尹立庆:人工智能实践项目案例分析与实战应用培训（3天）

课程简介

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、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。是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。

Keras是一个由Python编写的开源人工神经网络库,可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口,进行深度学习模型的设计、调试、评估、应用和可视化。Keras在代码结构上由面向对象方法编写,完全模块化并具有可扩展性,其运行机制和说明文档有将用户体验和使用难度纳入考虑,并试图简化复杂算法的实现难度。Keras支持现代人工智能领域的主流算法,包括前馈结构和递归结构的神经网络,也可以通过封装参与构建统计学习模型。在硬件和开发环境方面,Keras支持多操作系统下的多GPU并行计算,可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件。

随着人工智能时代的快速到来,以及人工智能在生产生活中迅速应用,人工智能等重要性越发突出,本课程是针对人工智能时代的特点,尹老师总结多年人工智能经验,而精心设计的课程,课程内容涵盖了Keras深度学习、人工智能等编程开发的内容,Keras应用范围广泛、前景广阔。

培训目标

深入讲解人工智能的基本概念,包括机器学习、深度学习、神经网络等核心概念,以及它们在实践中的应用。

帮助学员理解不同领域和行业中的实际人工智能项目案例。通过案例分析,深入了解各种人工智能算法、技术和应用在实际项目中的应用。

学习并掌握一些主流的人工智能工具和技术,如TensorFlow、PyTorch等,涵盖各种常用的人工智能算法和技术,如机器学习、深度学习、自然语言处理、计算机视觉等。学员将学习算法的原理、适用场景和实施方法,以及如何选择和优化适合特定项目的算法。并了解它们的应用场景和使用方法。

通过实战案例分析,培养学员对不同行业的人工智能应用案例的理解和分析,帮助他们学习如何构建、训练和调优人工智能模型,解决真实世界中的问题,并培养解决问题和项目管理的能力。

培养学员独立分析和解决实际问题的能力,包括数据清洗、特征工程、模型选择与训练等环节,以及模型评估和优化。

项目展示与沟通能力:除了技术技能,还需培养学员的项目展示和沟通能力。学习如何清晰、准确地呈现他们的项目结果和发现,以便有效地与团队成员、业务人员和领导者进行沟通和合作。

使学员深入理解TensorFlow、PyTorch的概念、技术、模型、应用等;

使学员深入理解深度学习的概念、技术、模型、应用等;

Keras、PyTorch和Tensorlfow主流神经网络模型原理及实现(bert,xlnet)

神经网络的实现,超参调节,需要实例讲解;

Keras、PyTorch和Tensorlfow等技术的应用经验分享;

培训对象：

即将投身于人工智能、机器学习、深度学习领域的企业或者个人;

系统架构师、系统分析师、高级程序员、资深开发人员;

政府机关,金融保险、移动互联网、能源行业等人工智能相关人员;

高校、科研院所统计分析研究员,涉及到人工智能的人员;

培训方式：

以课堂讲解、演示、案例分析为主,辅以互动研讨、现场答疑、学以致用。

课程安排

课程时间:3天

课程内容

时间　内容　备注

第1天　深度学习概述(介绍深度学习概念、算法、原理)(30分钟) 深度学习介绍 深度学习概念 深度学习特征提取 深度学习基本思想 深度学习算法 深度神经网络DNN 深度学习原理 深度学习的常用模型 深度学习的应用 实践应用案例:基于深度学习实现人脸识别 人工智能实现离岗检测思路(介绍人工智能实现离岗检测思路)(90分钟) 端对端思考模式 明确离岗检测目标 有人无人检测 人脸检测 活体检测 摄像头图像抓取 摄像头视频抓取 OpenCV图像抓取 选择深度学习算法 深度神经网络DNN算法 深度卷积神经网络CNN算法 案例研讨:基于人工智能实现离岗检测 离岗检测深度学习模型设计(介绍离岗检测深度学习模型设计)(90分钟) 深度神经网络DNN模型设计 深度卷积神经网络CNN模型设计 神经元 神经元数学表达式 神经网络结构 神经网络结构的数学表达式 输入层数据格式设计(特征工程) 隐藏层设计(激活函数讲解) 输出层数据格式设计(特征工程) Softmax的含义讲解 绘制深度学习模型结构图 实践应用案例:绘制深度学习模型结构图 数据打标签(介绍数据打标签)(30分钟) 如何给数据打标签 数据打标签的方式 数据标签转化为向量 数据存储 数据的统计学意义 数据样本的有偏性 实践应用案例:数据打标签案例讲解 机器学习(介绍机器学习概念为深度学习奠定基础)(60分钟) 机器学习能学习什么? 机器学习是如何学习的? 从哪里学习? 学习的目的是什么? 学习的方法是什么? 监督式学习 非监督式学习 半监督式学习 强化学习 训练集、测试集与验证集 模型评分 损失函数 最小二乘法 梯度下降 极大似然 激活函数 S型曲线 反正切 relu 阶跃 二元分类器 多元分类器 Softmax 求导 求偏导 链式求导 实践应用案例:尹立庆老师准确预测阿里双11销售额 卷积神经网络(CNN)算法原理与应用实现(介绍卷积神经网络(CNN)算法原理与应用实现)(60分钟) 卷积神经网络(CNN) 二次采样像素不会改变对象 Filtering Convolution Convolution layer Pooling Pooling layer Normalization Rectified Linear Units (ReLUs) ReLU layer Fully connected layer CNN 是在空间上权值共享的网络 Convolution Filter 滤波器 Color Channels RGB输入图像 CNN架构与术语 Stride 与 Padding CNN参数计算 链式求导 无池化层的CNN Max Pooling 与 Down Sampling Overview of CNN Visualizing ConvNet (ImageNet) FC Layer 全联接层 Cost Function (Cross Entropy) BP Revisit Dropout Regularization Convolution Layer with TensorFlow Max Pooling Inception Module 残差学习单元 TF DNN Code 卷积神经网络在图像识别中的实践案例 Save保存读取

时间　内容　备注

第2天　离岗检测深度学习模型代码开发(深入剖析离岗检测深度学习模型代码开发)(90分钟) Keras环境的部署与安装 样本集加载 划分训练集、验证集、测试集 数据预处理 数据归一化 标签预处理 定义输入层 定义隐藏层 定义激活函数 批正态化层 归一化层 Dropout层 交叉商验证 定义输出层 模型训练代码 模型评估代码 模型保存代码 实践应用案例:离岗检测深度学习模型代码开发 离岗检测深度学习模型训练与评估(深入剖析离岗检测深度学习模型训练与评估)(90分钟) 神经网络前向传播 神经网络反向传播 链式求导 参数与权重的求解 梯度下降 学习率 模型准确率评估 模型性能评估 混淆矩阵评估方法 深度学习框架TensorFlow介绍(介绍深度学习框架TensorFlow)(120分钟) 为什么需要TensorFlow 什么是TensorFlow TensorFlow概述 TensorFlow的特征 什么是数据流图(Data Flow Graph)? TensorFlow的应用场景介绍 人工智能 深度学习 神经网络 卷积神经网络 递归神经网络 TensorFlow概念 计算图 张量 变量 取回 供给 TensorFlow基础架构 TensorFlow运行机制 TensorFlow部署 TensorFlow部署架构介绍 安装需求 下载与安装 Pip 安装 基于Virtualenv安装 Docker安装 从源代码安装 测试TensorFlow安装 英伟达GPU 使用TensorFlow搭建手写数字识别 数据处理 模型搭建 模型训练 数据预测与识别 深度学习神经网络层(介绍深度学习神经网络层)(60分钟) 网络层 核心网络层 卷积层 Convolutional 池化层 Pooling 局部连接层 Locally-connected 循环层 Recurrent 嵌入层 Embedding 融合层 Merge 高级激活层 Advanced Activations 标准化层 Normalization 噪声层 Noise 层封装器 wrappers

时间　内容　备注

第3天　大模型的原理及特点(深入讲解大模型的原理及特点)(90分钟) 大模型的原理及特点 大模型的论文概述 大模型的架构 多模态 视频领域大模型 多Agent大模型 大模型的训练过程 大模型的推理过程 大模型如何实现离岗检测 框架与硬件加速(如GPU、TPU)的结合方式(深入讲解框架与硬件加速(如GPU、TPU)的结合方式)(90分钟) 框架与硬件加速(如GPU、TPU)的结合方式 大模型主流编程框架(和硬件结合) 训练超大规模语言模型主要技术路线 GPU + PyTorch + Megatron-LM + DeepSpeed TPU + XLA + TensorFlow/JAX 主流大模型训练架构GPU+PyTorch+Megatron-LM+DeepSpeed 大模型技术原理 大模型分布式训练框架 常用的分布式训练框架 Megatron-LM DeepSpeed Megatron-LM DeepSpeed 3D并行化实现万亿参数模型训练 DeepSpeed三种并行方法 数据并行训练 模型并行训练 流水线并行训练 ZeRO零冗余优化器 参数高效微调(PEFT)技术 影响大模型性能的主要因素 衡量大模型水平 深度学习框架 大模型编程 大模型应用案例 深度学习算法设计通用流程 大模型编写代码应用案例(大模型编写代码应用案例)(90分钟) 大模型编写代码应用案例 GitHub Copilot 代码补全 根据注释生成代码 方法和函数生成 生成测试代码 文档字符串生成 代码审查 提高开发效率 促进学习和创新 代码质量提升 跨语言支持 持续学习 根据注释生成复杂的代码结构 详细描述功能 使用自然语言 分步骤描述 利用现有代码 迭代和细化 使用快捷键 代码审查 利用GitHub Copilot的学习能力 结合其他工具 Github Coplit使用案例 训练企业编写程序大模型 人工智能(AI)工具的深入应用概述(人工智能(AI)工具的深入应用概述)(90分钟) 人工智能(AI)工具的深入应用 ChatGPT概述 ChatGPT的概念 聊天机器人程序 ChatGPT的历史性意义 标志第四次工业革命的开始 语言理解和文本生成能力 编写脚本、代码、文案、翻译 ChatGPT的价值剖析 ChatGPT在业务系统中应用价值 ChatGPT技术行业进程 ChatGPT技术在业务系统中的业务落地方案 ChatGPT对行业的影响 ChatGPT产品在行业的应用 ChatGPT在行业形成新的商业模式 ChatGPT可以提供准确的有针对性解决方案

授课老师

尹立庆老师的课程大纲