南京国富AI工程师培训班，主要是帮助学员熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch、熟悉CNN、RNN、Faster RCNN等深度神经网络模型，并掌握其相关的优化算法等，更多详情请往下看。
目前，CDA已与国内100多所高校进行了战略合作，建立了CDA数据分析师考试中心及人才培养基地；已出版30多本CDA数据分析师系列丛书，市场发行量数万册；已进行500多期线上线下数据分析及大数据培训课程，培养学员10万+人次；已在全国70+城市举办15届CDA数据分析师认证考试，报考考生数万人；已开展了四届数据分析师行业峰会（CDA SUMMIT），每届参会人数3000多人；数据分析师俱乐部（CDA CLUB）每周举办各类型线上线下沙龙会议、公开课等活动共1000多期。
点击咨询大学生、在职提升、转行或待业人员
面授/网课、周一到周五8-17点开课
朝九晚九全程跟班答疑、一对一督学、定期直播串讲、五分钟内有问必答、出勤率和进度监督、作业与测试
熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch
熟悉深度学习应用
熟悉CNN、RNN、Faster RCNN等深度神经网络模型，并掌握其相关的优化算法
了解深度学习高级算法，包括卷积神经网络、循环神经网络等
掌握优化算法和高性能计算方法
掌握NLP自然语言处理一线行业案例
掌握计算机视觉图像识别一线行业案例
| 授课章节 | 授课内容 |
|---|---|
| "01章预备知识：图像识别方法的演进基础 | 01-01开发环境配置：Anaconda环境和MXNet 01-02深度学习简介：起源、特点和发展 01-03计算机视觉概述 01-04数据操作 01-05自动求梯度 01-06图像识别的演进 01-07线性回归与线性回归的实现 01-08线性模型：对数线性二分类、多分类 01-09独热和稠密度向量表示 01-10softmax回归与实现 01-10基于深度学习的图像识别技术发展 |
| 02章深度学习基础知识 | 01-01线性模型的局限性：异或问题 01-02非线性输入转换、核方法、可训练的映射函数 01-03感知机和多层感知机的实现 01-04模型选择、欠拟合过拟合问题 01-05权重衰减和丢弃法 01-06实战案例：房价预测模型 01-07神经网络基础 01-08前馈神经网络、BP神经网络 01-09神经网络的训练 01-10深度学习计算 |
| 03章卷积神经网络与深度学习 | 01-01二维卷积层相关运算 01-02填充和步幅 01-03多输入通道和多输出通道 01-04二维最大池化层和平均池化层 01-05卷积神经网络LeNet模型 01-06深度卷积神经网络AlexNet 01-07使用重复数据的网络 01-08网络中的网络：NIN块和NIN模型 01-09合并行连接的网络 01-10批量归一化 01-11残差网络ResNet模型 01-12稠密度连接网络DeseNet模型 |
| 04章循环神经网络与深度学习 | 01-01语言模型计算 01-02循环神经网络 01-03模型语言数据集 01-04循环神经网络从零开始实现 01-05循环神经网络的简介实现 01-06通过时间反向传播 01-07门控循环单元 01-08长短期记忆 01-09深度循环神经网络 01-10双向循环神经网络 |
| 05章优化算法与深度学习 | 01-01优化与深度学习的关系 01-02梯度下降和随机梯度下降 01-03小批量随机梯度下降 01-04动量法与实现 01-05AdaGrad算法特点与实现 01-06RMSProp算法 01-07AdaDelta算法 01-08Adma算法 |
| 06章计算机技术与高性能计算 | 01-01衡量性能的方法 01-02提高性能性能的各种编程方法 01-03命令式和混合编程 01-04异步计算 01-05自动并行运算 01-06多GPU运算 |
| 07章AI应用方向之计算机视觉 | 01-01使用图像增广训练模型 01-02微调:热狗识别 01-03目标检测和边界框 01-04计算机视觉：锚框生成 01-05多尺度目标检测 01-06目标检测数据集：皮卡丘 01-07单发多框检测：SSD 01-08卷积神经网络系列：R-CNN 01-09语意分割和数据集 01-10全卷积网络 01-11样式迁移 |
| 08章计算机视觉案例：Kaggle图像识别 | 01-01案例1:图像分类 01-02案例2:狗的品种 01-03step1:获取和整理数据集 01-04step2:图像增广 01-05step3:读取数据集 01-06step4:定义模型 01-07step5:定义训练函数 01-08step6:训练模型 |
| 09章AI应用方向之NLP自然语言处理 | 01-01词嵌入和连续词袋模型 01-02近似训练：负采样、层序softmax 01-03word2vec的实现 01-04子词潜入：fastText 01-05全局向量的词潜入：GloVe 01-06求近义词和类比词 01-07文本情感分类：使用循环神经网络 01-08文本情感分类：使用卷积神经网络（textCNN） 01-09编码器、解码器 01-10贪婪搜索、全局搜索、束搜索 01-11注意力机制 |
| 10章NLP自然语言处理案例 | 01-01案例1:机器人翻译 01-02step1:读取和与处理数据集 01-03step2:含注意力机制的编码器-解码器 01-04step3:训练模型 01-05step4:预测不定长的序列 01-06step5:评价翻译结果 01-07唐诗生成器 01-08step1:定义输入数据 01-09step2:定义多层LESTM模型 01-10step3:定义损失函数 01-11step4:训练模型生成文字 01-12step5:更多参数说明 01-13step6:运行自己的数据" |
1. 提高生产效
人工智能技术可以通过自动化和智能化的方式，提高生产效率和质量。例如，在制造业中，人工智能可以通过自动化生产线和智能机器人，实现生产过程的自动化和智能化，提高生产效率和质量。
2. 促进医疗健康
人工智能技术可以在医疗健康领域发挥重要作用。例如，人工智能可以通过分析大量的医疗数据，提高疾病的诊断和治疗效果，同时也可以通过智能医疗设备和远程医疗技术，提高医疗服务的效率和质量。
3. 优化交通运输
人工智能技术可以通过智能交通系统和自动驾驶技术，优化交通运输，提高交通安全和效率。例如，自动驾驶技术可以减少交通事故和拥堵，提高交通运输的效率和质量。
4. 提高教育水平
人工智能技术可以通过智能教育系统和个性化教育技术，提高教育水平和质量。例如，智能教育系统可以根据学生的学习情况和兴趣，提供个性化的教育服务，提高学生的学习效果和兴趣。
5. 促进科学研究
人工智能技术可以通过模拟和分析复杂的科学问题，促进科学研究的发展。例如，人工智能可以通过模拟和分析天气预报、气候变化、宇宙探索等复杂的科学问题，提高科学研究的效率和质量。
