大模型AIGC培训讲师人工智能培训讲师叶梓Python深度学习与AIGC培训提纲

【课程时长】

8天（6小时/天）

【课程简介】

随着AIGC（基于AI的内容生成）技术的崛起，以ChatGPT为代表的人工智能技术正引领全球科技潮流。为了帮助学员更好地理解和应用这一技术，特推出了本课程。

本课程从基础开始，深入浅出地讲解Python数据分析、机器学习等核心概念，以及各种常用经典算法，如：决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机等。同时，我们还将介绍知识图谱、Transformer、大模型和多模态等前沿技术。

通过为期8天的系统学习，我们将结合实际案例进行讲解和实践操作，帮助学员逐步掌握人工智能的核心知识和技能。无论是初学者还是有一定基础的学员，本课程都将为学员们打开一扇通往人工智能知识殿堂的大门，让学员们在未来的科技领域中更具竞争力。

【课程收益】

• 掌握Python开发技能
• 掌握深度学习工具：TensorFlow、Keras、pytorch等
• 掌握数据挖掘与机器学习进阶知识
• 掌握深度学习的理论与实践
• 掌握知识图谱基本知识
• 掌握transformer的理论知识
• 掌握大模型的理论与实践
• 掌握多模态技术的理论与实践
• 为学员的后续项目应用提供针对性的建议

【课程特点】

本课程力图理论结合实践，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习、深度学习理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。

【课程对象】

计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。

【主讲专家】

叶梓，博士、高级工程师。2005年上海交通大学计算机专业博士毕业，主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。曾主持设计并搭建上海市卫计委卫生大数据平台、无锡市卫生大数据平台，在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇，在中文核心期刊上发表论文近20篇，并被百度学术收录。2011年获中国医院协会科技创新一等奖。

【学员基础】

学员应初步了解Python的基本语法，包括：引入外部包；常用的数据结构；定义函数；面向对象编程；文件读写；访问数据库；可视化的界面展示等。

【准备工作】

1、anaconda包的安装，并配置多个环境

2、pip install的技巧

3、Jupyter Notebook的使用

4、opencv的安装

5、Tensorflow的安装和Pytorch的安装

【课程大纲】（培训内容可根据客户需求调整）

时间	内容	案例实践与练习
Day1上午 预处理与回归	数据预处理 数据清理 规范化 模糊集与粗糙集 无标签时：PCA 有标签时：Fisher线性判别 数据压缩（DFT、小波变换） 回归与时序分析 线性回归 非线性回归 logistics回归 LASSO 岭回归 Elastic Net	案例实践： 数据清洗的例子 PCA的实验 DFT的实验 LASSO与岭回归 Elastic Net
Day1下午 基于python实现的经典算法	决策树模型 分类和预测 熵减过程与贪心法 ID3 C4.5 其他改进方法 决策树剪枝 聚类 监督学习与无监督学习 K-means与k-medoids 层次的方法 基于密度的方法 基于网格的方法 孤立点分析	案例实践： 决策树的实验 鸢尾花数据的聚类 手肘法分析最佳聚类个数 各种聚类方式的图形化展示
Day2上午 基于python实现的经典算法	关联规则 频繁项集 支持度与置信度 提升度 Apriori性质 连接与剪枝 性能评价指标 精确率； P、R与F1 ROC与AUC 对数损失 泛化性能评价：k折验证验证 BP神经网络 人工神经元及感知机模型 Sigmoid激活函数 前向神经网络的架构 梯度下降 误差反向传播详解	案例实践： 超市购物篮——关联规则分析 朴素贝叶斯案例：皮马印第安人患糖尿病的风险 案例实践： 皮马印第安人糖尿病风险：验证多种模型 绘制ROC并计算AUC 手算神经网络BP算法 只用numpy，手推BPNN
Day2下午 SVM与深度学习基础	支持向量机 “双螺旋”问题 基本模型与惩罚项 求解对偶问题 核函数：映射到高维 从二分类到多分类 用于连续值预测的支持向量机 深度学习基础 连接主义的兴衰 深度学习与神经网络的区别与联系 目标函数与激励函数 学习步长 权重初始化 权重衰减（Weight Decay） 梯度下降的方法：Adagrad \ RMSprop \ Adam 避免过适应	案例实践： SVM实现人脸识别应用 通过深度BP网络实现手写数字的识别 各种梯度下降方法的实战效果 Batch normalization的实战效果
Day3上午 CNN与目标检测	图像分类CNN 图像分类概述 AlexNet与ZF-Net 卷积层的误差反向传播 池化层的误差反向传播 VGG（5层变为5组） 迁移学习 GoogLenet和Inception模块 模型退化与ResNet DenseNet（充分利用特征） 最新的efficientnet 二阶段目标检测 目标检测项目介绍 R-CNN SPPNET（全图卷积、SPP层） Fast-RCNN（多任务） Faster-RCNN（RPN）	案例实践： VGG各层的可视化展现 迁移学习：阿猫与阿狗 Resnet用于图像分类 基于Faster-RCNN的通用目标检测示例 改造成“血细胞识别”系统

原文地址：https://blog.csdn.net/weixin_44292902/article/details/144137794

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！