法· 循環(huán)神經(jīng)網(wǎng)絡(luò)-Embedding使用· 循環(huán)神經(jīng)網(wǎng)絡(luò)-Embeddings小節(jié)

  • 新增2022-09-16

    ·卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-CIFAR10數(shù)據(jù)集· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-CNN網(wǎng)絡(luò)搭建· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-編寫訓(xùn)練函數(shù)· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-編寫預(yù)測(cè)函數(shù)· 卷積神經(jīng)網(wǎng)絡(luò)-案例-圖像分類-小節(jié)

  • 新增2022-09-07

    ·卷積神經(jīng)網(wǎng)絡(luò)-Conv2d使用· 卷積神經(jīng)網(wǎng)絡(luò)-池化計(jì)算· 卷積神經(jīng)網(wǎng)絡(luò)-MaxPool2d使用

  • 新增2022-09-01

    ·卷積神經(jīng)網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)概述· 卷積神經(jīng)網(wǎng)絡(luò)-圖像基礎(chǔ)知識(shí)· 卷積神經(jīng)網(wǎng)絡(luò)-卷積簡(jiǎn)單計(jì)算· 卷積神經(jīng)網(wǎng)絡(luò)-多卷積核計(jì)算

  • 新增2022-08-26

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-模型訓(xùn)練過(guò)程· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-模型評(píng)估過(guò)程· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-網(wǎng)絡(luò)模型調(diào)優(yōu)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-小節(jié)

  • 新增2022-08-17

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-案例介紹· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-構(gòu)建數(shù)據(jù)集· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-網(wǎng)絡(luò)模型搭建

  • 新增2022-08-09

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-dropout對(duì)網(wǎng)絡(luò)參數(shù)的影響· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-BN層理解· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-案例介紹· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-價(jià)格分類-構(gòu)建數(shù)據(jù)集

  • 新增2022-08-02

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-adagrad優(yōu)化方法· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-rmsprop優(yōu)化方法· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-adam和小節(jié)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-dropout原理

  • 新增2022-07-25

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-反向傳播算法案例講解· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-反向傳播算法代碼演示· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-指數(shù)加權(quán)平均· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-momentum優(yōu)化方法

  • 升級(jí)2022-07-18

    ·優(yōu)化PyTorch使用-模型定義方法-實(shí)現(xiàn)線性回歸· 優(yōu)化PyTorch使用-直接序列化模型對(duì)象· 優(yōu)化PyTorch使用-存儲(chǔ)模型參數(shù)

  • 新增2022-07-11

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-激活函數(shù)小節(jié)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-網(wǎng)絡(luò)參數(shù)初始化· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-梯度下降算法回顧· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-正向傳播和鏈?zhǔn)椒▌t

  • 升級(jí)2022-07-04

    ·優(yōu)化PyTorch使用-手動(dòng)構(gòu)建線性回歸小節(jié)· 優(yōu)化PyTorch使用-模型定義方法-基本組件的使用· 優(yōu)化PyTorch使用-模型定義方法-數(shù)據(jù)加載器

  • 新增2022-06-28

    · 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-simoid激活函數(shù)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-tanh激活函數(shù)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-relu激活函數(shù)· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-softmax激活函數(shù)

  • 新增2022-06-21

    ·神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-人工神經(jīng)網(wǎng)絡(luò)概述· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)-激活函數(shù)的作用

    升級(jí)

    · 優(yōu)化PyTorch使用-手動(dòng)構(gòu)建線性回歸-訓(xùn)練函數(shù)編寫思路· 優(yōu)化PyTorch使用-手動(dòng)構(gòu)建線性回歸-訓(xùn)練函數(shù)代碼實(shí)現(xiàn)

  • 新增2022-06-14

    · Transformers庫(kù)管道方式實(shí)現(xiàn)基礎(chǔ)NLP任務(wù) · Transformers庫(kù)自動(dòng)模型方式實(shí)現(xiàn)基礎(chǔ)NLP任務(wù) · Transformers庫(kù)具體模型實(shí)現(xiàn)基礎(chǔ)NLP任務(wù)· 遷移學(xué)習(xí)中文分類案例· 遷移學(xué)習(xí)中文填空案例· 遷移學(xué)習(xí)句子關(guān)系管理· 刪除Transformers發(fā)布模型舊的方式

  • 升級(jí)2022-06-07

    · 優(yōu)化seq2seq英譯法案例· 數(shù)據(jù)處理機(jī)制· Python語(yǔ)言操作Flink· 優(yōu)化Transformer模塊測(cè)試案例· 輸入部分· 輸出部分· 編碼器部分· 解碼器部分

  • 新增2022-05-31

    · NLP基礎(chǔ)課程新增 詞向量檢索基礎(chǔ)知識(shí)

    升級(jí)

    · 詞嵌入層可視化顯示實(shí)驗(yàn)· RNNAPI編程案例· RNN人名分類器案例· 數(shù)據(jù)處理機(jī)制· 模型訓(xùn)練方法

  • 新增2022-05-24

    · 如何構(gòu)建特征，如何評(píng)估特征 · 從原始數(shù)據(jù)構(gòu)造出新特征的方法 · 新增特征變換的方法· 新增缺失值處理的方法

  • 新增2022-05-17

    · 信貸審批業(yè)務(wù)的基本流程 · 新增ABC評(píng)分卡 · 新增風(fēng)控建模的基本流程· 新增評(píng)分卡模型正負(fù)樣本定義方法

  • 新增2022-05-10

    · 增加SQL進(jìn)行風(fēng)控報(bào)表開(kāi)發(fā) · 增加信貸審批業(yè)務(wù)的基本流程 · 增加風(fēng)控建模的基本流程· 機(jī)器學(xué)習(xí)風(fēng)控模型的優(yōu)勢(shì)

  • 新增2022-05-03

    · 增加LR理論推導(dǎo) · 增加樸素貝葉斯推導(dǎo) · 增加用戶畫像案例· 增加金融風(fēng)控項(xiàng)目

  • 新增2022-04-26

    · 增加Python進(jìn)行RFM分群 · 增加使用Pyecharts繪制3D圖形 · 增加SVM理論推導(dǎo)· 增加GBDT理論推導(dǎo)

  • 新增2022-04-19

    · ViBert · 圖像分析方法 · 標(biāo)簽數(shù)據(jù)統(tǒng)計(jì)及應(yīng)用· 梯度剪裁方法

  • 升級(jí)2022-04-12

    · 優(yōu)化Numpy基礎(chǔ)矩陣預(yù)算 · 應(yīng)用Pandas進(jìn)行簡(jiǎn)單排序、分組、聚合等計(jì)算 · 優(yōu)化Pandas處理方法

  • 新增2022-04-05

    · MOE方法 · 級(jí)聯(lián)MOE Model · GAP評(píng)估方法· NextVLad視頻聚合

  • 新增2022-03-29

    · 模型剪枝 · RoBerta新模型 · Transformer-XL新模型· 多分類知識(shí)蒸餾

  • 新增2022-03-22

    · Vggish · PCA方法 · SE Context模型融合· Logistics模型分類

  • 新增2022-03-15

    · 增加MySQL的Datagrip工具連接數(shù)據(jù)庫(kù) · 增加SQL的窗口函數(shù)用法 · 增加Pandas的透視表用法

  • 新增2022-03-08

    · pad的增強(qiáng)方式 · 分布式訓(xùn)練 · 視頻標(biāo)簽任務(wù)· MFCC

  • 新增2022-03-01

    · 增加Pyecharts實(shí)現(xiàn)各種圖形繪制 · 刪除Ununtu系統(tǒng) · 增加Linux中Shell的基本操作

    升級(jí)

    · 升級(jí)優(yōu)化為CentOs系統(tǒng)

  • 新增2022-02-22

    · 模型量化方法 · 模型剪枝方法 · 模型蒸餾方法· tf-serving模型部署

  • 新增2022-02-15

    · Python進(jìn)階中增加數(shù)據(jù)爬蟲(chóng)案例

    升級(jí)

    · 升級(jí)閉包裝飾器內(nèi)容 · 優(yōu)化升級(jí)深拷貝和淺拷貝的

  • 新增2022-02-08

    · 年齡檢測(cè)方法 · NAS神經(jīng)網(wǎng)絡(luò)搜索 · NAS-FPN網(wǎng)絡(luò)· 人臉矯正對(duì)齊

  • 新增2022-01-25

    · yolo-tiny模型 · 多任務(wù)模型介紹 · mish激活函數(shù)· mmdetection目標(biāo)檢測(cè)框架

  • 新增2022-01-18

    · Python基礎(chǔ)案例增加學(xué)生管理系統(tǒng) · Python進(jìn)階中增加多任務(wù)編程 · Python進(jìn)階增加FastAPI搭建服務(wù)器

  • 新增2022-01-11

    · wing損失函數(shù) · 人臉關(guān)鍵點(diǎn)檢測(cè) · 關(guān)鍵點(diǎn)描述方法 · SEnet注意力模型

  • 新增2022-01-04

    · BERT+CRF · TENER · nested NER優(yōu)化

  • 新增2021-12-28

    · 人臉性別檢測(cè) · 人臉年齡檢測(cè) · 人臉對(duì)比 · arcface損失函數(shù)

  • 新增2021-12-14

    · 人臉模糊判斷 · 人臉相似度檢測(cè) · 度量學(xué)習(xí)模型 · 孿生模型

  • 新增2021-11-30

    · 人臉檢測(cè) · 人臉跟蹤 · 人臉三維角度檢測(cè) · 人臉明暗檢測(cè)

  • 新增2021-11-16

    · 后處理方法GreedyNMS · Swish激活函數(shù) · SENET注意力機(jī)制 · Focal loss

  • 新增2021-11-12

    · 后處理方法GreedyNMS · Swish激活函數(shù) · SENET注意力機(jī)制 · Focal loss

  • 新增2021-11-09

    · 文本摘要項(xiàng)目部署 · textcnn模型原理 · textcnn模型實(shí)現(xiàn) · textcnn模型優(yōu)化

  • 新增2021-11-02

    · hue增強(qiáng)方法 · 多張圖增強(qiáng) · LRRelu激活函數(shù) · 噪聲增強(qiáng)方式

  • 新增2021-10-26

    · CPU優(yōu)化 · Flask框架的介紹 · Django框架的介紹 · API接口封裝

  • 新增2021-10-19

    · 內(nèi)容理解 · 內(nèi)容生成 · 內(nèi)容安全治理的主要技術(shù) · 內(nèi)容安全要解決的核心問(wèn)題

  • 新增2021-10-12

    · 半監(jiān)督數(shù)據(jù)增強(qiáng) · Scheduled sampling優(yōu)化策略 · Weight tying優(yōu)化策略 · CPU優(yōu)化

  • 新增2021-10-05

    · 圖像文本掩碼 · 視覺(jué)文本匹配 · 掩碼視覺(jué)區(qū)域 · 序列到序列目標(biāo)損失

  • 新增2021-09-28

    · gensim實(shí)現(xiàn)TF-IDF算法 · 純Python代碼實(shí)現(xiàn)純TF-IDF算法 · TF-IDF模型 · 回譯數(shù)據(jù)

  • 新增2021-09-21

    · 多模態(tài)的語(yǔ)言表征 · 基于自編碼自回歸架構(gòu)的模型 · 單流結(jié)構(gòu) · 雙流結(jié)構(gòu)

  • 新增2021-09-14

    · viterbi Decode · Beam-serch Decode · Beam-serch優(yōu)化模型 · 單詞替換數(shù)據(jù)增強(qiáng)

  • 新增2021-09-07

    · 新型網(wǎng)絡(luò) · 仇恨言論檢測(cè) · 職責(zé)界定 · 多模態(tài)核心任務(wù)

  • 新增2021-08-31

    · coverage數(shù)學(xué)原理 · PGN + coverage網(wǎng)絡(luò)優(yōu)化 · Beam-search算法 · Greedy Decode

  • 新增2021-08-24

    · 跳層連接skip layers · 模型感受野RFB · 注意力機(jī)制Point-wise attention · DIOU網(wǎng)絡(luò)預(yù)測(cè)

  • 新增2021-08-17

    · BLEU算法解析 · ROUGE評(píng)估 · ROUGE算法解析 · ROUGE算法實(shí)現(xiàn)

  • 新增2021-08-11

    · 字典性質(zhì)的描述舉例 · 多線程優(yōu)化 · 人臉三維重建 · 異常的使用場(chǎng)景舉例

  • 新增2021-08-04

    · PGN模型的數(shù)據(jù)迭代器 · PGN模型實(shí)現(xiàn) · PGN模型網(wǎng)絡(luò)訓(xùn)練 · BLEU評(píng)估

  • 新增2021-07-27

    · 對(duì)比度調(diào)整 · SPP結(jié)構(gòu) · sam注意力機(jī)制 · 空間注意力

  • 新增2021-07-20

    · 內(nèi)容張量context vector計(jì)算 · 單詞分布張量P_vocab計(jì)算 · 分布張量P_w計(jì)算 · PNG網(wǎng)絡(luò)數(shù)據(jù)清洗

  • 新增2021-07-13

    · 知識(shí)蒸餾方法 · 模型剪枝方法 · Dropblock正則化 · Hide and seek圖像增強(qiáng)

  • 新增2021-07-07

    · Transformer問(wèn)答試題 · Elmo模型講解 · yoloV4模型 · Siamese系列網(wǎng)絡(luò)詳解

  • 新增2021-06-30

    · 升級(jí)集成學(xué)習(xí)知識(shí)框架 · 細(xì)化集成學(xué)習(xí)算法推導(dǎo)過(guò)程 · stacking算法優(yōu)化 · 北京市租房房?jī)r(jià)預(yù)測(cè)

  • 新增2021-06-22

    · 模型的整體實(shí)現(xiàn) · 數(shù)據(jù)清洗 · gensim訓(xùn)練詞向量 · 詞向量?jī)?yōu)化模型

  • 新增2021-06-15

    · SAT自對(duì)抗訓(xùn)練進(jìn)行數(shù)據(jù)增強(qiáng) · 數(shù)據(jù)增強(qiáng)意義 · CSP模塊介紹 · SPP結(jié)構(gòu)

  • 新增2021-06-08

    · 多核并行處理數(shù)據(jù)優(yōu)化 · 參數(shù)配置及數(shù)據(jù)優(yōu)化 · 模型數(shù)據(jù)的優(yōu)化 · 模型子層的實(shí)現(xiàn)

  • 新增2021-06-01

    · 小目標(biāo)檢測(cè)技巧 · 損失函數(shù)設(shè)計(jì) · CIOU損失

  • 新增2021-05-25

    · 基于jieba的TextRank · 基于TextRank算法模型構(gòu)建 · 文本摘要數(shù)據(jù)集優(yōu)化· seq2seq架構(gòu)實(shí)現(xiàn)文本摘要架構(gòu)

  • 新增2021-05-18

    · 馬賽克增強(qiáng) · gridmask · Cutmix· 填充

  • 新增2021-05-11

    · TextRank算法實(shí)現(xiàn) · 關(guān)鍵詞抽取 · 關(guān)鍵短語(yǔ)抽取· 關(guān)鍵句抽取

  • 新增2021-05-04

    · 數(shù)據(jù)增強(qiáng) · mixup · cutout· 隨機(jī)擦除

  • 新增2021-04-27

    · 抽取式摘要 · 生成式摘要 · 文本摘要項(xiàng)目數(shù)據(jù)集· TextRank算法原理

  • 升級(jí)2021-04-20

    · tfrecord文件介紹 · 圖像數(shù)據(jù)feature構(gòu)建 · Example的構(gòu)建· writer_to_tfrecord的使用

  • 新增2021-04-13

    · 靜態(tài)量化和動(dòng)態(tài)量化對(duì)比 · prune技術(shù)介紹 · 持久化修剪后的模型· 模型推斷加速

  • 升級(jí)2021-04-06

    · yoloV3的損失計(jì)算 · yoloV4模型介紹 · 正負(fù)樣本的設(shè)計(jì)· 多任務(wù)損失

  • 升級(jí)2021-03-30

    · 標(biāo)簽平滑技術(shù)優(yōu)化 · badcase分析案例演示 · badcase優(yōu)化總結(jié)· 模型熱更新講解優(yōu)化

  • 新增2021-03-22

    · ORB特征的方向設(shè)計(jì) · 目標(biāo)的外接矩形 · ROIAlign算法· 全卷積網(wǎng)絡(luò)

  • 升級(jí)2021-03-16

    · GLUE標(biāo)準(zhǔn)數(shù)據(jù)集介紹 · run_glue腳本講解方式調(diào)整 · gpu服務(wù)器驗(yàn)證優(yōu)化介紹· weight_decay演示調(diào)優(yōu)

  • 新增2021-03-09

    · 大津法 · 輪廓檢測(cè) · 矩特征· 目標(biāo)的質(zhì)心計(jì)算

  • 升級(jí)2021-03-02

    · bert模型調(diào)整 · 考試數(shù)據(jù)集實(shí)例演示 · 考試數(shù)據(jù)清洗代碼精煉· bert-Multilingual進(jìn)行微調(diào)優(yōu)化

  • 升級(jí)2021-02-23

    · FPN進(jìn)行特征融合 · 候選框的多尺度映射方法 · 候選框的選擇方法· 對(duì)比混合精度馴良

  • 新增2021-02-16

    · 上線模型優(yōu)化 · 模型量化壓縮技術(shù) · ONNX-Runtime推斷加速· 對(duì)比混合精度馴良練

  • 升級(jí)2021-02-09

    · 選擇性搜索（SS） · 目標(biāo)框位置回歸的意義 · 候選區(qū)域映射的方法· fasttext模型baseline訓(xùn)練

  • 升級(jí)2021-02-02

    · Django中views文件講解順序 · 多線程實(shí)現(xiàn)舉例 · fasttext模型原生代碼pytorch實(shí)現(xiàn)· fasttext模型baseline訓(xùn)練

  • 新增2021-01-26

    · 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)MAP · softNMS方法 · overfeat方法· RPN網(wǎng)絡(luò)詳解

  • 新增2021-01-19

    · 從SQL中獲取數(shù)據(jù)演示 · 意向校區(qū)識(shí)別代碼邏輯 · "手機(jī)號(hào)"，"微信號(hào)"，"QQ號(hào)"識(shí)別規(guī)則細(xì)化· 與后端交互數(shù)據(jù)舉例

  • 升級(jí)2021-01-12

    · IOU在目標(biāo)跟蹤中的使用 · 相機(jī)外參的計(jì)算方法 · 圖像畸變產(chǎn)生的原因· 圖像去畸變的方法

  • 升級(jí)2021-01-05

    · 信息中心需求分析細(xì)化 · 產(chǎn)品設(shè)計(jì)邏輯修改 · 原始數(shù)據(jù)分析思路· fasttext講解案例

  • 新增2020-12-29

    · 分水嶺算法介紹 · GraphCut算法簡(jiǎn)介 · 二分圖原理介紹· 最優(yōu)匹配方法介紹

  • 升級(jí)2020-12-21

    · flask框架整體介紹 · 市場(chǎng)中主流AI平臺(tái)演示 · 標(biāo)貝科技產(chǎn)品體驗(yàn)演示· 傳智大腦整體架構(gòu)介紹

  • 新增2020-12-14

    · VGG模型實(shí)現(xiàn) · Inception系列模型對(duì)比 · 邊緣檢測(cè)計(jì)算復(fù)雜度介紹· 傅里葉變換在圖像處理中的應(yīng)用

  • 升級(jí)2020-12-07

    · series和dataframe介紹 · torchserve實(shí)驗(yàn) · 非正常卷積網(wǎng)絡(luò)結(jié)構(gòu)解析· 車輛偏離車道中心距離優(yōu)化

  • 新增2020-11-30

    · lightGBM推導(dǎo) · 優(yōu)化實(shí)體提取模型 · 多尺度網(wǎng)絡(luò)與非正常卷積初步· 車道線檢測(cè)laneNet實(shí)現(xiàn)

  • 升級(jí)2020-11-23

    · 樸素貝葉斯常見(jiàn)面試題講解 · 修改部分項(xiàng)目bug · 多精度多分辨率通道分組網(wǎng)絡(luò)總結(jié)· sort算法進(jìn)行多目標(biāo)跟蹤優(yōu)化

  • 新增2020-11-16

    · 機(jī)器學(xué)習(xí)中svr的介紹 · 積分梯度解析 · 嘴唇分割模型優(yōu)化 · 多目標(biāo)跟蹤deepsort算法的實(shí)現(xiàn)

  • 升級(jí)2020-11-09

    · 機(jī)器學(xué)習(xí)svm部分面試題 · bert源碼解析 · 嘴唇分割模型訓(xùn)練· fasterRCNN目標(biāo)檢測(cè)優(yōu)化

  • 新增2020-11-02

    · 相對(duì)路徑和絕對(duì)路徑的使用場(chǎng)景描述 · LIT實(shí)驗(yàn) · 用于圖像分割的實(shí)時(shí)分組網(wǎng)絡(luò) · 模型微調(diào)方法簡(jiǎn)介

  • 升級(jí)2020-10-26

    · 優(yōu)化tree命令的安裝及使用 · Reformer實(shí)驗(yàn) · 多分辨率卷積核通道分組網(wǎng)絡(luò)· yoloV3進(jìn)行目標(biāo)檢測(cè)案例

  • 新增2020-10-19

    · 操作系統(tǒng)的簡(jiǎn)介內(nèi)容 · Captum實(shí)驗(yàn) · 通道補(bǔ)償技術(shù)· 圖像增強(qiáng)方法實(shí)現(xiàn)

  • 升級(jí)2020-10-13

    · 優(yōu)化面向?qū)ο蟮慕榻B · 可解釋性工具 · 多分支網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) · G使用tf.keras完成網(wǎng)絡(luò)模型的搭建

  • 新增2020-10-08

    · 文件操作案例 · GPT-3解決生成 · 網(wǎng)絡(luò)瓶頸結(jié)構(gòu)探索· GoogLeNet的網(wǎng)絡(luò)構(gòu)建

  • 升級(jí)2020-09-28

    · vim的常用操作命令 · 數(shù)據(jù)增強(qiáng)方法 · MobileNet網(wǎng)絡(luò)深度對(duì)實(shí)驗(yàn)的影響· tensorflow入門升級(jí)

  • 新增2020-09-08

    · 增加break關(guān)鍵字的使用場(chǎng)景案例 · 模型蒸餾 · Neocognitron網(wǎng)絡(luò)· k-means算法推導(dǎo)過(guò)程舉例

  • 升級(jí)2020-09-01

    · 邏輯運(yùn)算符的演示案例 · 模型剪枝 · 加深網(wǎng)絡(luò)，提升模型性能· 樸素貝葉斯案例修改

  • 新增2020-08-25

    · 增加變量的演示案例 · ALBERT解析 · 輕量級(jí)人臉表情和年齡識(shí)別· 對(duì)多態(tài)的描述舉例

  • 升級(jí)2020-08-18

    · 優(yōu)化對(duì)集合的性質(zhì)的描述 · 模型量化 · 三維人臉庫(kù)的使用與重建· 優(yōu)化對(duì)私有屬性的使用場(chǎng)景的描述

  • 新增2020-08-11

    · 字典性質(zhì)的描述舉例 · 多線程優(yōu)化 · 人臉三維重建· 異常的使用場(chǎng)景舉例

  • 升級(jí)2020-08-04

    · 優(yōu)化對(duì)Python語(yǔ)言性質(zhì)的描述 · BART實(shí)驗(yàn)解決NER · 人臉美顏與遷移學(xué)習(xí)· 優(yōu)化Python2和Python3的對(duì)比

  • 升級(jí)2020-07-28

    · 場(chǎng)景識(shí)別案例優(yōu)化模型方法 · 圖像與視覺(jué)處理專業(yè)課優(yōu)化方案啟動(dòng) · 自然語(yǔ)言處理PyTorch工具講解調(diào)優(yōu)

  • 升級(jí)2020-07-21

    · pytorch講義 · CV基礎(chǔ)考試題 · RCNN系列目標(biāo)檢測(cè)模型 · 人臉檢測(cè)案例

  • 新增2020-07-14

    · GPT模型講解 · 典型的NLP算法 · SIamRPN++網(wǎng)絡(luò)講解 · DeepLab系列介紹

  • 升級(jí)2020-07-10

    · KNN算法導(dǎo)入案例 · 線性回歸正規(guī)方程推導(dǎo)過(guò)程 · 線性回歸案例迭代 · 虛擬環(huán)境安裝詳解

  • 新增2020-07-07

    · Transformer問(wèn)答試題 · Elmo模型講解 · yoloV4模型 · Siamese系列網(wǎng)絡(luò)詳解

  • 升級(jí)2020-06-30

    · 升級(jí)集成學(xué)習(xí)知識(shí)框架 · 細(xì)化集成學(xué)習(xí)算法推導(dǎo)過(guò)程 · stacking算法優(yōu)化 · 北京市租房房?jī)r(jià)預(yù)測(cè)

  • 新增2020-06-23

    · 基于seq2seq的機(jī)器翻譯任務(wù) · 莎士比亞風(fēng)格的文本生成任務(wù) · ResNet模型在GPU上的并行實(shí)踐任務(wù) · 自然語(yǔ)言處理：NLP案例庫(kù)(6個(gè)案例)

  • 新增2020-06-16

    · 圖像與視覺(jué)處理：計(jì)算機(jī)視覺(jué)面試題（80道） · 圖像與視覺(jué)處理：算法強(qiáng)化課程8天 · 計(jì)算機(jī)視覺(jué)面試題視頻（80道） · 圖像與視覺(jué)處理：計(jì)算機(jī)視覺(jué)案例庫(kù)

  • 新增2020-06-09

    · 基礎(chǔ)NLP試題 · AI醫(yī)生項(xiàng)目試題 · 文本標(biāo)簽項(xiàng)目試題, 和泛娛樂(lè)項(xiàng)目試題 · 自然語(yǔ)言處理：NLP題庫(kù)(135道)

  • 新增2020-06-02

    · 車道檢測(cè) · 車輛技術(shù) · 車輛跟蹤 · 圖像與視覺(jué)處理：智慧交通項(xiàng)目

  • 升級(jí)2020-05-26

    · 決策樹(shù)案例 · 調(diào)整預(yù)剪枝、后剪枝知識(shí)點(diǎn)講解 · 決策回歸樹(shù)講解 · 基尼指數(shù)優(yōu)化

  • 新增2020-05-19

    · 口罩識(shí)別 · 活體檢測(cè) · 人臉屬性識(shí)別 · 圖像與視覺(jué)處理：人臉識(shí)別項(xiàng)目

  • 升級(jí)2020-05-12

    · SVM算法推導(dǎo)過(guò)程講解 · 樸素貝葉斯前面增加概率知識(shí)介紹 · HMM模型推導(dǎo)過(guò)程 · HMM案例優(yōu)化

  • 新增2020-05-05

    · 形態(tài)學(xué)定義、連通性 · 二值操作、平滑、梯度 · 紋理分割及OpenCV實(shí)踐 · 圖像與視覺(jué)處理：形態(tài)學(xué)專題

  • 新增2020-04-28

    · 幾何變換專題 · 翻轉(zhuǎn)、剪裁、遮擋、圖像算數(shù) · 圖像金字塔、OpenCV幾何變換操作? · 翻轉(zhuǎn)、剪裁、遮擋、OpenCV幾何變換操作

  • 升級(jí)2020-04-21

    · gbdt案例優(yōu)化 · xgboost算法推導(dǎo)過(guò)程講解 · lightGBM算法 · pubg案例優(yōu)化

  • 新增2020-04-14

    · 圖像矩特征點(diǎn)度量特征、全局直方圖 · 局部區(qū)域直方圖、散點(diǎn)圖和3D直方圖 · OpenCV實(shí)踐 · 圖像與視覺(jué)處理：直方圖處理專題

  • 新增2020-04-07

    · 命名實(shí)體識(shí)別模型BiLSTM + CRF · 句子對(duì)主題相關(guān)模型BERT · 在線部分關(guān)于neo4j數(shù)據(jù)庫(kù)、redis的實(shí)時(shí)存取 · 自然語(yǔ)言處理：AI在線醫(yī)生項(xiàng)目

  • 升級(jí)2020-03-31

    · xgboost算法介紹 · OTTO案例 · xgboost和gbdt對(duì)比 · bgdt推導(dǎo)過(guò)程優(yōu)化

  • 新增2020-03-24

    · fasttext工具介紹 · fasttext訓(xùn)練詞向量, 并完成詞向量遷移 · fasttext工具實(shí)現(xiàn)文本分類的代碼案例 · 自然語(yǔ)言處理：fasttext訓(xùn)練詞向量、文本分類，詞向量遷移

  • 新增2020-03-17

    · 灰度直方圖、灰度的線性變換 · 灰度對(duì)數(shù)變換、伽瑪變換 · 灰度閾值變換、分段線性變換 · 圖像與視覺(jué)處理：基本的灰度變換函數(shù)專

  • 新增2020-03-10

    · EM算法 · 極大釋然估計(jì)講解 · HMM模型 · HMM案例搭建

  • 新增2020-03-03

    · 基本的OpenCV代碼 · Image數(shù)據(jù)結(jié)構(gòu)、讀寫圖像 · OpenCV基礎(chǔ)專題函數(shù)與API講解

  • 升級(jí)2020-02-25

    · 線性回歸知識(shí)點(diǎn)講 · xgboost講解案例 · 邏輯回歸多分類問(wèn)題評(píng)估 · RNN+Attention實(shí)現(xiàn)英譯法任務(wù)

  • 新增2019-12-27

    · Transformer架構(gòu)圖的詳解 · 四大組成模塊的分塊代碼詳解和示例 · copy小案例 · 自然語(yǔ)言處理：Transformer的原理和架構(gòu)

  • 新增2019-12-20

    · 數(shù)據(jù)分析實(shí)戰(zhàn)，北京市租房數(shù)據(jù)統(tǒng)計(jì)分析 · NBA球員數(shù)據(jù)分析 · 電影數(shù)據(jù)分析案例 · pandas讀取Excel、sql

  • 新增2019-12-13

    · Dilated Convolutions：聚合多尺度的信息 · PSPNet：金字塔池化模塊 · Mask-RCNN：端到端聯(lián)合訓(xùn)練目標(biāo)分割實(shí)戰(zhàn)案例 · 圖像與視覺(jué)處理：圖像分割專題

  • 新增2019-12-06

    · RNN構(gòu)造人名分類器的案例 · RNN實(shí)現(xiàn)英譯法的seq2seq架構(gòu)代碼 · 在seq2seq架構(gòu)基礎(chǔ)上添加Attention的架構(gòu)方案代碼 · 自然語(yǔ)言處理：RNN構(gòu)造人名分類器

  • 新增2019-11-29

    · 目標(biāo)檢測(cè)專題RCNN，F(xiàn)astRCNN · FasterRCNN· 先驗(yàn)框、細(xì)粒度與多尺度特征· 圖像與視覺(jué)處理：目標(biāo)檢測(cè)專題

  • 新增2019-11-22

    · 數(shù)據(jù)可視化庫(kù)seborn · 箱線圖知識(shí)點(diǎn) · 增加小提琴圖知識(shí)點(diǎn)· 單變量、多變量分析

  • 新增2019-11-15

    · RNN、LSTM、 GRU基本結(jié)構(gòu)和原理介紹 · Attention機(jī)制原理 · 代碼示例和圖解注意力機(jī)制· 自然語(yǔ)言處理：RNN、 LSTM、 GRU、 Attention等

  • 新增2019-11-08

    · 經(jīng)典卷積網(wǎng)絡(luò)：LeNet5、AlexNet、VGG、Inception、GoogleNet · 殘差網(wǎng)絡(luò)、深度學(xué)習(xí)優(yōu)化 · 遷移學(xué)習(xí)：TensorFlow HUB；模型壓縮· 圖像與視覺(jué)處理：經(jīng)典卷積網(wǎng)絡(luò)

  • 新增2019-11-01

    · 項(xiàng)目實(shí)訓(xùn)-“吃雞”玩家排名預(yù)測(cè) · 決策樹(shù)算法案例 · 邏輯回歸案例· 樸素貝葉斯案例

  • 新增2019-10-20

    · hanlp命名實(shí)體識(shí)別工具 · word2vector原理到應(yīng)用，文本的預(yù)處理前數(shù)據(jù)分析，添加ngram特征 · 文本數(shù)據(jù)增強(qiáng), 回譯數(shù)據(jù)增強(qiáng)法· 自然語(yǔ)言處理：文本分詞，命名實(shí)體識(shí)別，Word2Vector，文本數(shù)據(jù)分析

  • 新增2019-10-10

    · 機(jī)器學(xué)習(xí)經(jīng)典算法樸素貝葉斯 · 機(jī)器學(xué)習(xí)經(jīng)典算法支持向 · 聚類算法推導(dǎo)過(guò)程· SVM手寫數(shù)字識(shí)別案例

  • 新增2019-10-08

    · 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與Tensorflow框架 · 圖、會(huì)話、張量、OPTensorflow高級(jí)API，訓(xùn)練tf.MirroedStrategy · 導(dǎo)出tf.SavedModel等· 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與Tensorflow框架

  • 新增2019-08-20

    · 原始文本預(yù)處理, word2vec · fasttext多分類的應(yīng)用 · 并升級(jí)工程整合和實(shí)時(shí)服務(wù)· 自然語(yǔ)言處理：中文標(biāo)簽化系統(tǒng)項(xiàng)目

  • 新增2019-06-30

    · 召回策略算法代碼更新 · 排序策略算法代碼更新 · neo4j數(shù)據(jù)庫(kù)的應(yīng)用· 自然語(yǔ)言處理：泛娛樂(lè)推薦系統(tǒng)項(xiàng)目


點(diǎn)擊加載更多>>
2023.02.24 升級(jí)版本4.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2023.02.24

課程版本號(hào)

4.0

主要使用開(kāi)發(fā)工具

Linux+PyCharm+Scikit-Learn+Pytorch+Neo4j+Docker

主要培養(yǎng)目標(biāo)

以數(shù)據(jù)挖掘和NLP自然語(yǔ)言處理為核心方向，培養(yǎng)企業(yè)應(yīng)用型高精尖AI人才

課程介紹

人工智能ChatGPT開(kāi)發(fā)V4.0課程體系升級(jí)以企業(yè)需求為導(dǎo)向，專為培養(yǎng)和打造高級(jí)人工智能工程師、高含金量課程重磅推出，以業(yè)務(wù)為核心驅(qū)動(dòng)項(xiàng)目開(kāi)發(fā)，課程包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)框架Scikit-Learn和Pytorch，能夠解決企業(yè)級(jí)數(shù)據(jù)挖掘、NLP自然語(yǔ)言處理與CV計(jì)算機(jī)視覺(jué)實(shí)際問(wèn)題，通過(guò)理論和真實(shí)項(xiàng)目相結(jié)合，讓學(xué)生能夠掌握人工智能核心技術(shù)和應(yīng)用場(chǎng)景。并推出「六項(xiàng)目制」項(xiàng)目教學(xué)，通過(guò)六個(gè)不同類型和開(kāi)發(fā)深度的項(xiàng)目，使學(xué)員能夠全面面對(duì)大部分企業(yè)人工智能應(yīng)用場(chǎng)景。大型項(xiàng)目庫(kù)，多行業(yè)多領(lǐng)域人工智能項(xiàng)目課程，主流行業(yè)全覆蓋，其中項(xiàng)目課程包括了多行業(yè)13個(gè)場(chǎng)景的項(xiàng)目課程，讓學(xué)生達(dá)到大廠的項(xiàng)目經(jīng)驗(yàn)要求。課程消化吸收方面：V4.0在V3.0版本基礎(chǔ)上迭代更新，注重專業(yè)課的消化吸收，降低學(xué)習(xí)難度，提升就業(yè)質(zhì)量。

1

優(yōu)化Python系統(tǒng)編程，針對(duì)人工智能必須的Python高階知識(shí)體系重構(gòu)課程，增加基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)內(nèi)容

1

新增機(jī)器學(xué)習(xí)部分[數(shù)據(jù)挖掘項(xiàng)目實(shí)戰(zhàn)]，以多場(chǎng)景業(yè)務(wù)為背景，通過(guò)SQL和Pandas完成數(shù)據(jù)處理與統(tǒng)計(jì)分析，夯實(shí)使用機(jī)器學(xué)習(xí)解決數(shù)據(jù)挖掘問(wèn)題能力。

1

新增NLP方向[知識(shí)圖譜項(xiàng)目]，基于知識(shí)圖譜的多功能問(wèn)答機(jī)器人項(xiàng)目, 主要解決當(dāng)前NLP領(lǐng)域中大規(guī)模知識(shí)圖譜構(gòu)建的問(wèn)題和圖譜落地的問(wèn)題.知識(shí)圖譜的構(gòu)建主要分為知識(shí)構(gòu)建和知識(shí)存儲(chǔ)兩大子系統(tǒng). 包括知識(shí)構(gòu)建, 知識(shí)存儲(chǔ), 知識(shí)表達(dá), 路由分發(fā), 結(jié)果融合等實(shí)現(xiàn).最終呈現(xiàn)一個(gè)基于知識(shí)圖譜的問(wèn)答機(jī)器人。
新增[知識(shí)抽取項(xiàng)目]，該項(xiàng)目針對(duì)于泛娛樂(lè)場(chǎng)景下復(fù)雜業(yè)務(wù)關(guān)系進(jìn)行實(shí)體抽取，幫助企業(yè)構(gòu)建知識(shí)圖譜。

1

新增NLP方向 [ChatGPT技術(shù)深入淺出] 階段課程，以ChatGPT技術(shù)為導(dǎo)向，挖掘GPT1、GPT2、GPT3以及ChatGPT等GPT系列模型的背后原理，并基于GPT系列大型預(yù)訓(xùn)練語(yǔ)言模型，推出全新聊天機(jī)器人項(xiàng)目課程。

1

優(yōu)化NLP方向[NLP基礎(chǔ)課程]：修改文本數(shù)據(jù)增強(qiáng)方法，解決原始谷歌接口被限制調(diào)用的問(wèn)題；優(yōu)化Seq2Seq英譯法案例，修改原始代碼bug，提升模型的準(zhǔn)確率；新增FastText模型架構(gòu)介紹；加深FastText模型處理分類的問(wèn)題的原理理解；新增Word2Vec訓(xùn)練兩種優(yōu)化策略，加速模型快速收斂。

1

優(yōu)化計(jì)算機(jī)視覺(jué)CV基礎(chǔ)：圖像分類的經(jīng)典網(wǎng)絡(luò)，開(kāi)山之作ALexNet，VGGNet，GoogLenNet,ResNeT,ResNetV2,VGGRep,SeNet,輕量型網(wǎng)絡(luò)：mobileNet,shuffleNet,EfficientNet,模型微調(diào)，數(shù)據(jù)增強(qiáng)，cutmix,copypaste,mosaic,目標(biāo)檢測(cè)任務(wù)，IOU，Map,正負(fù)樣本設(shè)計(jì)，smoothL1損失，RCNN系列網(wǎng)絡(luò)架構(gòu)：RCNN，F(xiàn)astRCNN,FasterRCNN,MaskRCNN,FPN結(jié)構(gòu)，ROIpooling設(shè)計(jì)，anchor思想，RoiAlign設(shè)計(jì)，訓(xùn)練策略；yolo系列網(wǎng)絡(luò)V1-V8:DarkNet,yolo-FPN特征融合，passthrough融合方法，多尺度訓(xùn)練，IOU系列損失，DIOU，CIOU，SIOU等，輸出端的解耦，REP-PAN結(jié)構(gòu)，E-ELAN結(jié)構(gòu)，預(yù)測(cè)階段的BN設(shè)計(jì)，SPP和SPPF結(jié)構(gòu)

1

優(yōu)化智慧交通項(xiàng)目：目標(biāo)跟蹤方法，運(yùn)動(dòng)模型的設(shè)計(jì)，DBT和DFT初始化方法，JIT的加速方法，yoloV7目標(biāo)檢測(cè)，REP的使用，檢測(cè)輔助端的使用，E-ELAN的使用，backbone的實(shí)現(xiàn)，head結(jié)構(gòu)的實(shí)現(xiàn)，數(shù)據(jù)分析，數(shù)據(jù)預(yù)處理，數(shù)據(jù)增強(qiáng)，模型訓(xùn)練，預(yù)測(cè)與評(píng)估，車輛檢測(cè)，kalman的使用，預(yù)測(cè)和更新階段，KM算法的匹配，匈牙利算法，IOU匹配，級(jí)聯(lián)匹配，ReId特征提取，歐式距離，余弦距離，馬氏距離計(jì)算，目標(biāo)狀態(tài)更新，Deepsort算法目標(biāo)跟蹤，代價(jià)矩陣的設(shè)計(jì)，虛擬線圈的設(shè)計(jì)，線圈位置的獲取，雙線圈檢測(cè)車流量支持mac電腦的m1芯片和m2芯片的學(xué)習(xí)

1

友情提示更多學(xué)習(xí)視頻+資料+源碼，請(qǐng)加QQ：2632311208。

2022.01.20 升級(jí)版本3.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2022.01.20

課程版本號(hào)

3.0

主要培養(yǎng)目標(biāo)

以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，培養(yǎng)企業(yè)應(yīng)用型高精尖AI人才

主要使用開(kāi)發(fā)工具

Linux+PyCharm+DataSpell+Pytorch+Tensorflow+Neo4j+Docer+k8s

課程介紹

人工智能V3.0課程體系升級(jí)以企業(yè)需求為導(dǎo)向，專為培養(yǎng)和打造高級(jí)人工智能工程師、高含金量課程重磅推出，以業(yè)務(wù)為核心驅(qū)動(dòng)項(xiàng)目開(kāi)發(fā)，課程包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)框架Pytorch和TensorFlow，能夠解決企業(yè)級(jí)數(shù)據(jù)挖掘、NLP自然語(yǔ)言處理與CV計(jì)算機(jī)視覺(jué)實(shí)際問(wèn)題，通過(guò)理論和真實(shí)項(xiàng)目相結(jié)合，讓學(xué)生能夠掌握人工智能核心技術(shù)和應(yīng)用場(chǎng)景。并推出「六項(xiàng)目制」項(xiàng)目教學(xué)，通過(guò)六個(gè)不同類型和開(kāi)發(fā)深度的項(xiàng)目，使學(xué)員能夠全面面對(duì)大部分企業(yè)人工智能應(yīng)用場(chǎng)景。大型項(xiàng)目庫(kù)，多行業(yè)多領(lǐng)域人工智能項(xiàng)目課程，主流行業(yè)全覆蓋，其中項(xiàng)目課程天數(shù)占比為100天，包括了多行業(yè)13個(gè)場(chǎng)景的項(xiàng)目課程，讓學(xué)生達(dá)到大廠的項(xiàng)目經(jīng)驗(yàn)要求。課程消化吸收方面：V3.0在V2.0版本基礎(chǔ)上迭代更新，注重專業(yè)課的消化吸收，降低學(xué)習(xí)難度，提升就業(yè)質(zhì)量。

1

優(yōu)化優(yōu)化Python系統(tǒng)編程，針對(duì)人工智能必須的Python高階知識(shí)體系重構(gòu)課程

1

新增[數(shù)據(jù)處理與統(tǒng)計(jì)分析階段]，以Linux為基礎(chǔ)，通過(guò)SQL和Pandas完成數(shù)據(jù)處理與統(tǒng)計(jì)分析，為人工智能數(shù)據(jù)處理奠定技術(shù)基礎(chǔ)。

1

優(yōu)化優(yōu)化機(jī)器學(xué)習(xí)算法，每個(gè)算法都兼具使用場(chǎng)景，數(shù)學(xué)推導(dǎo)過(guò)程及參數(shù)調(diào)優(yōu)

1

新增[機(jī)器學(xué)習(xí)與多場(chǎng)景]，增加多場(chǎng)景案例實(shí)戰(zhàn)，包括用戶畫像，電商運(yùn)營(yíng)建模等多場(chǎng)景案例實(shí)戰(zhàn)

1

新增數(shù)據(jù)挖掘方向[百京金融風(fēng)控]項(xiàng)目，從反欺詐、信用風(fēng)險(xiǎn)策略、評(píng)分卡模型構(gòu)建等熱點(diǎn)知識(shí)，使得學(xué)員具備中高級(jí)金融風(fēng)控分析師能力。

1

新增數(shù)據(jù)挖掘方向[萬(wàn)米推薦系統(tǒng)]項(xiàng)目，從多數(shù)據(jù)源采集、多路召回、基于機(jī)器學(xué)習(xí)算法粗排算法與基于深度學(xué)習(xí)精排，解決了在大數(shù)據(jù)場(chǎng)景下如何實(shí)現(xiàn)完整推薦系統(tǒng)，使得學(xué)員可以具備企業(yè)級(jí)推薦項(xiàng)目開(kāi)發(fā)能力。

1

優(yōu)化深度學(xué)習(xí)基礎(chǔ)課由TensorFlow切換為Pytorch，面向零基礎(chǔ)同學(xué)更加友好

1

優(yōu)化NLP基礎(chǔ)課程Transform基礎(chǔ)和Attention注意力機(jī)制在原理之后增加英譯漢的案例，加強(qiáng)學(xué)生對(duì)基礎(chǔ)算法原理的理解

1

優(yōu)化NLP基礎(chǔ)課程遷移學(xué)習(xí)API版本變化問(wèn)題，優(yōu)化傳統(tǒng)序列模型算法原理

1

新增NLP方向[蜂窩頭條文本分類優(yōu)化]項(xiàng)目，增強(qiáng)學(xué)生NLP算法優(yōu)化方面技能

1

新增NLP方向[知識(shí)圖譜]項(xiàng)目，通過(guò)本體建模，知識(shí)抽取，知識(shí)融合，知識(shí)推理，知識(shí)存儲(chǔ)與知識(shí)應(yīng)用方面，學(xué)生可以掌握完整知識(shí)圖譜構(gòu)建流程。

1

新增[面試加強(qiáng)課]通過(guò)鞏固機(jī)器學(xué)習(xí)與深度學(xué)習(xí)基礎(chǔ)算法，加強(qiáng)核心算法掌握，增加數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)算法、動(dòng)態(tài)規(guī)劃算法、貪心算法等面試高頻算法題，加強(qiáng)多行業(yè)人工智能案例理解與剖析

1

刪除Ubuntu環(huán)境搭建開(kāi)發(fā)環(huán)境

2021.02.01 升級(jí)版本2.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2021.02.01

課程版本號(hào)

2.0

主要針對(duì)

python3 & python2

主要使用開(kāi)發(fā)工具

linux+PyCharm+Pytorch+Tensorflow+OpenCV+neo4j+Docer+k8s

課程介紹

AI理論方面: 通過(guò)新的開(kāi)發(fā)的文本摘要項(xiàng)目、傳智大腦項(xiàng)目, 提升學(xué)員復(fù)雜模型訓(xùn)練和優(yōu)化的能力。
AI工程化方面: 新增的算法工程化講座, 直接面向一線公司實(shí)際開(kāi)發(fā)場(chǎng)景和需求, 比如服務(wù)日志, A/B測(cè)試, Git提交, Docker, K8S部署等, 讓學(xué)員親臨公司場(chǎng)景, 求職后更好的無(wú)縫銜接進(jìn)企業(yè)級(jí)開(kāi)發(fā)。
AI新熱點(diǎn)和趨勢(shì): 通過(guò)增加量化、剪枝、知識(shí)蒸餾、遷移學(xué)習(xí)等一線優(yōu)化技術(shù), 讓學(xué)生有更多處理問(wèn)題的武器和思路；增加知識(shí)圖譜熱點(diǎn)、mmlab框架熱點(diǎn)、YOLO1~5算法系列，能更好的匹配業(yè)界需求。
課程消化吸收方面：V2.0在V.1.x版本基礎(chǔ)上迭代更新，注重專業(yè)課的消化吸收，降低學(xué)習(xí)難度，提升就業(yè)速度、就業(yè)質(zhì)量。

1

新增NLP方向【文本摘要項(xiàng)目】：自動(dòng)完成文本信息的主題提取，中心思想提取，可以類比京東，當(dāng)當(dāng)網(wǎng)的商品自動(dòng)宣傳文案；快速的將主要信息展示給用戶, 廣泛應(yīng)用于財(cái)經(jīng), 體育, 電商, 醫(yī)療, 法律等領(lǐng)域?；趕eq2seq + attention的優(yōu)化模型，基于PGN + attention + coverage的優(yōu)化模型，基于PGN + beam-search的優(yōu)化模型，文本的ROUGE評(píng)估方案和代碼實(shí)現(xiàn)：weight-tying的優(yōu)化策略、scheduled sampling的優(yōu)化策略。

1

新增AI基礎(chǔ)設(shè)置類項(xiàng)目【傳智大腦】，目前提供AI前端功能展示、AI后端模型部署、AI在線服務(wù)、AI模型訓(xùn)練功能等系統(tǒng)功能。AI開(kāi)發(fā)服務(wù)提供了信息中心網(wǎng)咨輔助系統(tǒng)，文本分類系統(tǒng)、考試中心試卷自動(dòng)批閱系統(tǒng)、CV統(tǒng)計(jì)全國(guó)開(kāi)班人數(shù)等系統(tǒng)；綜合NLP、CV和未來(lái)技術(shù)熱點(diǎn)。

1

新增CV方向【人流量統(tǒng)計(jì)項(xiàng)目】：以特定商場(chǎng)、客服場(chǎng)景對(duì)人流量進(jìn)行分析和統(tǒng)計(jì)。掌握mmlab框架、核心模塊MMDetection；resnet骨架網(wǎng)絡(luò)特征提取，SSD網(wǎng)絡(luò)和Cascade R-CNN網(wǎng)絡(luò)目標(biāo)檢測(cè)；利用剪枝，壓縮和蒸餾等方法減小模型規(guī)模；完成前后端部署（Flask + Gunicorn）、模型部署（ONNX-runtime技術(shù)）。

1

優(yōu)化NLP方向【AI在線醫(yī)生項(xiàng)目】: 兩個(gè)離線模型 (命名實(shí)體審核模型, 命名實(shí)體識(shí)別模型)的優(yōu)化，提升準(zhǔn)確率, 召回率，F(xiàn)1的效果。 一個(gè)在線模型 (句子主題相關(guān)模型)的優(yōu)化, 重在量化, 壓縮, 知識(shí)蒸餾, 提升處理速度并展示對(duì)比測(cè)試實(shí)驗(yàn)。

1

新增知識(shí)圖譜熱點(diǎn)案例：知識(shí)圖譜編程、深化neo4j中的cypher代碼, 相關(guān)案例。

1

新增計(jì)算機(jī)視覺(jué)目標(biāo)檢測(cè)熱點(diǎn)算法YoLov1~v5 V1~V5模型的網(wǎng)絡(luò)架構(gòu)、輸入輸出、訓(xùn)練樣本構(gòu)建，損失函數(shù)設(shè)計(jì)；模型間的改進(jìn)方法；多尺度檢測(cè)方法、先驗(yàn)框設(shè)計(jì)；數(shù)據(jù)增強(qiáng)方法、多種網(wǎng)絡(luò)架構(gòu)及設(shè)計(jì)不同模型的方法。

1

優(yōu)化計(jì)算機(jī)視覺(jué)專業(yè)課：RCNN系列網(wǎng)絡(luò)進(jìn)階課程：FasterRCNN目標(biāo)檢測(cè)的思想，anchor（錨框）設(shè)計(jì)與實(shí)現(xiàn)，掌握RPN網(wǎng)絡(luò)是如何進(jìn)行候選區(qū)域的生成的，掌握ROIPooling的使用方法掌握f(shuō)asterRCNN的訓(xùn)練方法，掌握RCNN網(wǎng)絡(luò)的預(yù)測(cè)方法。

1

新增AI算法工程化專題：10個(gè)子案例展示算法工程化中的實(shí)際工程問(wèn)題, 企業(yè)真實(shí)開(kāi)發(fā)中的問(wèn)題和解決方案。研發(fā), 測(cè)試環(huán)境的異同, 服務(wù)日志的介紹和實(shí)現(xiàn)， A/B測(cè)試，模型服務(wù)風(fēng)險(xiǎn)監(jiān)控，在線服務(wù)重要指標(biāo)，Git提交與代碼規(guī)范化，正式環(huán)境部署(Docker, K8S),，數(shù)據(jù)分析與反饋。

2020.6.1 升級(jí)版本 1.5

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2020.6.1

課程版本號(hào)

1.5

主要針對(duì)版本

python3 & python2

主要使用開(kāi)發(fā)工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

以周為單位迭代更新課程，包括機(jī)器學(xué)習(xí)、自然語(yǔ)言處理NLP、計(jì)算機(jī)視覺(jué)、AI算法強(qiáng)化等課程。同時(shí)為了更好的滿足人工智能學(xué)員更快速的適應(yīng)市場(chǎng)要求，推出了自然語(yǔ)言處理NLP案例庫(kù)、計(jì)算機(jī)視覺(jué)CV案例庫(kù)、面試強(qiáng)化題等等。同時(shí)也增加職業(yè)拓展課，學(xué)生學(xué)習(xí)完AI課程以后，可在職學(xué)習(xí)：推薦系統(tǒng)、爬蟲(chóng)、泛人工智能數(shù)據(jù)分析。

1

新增計(jì)算機(jī)視覺(jué)CV案例庫(kù)

1

新增自然語(yǔ)言處理案例庫(kù)

1

新增AI企業(yè)面試題

1

新增算法強(qiáng)化課程

1

新增計(jì)算機(jī)視覺(jué)強(qiáng)化課

2019.12.21 升級(jí)版本 1.0

課程名稱

人工智能AI進(jìn)階班

課程推出時(shí)間

2019.12.21

課程版本號(hào)

1.0

主要針對(duì)版本

Python3 & Python2

主要使用開(kāi)發(fā)工具

linux+PyCharm+Pytorch+Tensorflow

課程介紹

人工智能賦能實(shí)體產(chǎn)業(yè)的規(guī)模以每年40%的速度遞增，人工智能人才在計(jì)算機(jī)視覺(jué)CV、自然語(yǔ)言處理NLP、數(shù)據(jù)科學(xué)的推薦廣告搜索的需求越來(lái)越明確。傳智教育研究院經(jīng)過(guò)2年潛心研發(fā)，萃取百余位同行經(jīng)驗(yàn)，推出全新的人工智能1.0課程。全新的人工智能課程體系具有以下優(yōu)勢(shì)：
1）六個(gè)月高級(jí)軟件工程師培訓(xùn)課程。精準(zhǔn)定位、因材施教，人工智能和Python開(kāi)發(fā)分成兩個(gè)不同的班型進(jìn)行授課。
2）理論+實(shí)踐培養(yǎng)AI專精型人才。如何培養(yǎng)人才達(dá)到企業(yè)的用人標(biāo)準(zhǔn)？傳智教育提出了課程研發(fā)標(biāo)準(zhǔn)：1、AI理論方面，培養(yǎng)學(xué)員AI算法研究能力：AI算法實(shí)用性、先進(jìn)性、可拓展性；2、AI實(shí)踐方面，培養(yǎng)學(xué)員利用AI理論解決企業(yè)業(yè)務(wù)流的能力。
3）多領(lǐng)域多行業(yè)項(xiàng)目，全生態(tài)任性就業(yè)。設(shè)計(jì)多領(lǐng)域多行業(yè)項(xiàng)目有：智能交通項(xiàng)目（CV）、 實(shí)時(shí)人臉檢測(cè)項(xiàng)目（CV）、在線AI醫(yī)生項(xiàng)目（NLP）、智能文本分類項(xiàng)目（NLP）、泛娛樂(lè)推薦項(xiàng)目（CV+推薦）、CT圖像肺結(jié)節(jié)自動(dòng)檢測(cè)項(xiàng)目（CV）、小智同學(xué)-聊天機(jī)器人（NLP）、場(chǎng)景識(shí)別項(xiàng)目（CV）、在線圖片識(shí)別-商品檢測(cè)項(xiàng)目（CV）、黑馬頭條推薦系統(tǒng)（推薦+數(shù)據(jù)科學(xué)）。
4）AI職業(yè)全技能（NLP、CV、數(shù)據(jù)科學(xué)-推薦廣告搜索）,涵蓋8大主流就業(yè)崗位。視覺(jué)處理工程師（CV）、自然語(yǔ)言處理工程師（NLP）、推薦系統(tǒng)工程師、機(jī)器學(xué)習(xí)工程師、深度學(xué)習(xí)工程師、數(shù)據(jù)分析工程師、數(shù)據(jù)挖掘工程師、知識(shí)圖譜工程師。
5）課程設(shè)置科學(xué)合理，適合AI技術(shù)初學(xué)者。
6）技術(shù)大牛傾力研發(fā)，專職沉淀AI新技術(shù)。

1

新增機(jī)器學(xué)習(xí)進(jìn)階課程

1

新增計(jì)算機(jī)視覺(jué)項(xiàng)目：實(shí)時(shí)人臉檢測(cè)項(xiàng)目、智能交通項(xiàng)目

1

新增自然語(yǔ)言處理NLP項(xiàng)目：在線AI醫(yī)生項(xiàng)目、智能文本分類項(xiàng)目

1

新增算法強(qiáng)化課程：進(jìn)化學(xué)習(xí)、分布式機(jī)器學(xué)習(xí)、數(shù)據(jù)結(jié)構(gòu)強(qiáng)化

 
和我們?cè)诰€交談！