2018人工智能深度学习算法和实战集训营（10月贵阳班）已截止报名
推荐参加：2024PM产品力领航者大会

会议时间： 2018-10-26 08:00至 2018-10-28 18:00结束

会议地点：贵阳详细地址会前通知周边酒店预订

会议规模：50人

主办单位：数环云创（北京）科技有限公司大数据产业培训基地

行业热销热门关注看了又看换一换

会议介绍
会议内容主办方介绍

2018人工智能深度学习算法和实战集训营（10月贵阳班）宣传图

各有关单位：

近年来，人工智能经历了从爆发到寒冬再到野蛮生长的历程，伴随着人机交互、机器学习、模式识别等人工智能技术的提升，机器人与人工智能成了这一技术时代的新趋势。云计算和大数据的蓬勃发展更使得人工智能迎来了新的契机，在互联网、汽车、智能家居，机器人等各领域，人工智能在进行着“井喷式”创新，并即将进入发展的‘黄金时代’。人工智能，不是取代而是一种演化与升级，它终将也会像其他技术革命一样，让人类强大，让世界上的不可能减少，让我们可以创造更多美好。当无人超市出现在街头，当AI程序“AlphaGo”战胜了人类围棋世界冠军，当汽车开启了“无人驾驶”新时代，不论人们对于人工智能是怀抱对未来的憧憬还是对是否会引发“失业潮”的担忧，它都已“入侵”我们的很多生活细节，并且正在逐渐改变整个人类社会的发展方向。人工智能的兴起是大数据、云计算科学进步的产物，也是人类对未来世界向往的必然，人工智能显然已经成为中国所有主流科技公司不能忽视的力量。因此大数据产业培训基地特推出了“人工智能进阶高级实战培训”，本次培训由数环云创（北京）科技有限公司具体承办，望相关单位收到通知后积极参加。相关培训事宜如下:

为顺应未来人工智能的发展趋势，大数据产业培训基地成立了AI人工智能学院，立足自身多年培训资源、结合自身特色，为一步推进人工智能核心技术的研发和产业化，建立人工智能实训基地，努力打造成为国内前沿的人工智能线下培训体系，旨在为人工智能领域的创新企业提供高端、复合型人才。对于AI领域的从业者来说，人工智能、机器学习和深度学习之间的差别应该非常清楚，机器学习则是人工智能领域的一个小分支，如果说AI是一个合集，那么ML就是AI的子集。机器学习在公司数据处理中扮演了一个很重要的角色。机器学习也是目前最接近人工智能的系统。人工神经网络是一种拟人数据处理模式。它是深度学习的基础，深度学习是一种使用深度神经网络进行大量数据构建的系统。人工智能，机器学习与深度学习都离不开大数据。人工智能的未来在于深度学习，因为它已经使很多机器学习的应用成为了可能。一个很好的例子便是使用深度学习进行图片识别，其表现在一定程度上已经超过了人类。我们已经在一个科技逐步迎合人类需求的时代，人工智能的未来拥有无限的可能性。

培训时间：

2018年9月14—16号周五、周六、周日（13号培训报到）成都

2018年10月26—28号周五、周六、周日（25号培训报到）贵阳

培训目标：

1)深入理解神经网络结构和实践技巧。

2)掌握工业级实用技术：深度神经网络压缩！

3)深入理解深度卷积神经网络和实践技巧。

4)深入理解图像搜索前沿技术。

5)掌握一线互联网公司深度学习项目研发思路：以大规模车辆重识别系统为例

6)深入理解Word2Vec、RNN/LSTM/GRU和Seq2Seq模型

7)算法原理+实践代码，手把手带你玩转深度学习模型！

培训对象：

1)想入门深度学习者

2)深度学习的入门选手，想进一步提升原理理解和实践者

3)看了大量的公开课、教程却还是似懂非懂者

4）大学本科生、研究生想收割一线互联网深度学习研发offer者

5）想转行从事人工智能行业的学习者

数环云创（北京）科技有限公司

数环云创（北京）科技有限公司成立于2015年3月，是一家初创的新型互联网科技企业，公司目前致力于IT领域的信息化培训与项目咨询、企业大数据实施与技术服务的解决方案提供商。

大数据产业培训基地

会议日程（最终日程以会议现场为准）

会议议程：

日程	课程主题	主要内容
第一天	神经网络基础（上午）	1、线性分类器 a. 线性分类器的基本结构 b. 典型的分类损失函数 c. 理解向量点积的物理意义 d. 梯度下降算法 2、非线性分类器——神经网络 a. 神经网络的基本结构 b. 神经网络的前向传递和反向传播 c. 深入理解反向传播——数学推导和物理意义 d. 神经网络的正则化——Dropout e. 神经网络的调参实践 3、作业/实践：使用TensorFlow/Keras快速搭建神经网络进行图像分类
第一天	工业级实用技术——深度神经网络模型压缩（下午）	1、神经网络模型压缩动机 a. 数十倍降低模型大小 b. 不降低模型分类准确率 c. 大大加快模型预测时间 2、深度压缩技术 a. 神经网络剪枝 b.Deep Compression原理解析 c. Dense-Sparse-Dense(DSD)框架 3、知识蒸馏/暗知识/Teacher-Student模型 a. Soft Targets及其物理意义 b.使用Soft Targets和Hard Targets进行知识蒸馏 c.从Noisy Teacher中学习 4、作业/实践：使用TensorFlow/Keras进行神经网络压缩
第二天	深度卷积神经网络原理与Kaggle比赛案例（上午）	1、卷积神经网络原理 a. 理解卷积操作的本质及其物理意义 b. 局部连接和参数共享 c. 理解卷积层的参数计算和输出大小 d. 卷积神经网络的宏观理解 2、卷积神经网络实践案例 a. 百行代码实现Kaggle图像分类竞赛Top-5% b. 迁移学习技术 c. 快速提升竞赛排名的实用技巧 3、卷积神经网络在物体检测上的应用 a. 重新认识感受野及其计算方式 b. 从R-CNN到Fast R-CNN再到Faster R-CNN
第二天	基于深度学习的图像搜索(CBIR)技术前沿（下午）	1、基于视觉单词模型的图像搜索 a. 词袋模型 b. 计算机视觉中的词袋模型 c. 应用词袋模型构建图像搜索系统 d. 空间金字塔模型 e. 近似近邻查询技术：使用KD-Tree和LSH加快搜索性能 2、基于深度学习技术的图像搜索 a. 基于无监督的图像搜索模型： Autoencoder和DenoisingAutoencoder b. 基于有监督的图像搜索模型：ConvNets c. 应用ConvNets作图像搜索任务的实践经验 d. 初识Triplet Loss e. 深度哈希卷积神经网络 3、作业/实践：使用Autoencoder和ConvNets构建图像搜索系统
第三天	工业级图像搜索案例——大规模车辆图片搜索和重识别（上午）	1、训练ConvNets的实用技巧和经验 2、深入理解Triplet Loss以及训练技巧 3. 手把手教你搭建工业级大规模车辆重识别系统 a. Step 1：使用ConvNets构建Baseline b. Step 2：基于多任务学习的技术框架 c. Step 3：基于Triplet Loss的多任务网络架构 d. Step 4：效果还能再提升吗？ 3、作业/实践：使用TensorFlow/Keras由浅入深搭建大规模车辆图片搜索系统
第三天	从Word2Vec到RNN、LSTM，再到Seq2Seq模型	1、循环神经网络（RNN） a. 词向量模型：Word2Vec b. RNN网络结构 c. 理解LSTM和GRU 2、基于RNN的Seq2Seq模型 a. Encoder-Decoder结构 b.使用Seq2Seq解决机器翻译任务 c. Beam Search思想 d. 更强的Seq2Seq：注意力机制 3、Seq2Seq模型实践注意事项 a. 理解RNN/LSTM的输入 b. Seq2Seq模型的训练阶段 c. Seq2Seq模型的Inference阶段 6、作业/实践：使用Seq2Seq构建机器翻译模型