一、 培训收益

课程中通过细致讲解，使学员掌握该技术的本质。具体收益包括：

1. 回归算法理论与实战；

2. 分类算法理论与实战；

3. 降维算法理论与实战；

4. 聚类算法理论与实战；

5. 神经网络算法；

6. Tensorflow DNN CNN构建；

7. 基于OpenCV计算机视觉识别；

8. 从0到1完成知识图谱构建；

9. 通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。

二、 培训特色

本次培训从实战的角度对深度学习技术进行了全面的剖析，并结合实际案例分析和探讨深度学习的应用场景，给深度学习相关从业人员以指导和启迪。

三、 日程安排

机器学习基础

1. 机器学习的开发过程

2. 监督学习的处理模式

3. 无监督学习的处理模式

4. 机器学习模型的开发步骤

5. 机器学习模型开发的要点

机器学习实战

1. 分类

2. 回归

3. 时间序列分析

4. 关联分析

5. 聚类与降维

深度学习基础

1. 神经元与神经网络

2. 激活函数的点火机制

3. Sigmoid函数与参数优化

4. 梯度下降法

5. 简单感知机

6. 多层感知机

7. Tensorflow实现感知机

8. Keras实现感知机

9. PyTorch实现感知机

深度学习进阶

1. 前馈神经网络

2. 误差反向传播

3. 创建神经网络

4. Fashion-MNIST图像识别

5. TensorFlow构建图像识别网络模型

6. Keras构建图像识别网络模型

7. PyTorch构建图像识别网络模型

卷积神经网络与图像识别

1. 卷积神经网络的结构

2. 基于TensorFlow构建CNN

3. 基于Keras构建CNN

4. 基于PyTorch构建CNN

一般物体的图像识别

1. 多分类数据集CIFAR-10介绍

2. CNN识别普通物体的结构

3. 基于TensorFlow + CNN构建物体识别模型

4. 基于Keras + CNN构建物体识别模型

5. 基于PyTorch + CNN构建物体识别模型

6. 模型调优提高物体识别精度

循环神经网络

1. RNN基本结构

2. LSTM文章生成

3. GRU图像生成

4. VEA图像生成

5. GAN图像生成

Open CV与图像识别

1. OpenCV安装

2. 基于OpenCV物体检测

3. 图像检测与图像保存

知识图谱概述

1.知识图谱（KG）概念

2.知识图谱的起源与发展

3.典型知识图谱项目简介

4.知识图谱技术概述

5.知识图谱典型应用

知识存储

1. 知识图谱数据库

2. 知识图谱存储方法

3. 基于Neo4j的知识存储实践

4. 开源知识存储工具理论与实践

知识图谱案例

基于Neo4j人物关系知识图谱存储与检索

GYM与强化学习

1. GYM安装与游戏奖罚设置

2. 强化学习的与众不同

3. 马尔科夫性质与决策过程

4. SARSA 算法介绍与推导

5. 蒙特卡洛多步采样

基于DQN神经网络构建

1. CartPole规则与演示

2. Q-Table局限性

3. 爬山算法获取最优解

4. DQN 强化神经网络

5. DQN原理分析

6. 强化学习模型部署与应用