国家の「第 14 次 5 か年計画」には、「知性」と「知恵」の関連表現が 57 もあり、我が国の「第 14 次 5 か年計画」の重要な技術的保証と中心的な推進力の 1 つとなっています。質の高い経済発展を促進し、革新的な国家を構築するための期間。現在、ChatGPT の開発が盛んに行われており、その基本技術は深層学習に由来しています。ChatGPT は深層学習に基づいた人工知能モデルであり、そのコア技術はニューラル ネットワークです。ChatGPT は、多層ニューラル ネットワークを使用して、対話生成や自然言語処理などのタスクの自然言語シーケンスの確率分布を学習および予測します。ディープラーニングは、多層ニューラルネットワークの機械学習手法であり、大量のデータを使用したトレーニングを通じて複雑な特徴とパターンを学習し、効率的な分類と予測を実現できます。
科学研究および工学人材のニーズに積極的に対応するために、「生涯職業技能訓練制度の推進に関する国務院の意見」によれば、「新技術および新職業の発展と変化に常に対応し、職業分類の動的な調整メカニズムを確立し、職業標準の開発を加速する」要件、中国管理科学院現代教育研究所 (http://www.zgyxdjy.com) および北京龍騰アジア太平洋教育株式会社コンサルティングは「ディープラーニング基盤技術実践とグラフニューラルネットワーク新技術応用セミナー」を共催しました。この訓練は完全な戦闘訓練モードを採用しています。
このトレーニングは北京龍騰アジア太平洋教育コンサルティング有限公司によって実施され、関連料金が徴収され、請求書が発行されます。具体的な注意事項は以下の通りです。
1.専門家の育成:
中国科学院オートメーション技術研究所、北京理工大学、その他の科学研究機関や大学の上級専門家は、科学研究と工学技術において豊富な経験を持ち、人工知能分野の教育と研究に長年従事してきました。インテリジェンス、機械学習、ディープラーニング、ビッグデータ分析。
- 時間と場所:
2023年7月27日— 2023年7月31日上海 (同時にオンライン生中継に移行)
(27日受付・教材配布、28日~31日授業)
3.トレーニング機能:
1. シンプルな方法を使用し、例と多数のコード演習を組み合わせて、深層学習フレームワーク モデル、科学的アルゴリズム、トレーニング プロセス スキルの説明に重点を置きます。
2. ディープラーニングの技術開発動向を把握し、ディープラーニングのコア技術と実践スキルを習得すると同時に、業務上の困難な問題を分析、説明、議論して効果的に改善することができる複雑な問題を解決する生徒の能力。
3.大規模な深層学習モデルであるTransformerトレーニング ネットワークの構築と構成をマスターし、データ値のディープ マイニングをマスターします。
4. グラフ ニューラル ネットワーク モデルとフレームワークPy Torchをマスターする
5. 手書きフォント認識や葉っぱ分類などの事例を練習し、AI 自身にゲームをさせます。
6. 自分自身の科学研究プロジェクトや主題研究に応じて、深層学習の 5 つのフレームワーク モデルを柔軟に習得します。
注:その他のオープンソースの公開データセット: ImageNet、MS-COCO、UCF101、HMDB51、PASCAL VOC、Open Images など。
4.参加者:
すべての省、市、自治区は、人工知能、ディープラーニング、コンピュータービジョン、顔認識、画像処理、歩行者検出、自然言語処理などの関連分野に従事しており、ディープラーニングだけでなく、大学院生やその他の関係者も、コンピュータービジョンの愛好家。
5. 料金標準:
クラスA:5680元/人(登録料、研修費、教材費、クラスA証明書代を含む)、宿泊施設は一律手配可能、費用は自己負担。
1.トレーニング料金は、トレーニング クラスを主催する教育機関によって徴収され、トレーニング請求書が発行されます。
2. 授業1週間前振込で10%割引、5名以上でのお申込みで10%割引となりますが、両方の割引を同時に受けることはできません。8 名以上でサインアップすると、12% 割引が適用されます。
3. オンラインおよびオフラインの研修に参加する学生は、ビデオ録画および再生の権利、および同じテーマのオフラインコースに無料で参加する権利を享受できます。
6. 証明書の発行:
A. 関連するトレーニングに参加し、評価に合格した学生には、中国経営科学院現代教育研究所から「ディープラーニング開発およびアプリケーションエンジニア」(上級)専門能力認定証が発行されます。この認定資格は、公式ウェブサイトに掲載されており、証明書は関係部門で使用できます。これは、任命、専門職の評価、専門的および技術的な人材の能力評価と評価の重要な基礎となります。
注:学生は、電子カラー写真 ( 20KB以上、赤と青の背景も可) 、ID カードおよび学業証明書のコピーを登録メールボックスに提出する必要があります。
7. 注意すべき事項
1. 指定登録メールアドレス:[email protected]。
2. 登録が成功した後、会議事務グループは登録の 1 週間前に具体的な登録通知と走行ルートを発行します。
3. 学生は、win10、64 ビット システム、8G 以上のメモリを備え、100G のハードディスク容量を確保した自分のコンピュータを持参する必要があります。
添付ファイル: 具体的なコーススケジュール
キーポイント |
|
|
1. アルゴリズムとシーンフュージョンの理解 |
1.空間相関のある非構造化データ、CNN アルゴリズム。一般的な画像データの場合、ピクセル間には空間的な相関関係があり、たとえば、画像の分類、セグメンテーション、検出はすべて CNN アルゴリズムです。 2.時間依存の非構造化データ、RNN アルゴリズム。このタイプのシナリオでよく見られる現象は、データ間に時系列の相関関係があること、つまりデータ間に逐次的な依存関係があることです。たとえば、自然言語処理および音声関連のアルゴリズムは RNN アルゴリズムに基づいています。 3.非ユークリッド データ構造、GNN 。このようなシナリオは通常、グラフで表すことができます。例えばソーシャルネットワーキングなど。 |
事件概要説明 医療分野:流行性疾患や腫瘍などの関連疾患の検出 リモートセンシング分野:リモートセンシング画像におけるシーン認識など 石油探査:石油粒子径検出など 鉄道交通:地下鉄の密集検知など 検出分野:故障検出など 公安分野:犯罪行動分析など 防衛分野: 目標検出、信号分析、状況認識... 経済分野:株価予測など |
2. データの理解と処理 |
典型的なシナリオで典型的なデータを分析し、特定のアルゴリズムと組み合わせてデータを処理します |
1. 構造化データ、データの読み方と整理方法。 2. 画像データ、実際の申請プロセスにおける処理方法、データ前処理の方法、データ補正など 3. タイミング信号、シングルポイントデータをシーケンスに結合する方法、およびシーケンスデータ処理の基本的な方法。 |
3. テクニカルパスの設計 |
特定のシナリオ向けに特定のニューラル ネットワーク モデルを設計し、データに適応した典型的なネットワーク構造を導入します。 |
1. DNN モデル構築の基本原則 2. CNN モデルにおける共通のネットワーク構造とパラメーター分析。 3. RNN でサポートされるいくつかの基本的な演算子、シーケンス データの編成方法。 |
4. モデルの検証とトラブルシューティング |
シンプルなアルゴリズムまたはモデルにより、典型的なシナリオを迅速に検証し、頻繁に発生する問題を説明します。 |
|
5. 高度なモデル最適化の原則 |
異なるモデルはバックプロパゲーションの最適化関数とパラメータの最適化方法を使用する必要があります |
1. モデル最適化のアルゴリズムの概要、および確率的勾配降下法に基づくアルゴリズムの概要。 2. さまざまなシナリオに適応した損失関数の導入。 3. 一般的なシナリオにおけるバックプロパゲーション勾配のプッシュ プロセス。 |
6. 高度なカスタマイズのアイデア |
以前の学生のいくつかのプロジェクトと組み合わせて、特定の問題を解決するためのアイデアを簡単に紹介します。 |
リモート センシング イメージングでは、区画内の作物の種類を識別します。 |
実践的な分析とトレーニング 最初の段階: 神经网络实践 |
实验:神经网络 1.神经网络中基本概念理解:epoch、batch size、学习率、正则、噪声、激活函数等。 2.不同的数据生成模型、调整网络参数、调整网络规模 3.神经网络分类问题 4.不同数据特征的作用分析、隐含层神经元数目 5.过拟合 高频问题: 1.输入数据与数据特征 2.模型设计的过程中的参数与功能的关系。 关键点: 1.掌握神经网络的基本概念 2.学会搭建简单的神经网络结构 3.理解神经网络参数 |
|
实操解析与训练 第二阶段: 深度学习三种编程思想 |
实验:Keras实践 1.理解Keras基本原理 2.学会Keras编程思想 3.三种不同的深度神经网络构建编程方式 4.给定数据集,采用Keras独立完成实际的工程项目 高频问题: 1.如何编程实现深度神经网络 2.三种开发方式的具体使用 关键点: 1.掌握Keras编程思想 2.采用三种不同方式编写深度神经网络 |
|
实操解析与训练 第三阶段:CNN实践 |
实验:图像分类 1.使用CNN解决图像分类问题 2.搭建AlexNet 3.VGG16/19 4.GoogleNet 5.ResNet 高频问题: 1.CNN更复杂的模型在哪里可以找到代码 关键点: 1.使用卷积神经网络做图像分类 2.常见开源代码以及适用的问题 |
|
实验:视频人物行为识别 1.基于C3D的视频行为识别方法 2.基于LSTM的视频行为识别方法 3.基于Attention的视频行为识别方法 高频问题: 1.2D卷积与3D卷积 2.视频的时空特征 关键点: 1.C3D网络的构建 2.Attention机制 |
||
实操解析与训练 第四阶段: R-CNN及YOLO实践 |
实验:目标检测 1.目标检测发展现状及代表性方法 2.两阶段目标检测方法:R-CNN系列模型 3.一阶段目标检测方法:YOLO系列模型 高频问题: 1.提名与分类 2.BBOX实现策略 3.YOLO Loss函数 关键点: 1.提名方法 2.ROI Pooling 3.SPP Net 4.RPN 5.YOLO |
|
实操解析与训练 第五阶段: RNN实践 |
实验:股票预测 1.股票数据分析 2.同步预测 3.异步预测 高频问题: 1.历史数据的使用 关键点: 1.构建RNN 2.采用Keras编程实现 |
|
实操解析与训练 第六阶段: Encoder-Decoder实践 |
实验:去噪分析 1.自编码器 2.去噪自编码器 高频问题: 1.噪声的引入与去除 关键点: 1.设计去噪自编码器 |
|
实验:图像标题生成 结合计算机视觉和机器翻译的最新进展,利用深度神经网络生成真实的图像标题。 1.掌握Encoder-Decoder结构 2.学会Seq2seq结构 3.图像CNN +文本RNN 4.图像标题生成模型 高频问题: 1.如何能够根据图像生成文本? 关键点: 1.提取图像特征CNN,生成文本RNN 2.构建Encoder-Decoder结构 |
||
实操解析与训练 第七阶段: GAN实践 |
实验:艺术家作品生成 1. 生成对抗网络原理 2.GAN的生成模型、判别模型的设计 高频问题: 1.生成模型与判别模型的博弈过程 关键点: 1.掌握GAN的思想与原理 2.根据需求学会设计生成模型与判别模型 |
|
实操解析与训练 第八阶段: 强化学习实践 |
实验:游戏分析 1.游戏场景分析 2.强化学习的要素分析 3.深度强化学习 高频问题: 1.DNN 与DQN 2.探索与利用 关键点: 1.深度强化学习的原理 2.根据实际需求,设计深度强化学习模型 |
|
实操解析与训练 第九阶段: 图卷积神经网络实践 |
实验:社交网络分析 1.图神经网络的原理 2.图卷积神经网络的思想 3.设计图卷积神经网络进行社交网络分析 高频问题: 1.如何从图神经网络的原理转化到实际编程 关键点: 1. 掌握图神经网络原理 2. 图卷积神经网络编程实现 |
|
实操解析与训练 第十阶段: Transformer实践 |
实验:基于Transformer的对话生成 1. Transformer原理 2. 基于Transformer的对话生成 3.基于 Transformer 的应用 高频问题: 1.如何应用自注意力机制 2.如何应用于自然语言处理与计算机视觉 关键点: 1.self-Attention机制 2.position |
更多资讯请关注微信公众号:人工智能技术与咨询或登录中国人工智能培训网