日韩av免费网站毛片在线_一夲道无码无卡免费视频_av无码一区二区三区_日韩大陆欧美高清视频区

當前位置: 首頁 > 內(nèi)訓課程 > 課程內(nèi)容
廣告1
相關熱門公開課程更多 》
相關熱門內(nèi)訓課程更多 》
相關最新下載資料

人工智能應用及項目案例分析

課程編號:34602

課程價格:¥21200/天

課程時長:2 天

課程人氣:528

行業(yè)類別:行業(yè)通用     

專業(yè)類別:管理技能 

授課講師:胡忠

  • 課程說明
  • 講師介紹
  • 選擇同類課
【培訓對象】


【培訓收益】


一.人工智能技術和應用場景的介紹。
a)圖像處理,圖像識別
i.日常生活中的刷臉,人臉識別,火車進站等
ii.公安局的天網(wǎng)系統(tǒng)
b)語音處理,語音識別
i.科大訊飛語音輸入法的場景
ii.搜狗智能機器翻譯筆的應用場景
c)自然語言處理,文本挖掘
i.搜索推薦引擎的應用場景
ii.抖音推薦引擎的應用場景
二.常見人工智能的算法,主流的應用構建方法。
a)神經(jīng)網(wǎng)絡,神經(jīng)元,感知機
b)卷積神經(jīng)網(wǎng)絡CNN
c)循環(huán)神經(jīng)網(wǎng)絡RNN
d)Transformer和Attention機制
e)圖計算神經(jīng)網(wǎng)絡

三.主流機器學習框架介紹
a)谷歌公司開發(fā)的Tensorflow框架
b)臉書公司開發(fā)的Pytorch框架
c)微軟公司開發(fā)的MxNet框架
d)百度公司開發(fā)的paddlepaddle框架

四.針對機器學習場景能夠更好的應用相關工具進行分析與處理
a)圖像識別的應用場景
i.人臉識別,車輛識別
ii.智慧課堂,智慧商店,智慧物流,智慧檢測
iii.手機銀行,支付寶刷臉支付
b)語音識別的應用場景
i.智能音箱,智能客服
ii.語音輸入法,智能翻譯
iii.聲紋識別
c)自然語言處理的應用場景
i.搜索引擎—百度,搜狗,淘寶
ii.推薦引擎—今日頭條, 抖音
iii.機器翻譯—搜狗翻譯筆,谷歌翻譯

第二天上午:
騰訊智能音箱、騰訊智能問答技術案例
內(nèi)容簡介:
知識圖譜( Knowledge Graph)以結構化的形式描述客觀世界中概念,實體及其關系,便于計算機更好的管理,計算和理解互聯(lián)網(wǎng)海量文本信息。Topbase是由TEG-AI平臺部構建并維護的一個專注于通用領域知識的知識圖譜。其覆蓋51個領域的知識,涉及226種概念類型,共計1億多個實體,三元組數(shù)量達22億多。目前,Topbase主要服務于微信搜一搜,信息流推薦以及智能問答產(chǎn)品。本次分享主要梳理Topbase構建過程中的重要技術經(jīng)驗,介紹如何從0到1構建一個知識圖譜,希望對圖譜建設者們能有一定的借鑒意義。

課程收益:
通過本課程,可以學習到:
1.知識圖譜的基本概念和應用場景
2.知識圖譜系統(tǒng)的整體技術框架
3.知識更新和知識抽取的關鍵技術
4.實體分類和實體對齊的關鍵技術
5.知識關聯(lián)和推理的關鍵技術

課程大綱:
1.什么是知識圖譜(Topbase)
2.知識圖譜構建的整體框架
3.知識圖譜的數(shù)據(jù)更新和抽取
4.實體分類和實體對齊
5.知識圖譜的數(shù)據(jù)關聯(lián)和推理
6.實體流行度計算
7.知識圖譜的存儲和查詢

第二天下午:機器學習閉環(huán)系統(tǒng)設計方法
目 錄
機器學習閉環(huán)系統(tǒng)設計方法 1
第一章. 機器學習和深度學習系統(tǒng)設計方法論 1
第二章. 機器學習和深度學習人工智能的常見開發(fā)流程 1
第三章. 機器學習的離線訓練 1
第四章. 機器學習的在線預測 2
第五章. 機器學習模型的線上實時反饋機制 2
第六章. 人工智能整體是一個復雜,反饋的系統(tǒng)工程 2


第一章. 機器學習和深度學習系統(tǒng)設計方法論
a)機器學習和深度學習的概念和區(qū)別
b)人工智能算法工程師的日常工作流程
c)傳統(tǒng)機器學習的系統(tǒng)設計方法
d)人工智能時代深度學習的系統(tǒng)設計方法
第二章. 機器學習和深度學習人工智能的常見開發(fā)流程
a)洞悉公司業(yè)務業(yè)務邏輯痛點,抽象出計算機解決方法方案
b)數(shù)據(jù)清洗和預處理
c)構建數(shù)據(jù)集,數(shù)據(jù)特征工程
d)模型選擇,模型訓練,模型評估,模型測試
e)開線效果評估
f)線上開發(fā)性能測試,運行上線

第三章. 機器學習和深度學習實用環(huán)境搭建方法和實踐
a)以做NLP的文本分類項目為例
b)安裝相應的環(huán)境依賴的python工具包,如sklearn,keras,numpy,pandas等
c)安裝深度學習框架,安裝tensorflow或者pytorch
d)安裝GPU顯卡加速支持的驅(qū)動,如cuda驅(qū)動等
e)從業(yè)務拉取數(shù)據(jù),構建數(shù)據(jù)集,數(shù)據(jù)特征工程
f)選擇合適的算法模型,進行訓練,觀察每一輪訓練的準確率和召回率
g)進行訓練過后的效果評估
第四章. 機器學習的離線訓練
e)模型選擇的標準
f)網(wǎng)格搜索,交叉驗證法,留出法
g)面臨的問題:類目樣本不均衡,樣本數(shù)量不夠,樣本質(zhì)量不佳,如何解決?
i.類目不均衡:Facol Loss
ii.樣本數(shù)量不夠:數(shù)據(jù)增強
iii.樣本質(zhì)量不佳:
h)模型衡量標準:準確率,召回率,F(xiàn)1,AUC和ROC的概念
第五章. 機器學習的在線預測
a)高并發(fā),低延時
b)灰度測試,A/B Test 分桶對比
c)效果好壞標準:CTR點擊率,平均停留時長,PV/UV變化等
第六章. 機器學習模型的線上實時反饋機制
a)在線實時反饋
b)在線學習微調(diào)機制
第七章. 人工智能整體是一個復雜,反饋的系統(tǒng)工程 

咨詢電話:
0571-86155444
咨詢熱線:
  • 微信:13857108608
聯(lián)系我們