参会报名
会议介绍
会议日程
会议嘉宾
参会指南
手机下单

首页 > 商务会议 > IT互联网会议 > 4月Python人工智能之Pytorch深度学习高级实战远程直播研修班更新时间：2020-03-23T16:43:43

收藏3人

分享到

4月Python人工智能之Pytorch深度学习高级实战远程直播研修班已截止报名
推荐参加：MTSC2024第十三届中国互联网测试开发大会·上海站

会议时间： 2020-04-10 19:30至 2020-04-10 22:30结束

会议地点：线上活动

主办单位：中科图云

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

4月Python人工智能之Pytorch深度学习高级实战远程直播研修班宣传图

一、课程简介

PyTorch是一个开源的Python机器学习库，用于自然语言处理等应用程序，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包；目前已经成为深度学习领域的主流框架。为了加强数据科学的创新发展和技术应用，打造人工智能与大数据专业技术人才队伍，全面掌握机器学习、深度学习原理，理解编程实现方法，对机器学习、深度学习运作机制有清晰全面的认识，我单位结合疫情期间的特殊情况，将于近期举办“Python人工智能之Pytorch深度学习高级实战”研修班。

二、课程目标

1，掌握深度强化学习的Pytorch运行环境搭建，并通过实际的案例进行解释，掌握Pytorch在该领域（计算机视觉、语音识别、自然语言处理等）最关键技术的原理以及技术应用过程；掌握神经网络算法；理解算法应用场景；通过项目化的教学方式入手讲解知识点，理论结合实操，带领学员完成实际应用任务。

2，通过实际项目案例掌握该技术的实际应用掌握深度强化模型训熟练掌握深度学习核心技术、主要模型、实践技巧，掌握数据价值的深度挖掘；理解深度强化的思维方式和关键技术，初步胜任使用Pytorch进行深度学习工作。

三、课程特点

1，培训采用全案例教学模式，不仅适合零基础的初学者，同时也适合经验较为丰富的操作者。

2，课程强调动手操作；内容以代码落地为主，以理论讲解为根，以公式推导为辅。讲解深度强化学习的模型理论和代码实践，从根本上解决如何使用模型、优化模型的问题。

3，课程重视代码实践，使用金融、气象、农业、交通、安防等工业界实际数据（数据已脱敏）进行深度与强化学习模型的落地应用。

四、课程对象

各高等院校大数据相关学科、计算机、软件、信息管理、统计、电子商务、金融、工商管理、数理统计专业等科研、教学带头人，骨干教师、博士生、硕士生。

中科图云

会议日程（最终日程以会议现场为准）

培训内容

第一天	第1讲：机器学习简介及PyTorch基础	1. 机器学习简介 2. Python及其机器学习、深度学习工具栈 3. 机器学习应用案例（分类、回归、聚类等） 4. PyTorch简介 5. PyTorch基础概念之Tensor 6. PyTorch基础概念之autograd 7. TensorBoard与visdom简介
第一天	第2讲：深度神经网络与PyTorch	1. 深度学习简介 2. PyTorch的神经网络工具箱 3. 逻辑回归及其PyTorch实现 4. 感知器及其PyTorch实现 5. 前馈神经网络与反向传播算法 6. PyTorch与个性化数据集 7. 深度学习训练技巧 8. 案例： 8.1 手写数字识别 8.2 物品识别 8.3 CIFAR-10图像分类 8.4 使用神经网络进行房价预测
第二天	第3讲：卷积神经网络及其PyTorch实现	1. 卷积神经网络基础 2. PyTorch中的卷积神经网络 2.1 卷积操作 2.2 功能操作（激活函数、池化操作等） 2.3 卷积神经网络的训练 3. 几种经典的卷积神经网络架构 3.1 LeNet-5 3.2 AlexNet 3.3 VGG 3.4 GoogleNet 3.5 ResNet 4. 卷积神经网络应用案例及其PyTorch实现 4.1 新闻文本分类案例解析 4.2 图像分类案例解析 4.3 风格迁移案例解析
第二天	第4讲：循环神经网络及其PyTorch实现	1. 循环神经网络（RNN）基本概念 2. 基础RNN及其PyTorch实现 3. 循环神经网络的训练 4. 循环神经网络的变体 4.1 LSTM 4.2 GRU 5. 循环神经网络应用案例 5.1 自然语言处理之词嵌入 5.2 机器翻译
第三天	第5讲：生成式深度学习与深度强化学习及其PyTorch实现	1. 生成式深度学习简介 2. 自编码器 2.1 栈式自编码器的PyTorch实现 2.2 降噪自编码器的PyTorch实现 2.3 稀疏自编码器的PyTorch实现 2.4 变分自编码器的PyTorch实现 3. 案例：利用变分自编码器进行图像生成 4. 生成对抗网络（GANs）基础及其PyTorch实现 5. 常见的生成对抗网络架构 5.1 DCGAN 5.2 CGAN 5.3 CycleGAN 6. 生成对抗网络应用案例 6.1 卡通头像生成案例解析 6.2 图像补全案例解析 6.3 自然语言处理中的生成对抗网络应用 7. 深度学习与强化学习 8. 案例：利用深度Q-Learning进行吃豆人游戏
第三天	第6讲：更多深度学习主题及案例	1. 使用深度学习解决计算机视觉问题 2. 目标检测与语义分割 3. 案例：利用深度学习进行肺炎自动分割 4. 案例：利用深度学习进行钢材缺陷检测 5. 案例：利用LSTM进行文本生成 6. 案例：深度梦境（DeepDream）的PyTorch实现 7. PyTorch调试最佳实践 8. 深度学习的分布式训练

会议嘉宾（最终出席嘉宾以会议现场为准）

尹老师，数据科学家，浙江大学物理学博士，浙江某高校深度学习研究中心负责人，深度学习领域一线实战专家，兼任某网络科技上市公司大数据总监，受聘担任多家大数据教学机构主讲教师，开发多套python机器学习、网络爬虫与文本挖掘系列课程，10+年软件开发数据产品经验，熟悉R\Python\Javascript等多种编程语言，目前研究集中在推荐系统、文本挖掘、神经网络等深度学习领域，具有丰富的统计建模、数据挖掘、大数据技术教学经验。