2020深度学习模型& Tensorflow框架实践培训(2月上海班)

【会议日程】 【会议介绍】

---

认证方式： 培训前了解能力模型。 培训后进行能力评测： 在线考试 能力分析，给出学习建议 合格者颁发证书，作为职业技能资格证明

---

人工智能（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是一门极富挑战性的科学，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的.
本次课程，将介绍大数据及人工智能重要技术深度学习模型开发及实践。并结合TensorFlow深度学习框架，讲解如何实现具体的深度学习模型，进行具体的计算和结果应用

培训目标：

• 深度学习模型应用常见应用场景
• 深度学习模型基础技术栈
• 深度学习模型常见的难点
• 基于深度学习框架TensorFlow进行深度学习模型案例实现

培训对象

• 希望了解深度学习模型的人员
• 希望了解深度学习模型技术的人员
• 正在工作中面临深度学习模型问题的架构师，分析师等

学员基础：了解人工智能基本概念，最好了解Python开发语言 授课方式： 定制课程 + 案例讲解 + 小组讨论，60%案例讲解，40%实践演练 培训内容：2天

主题	课程安排
深度学习基本原理	1、深度学习简介 2、深度学习成功应用 3、深度学习与神经网络的对比 4、深度学习的训练过程 5、深度学习的具体模型 自动编码器 稀疏自动编码器 降噪自动编码器 6、深度学习应用案例
深度学习模型原理解析	1、CNN CNN模型的推导与实现 CNN的反向求导及练习 CNN应用：文本分类 CNN 常见问题总结 2、RNN RNN模型的推导与实现 RNN的反向求导及练习 RNN应用：个性化电影推荐 RNN常见问题总结 3、LSTM LSTM模型的推导与实现 LSTM的反向求导及练习 LSTM应用：文本识别 LSTM常见问题总结 4、DNN DNN模型的推导与实现 DNN的反向求导及练习 DNN应用：CTR预估 DNN常见问题总结 5、广告搜索中深度学习的应用 查询意图识别：CSR 文本相关性：Word2Vec。DSSM CTR预估：DNN、MxNet 图像理解：VGGNet、CNN
深度学习框架实践Tensorflow	1、Tensorflow框架介绍 2、TensorFlow和其他深度学习框架的对比 3、Tensorflow 特性 4、Tensorflow 下载及安装 5、Tensorflow 架构 6、Tensorflow 基本使用 7、TensorFlow实现多层感知机 8、TensorFlow实现卷积神经网络 TensorFlow实现简单的卷积网络 TensorFlow实现进阶的卷积网络 TensorFlow实现经典卷积神经网络 TensorFlow实现ResNet 9、Tensorflow 实现循环神经网络及Word2Vec Tensorflow 实现Word2Vec Tensorflow 实现基于LSTM的语言模型 10、TensorFlow实现深度强化学习 深度强化学习简介 TensorFlow实现策略网络 TensorFlow实现估值网络 11、TensorBoard、多GPU并行及分布式并行 TensorBoard 多GPU并行 分布式并行 12、实战：Python中实现LSTM模型搭建：时间序列 基于某家店的某顾客的历史消费的时间推测该顾客前下次来店的时间 13、实战：用TensorFlow搭建图像识别系统 14、Tensorflow结合Spark

【会议门票】

票种名称	价格	原价	票价说明
会务费	¥5000	¥	课程费用