人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学等。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，如果您感兴趣就来国富如荷教育，广州国富人工智能工程师培训班，专为想转行从事人工智能行业又没有基础的等人群开设，想了解跟多课程详情请往下看。
零基础学员或是想转行的人群
周一到周五8-17点
视频课+面授
垂直专业深度、纵向创新力度、横向知识宽度、课程服务体验
从0学习人工智能知识
| 授课章节 | 授课内容 |
|---|---|
| 第一章 | 人工智能之数学基础（约6小时） 1.微积分 2.线性代数 3.概率论与数理统计 |
| 第二章 | 数据库基础——关系型数据库（约8小时） 1.SQL入门及安装 2.数据表及字段操作 3.SQL查询、链接 4.SQL商业应用案例 |
| 第三章 | 数据库基础——非关系型数据库（约5小时） 1.MongoDB简介 2.MongoDB的常用操作 3.MongoDB的使用 4.Python操作MongoDB |
| 第四章 | 人工智能之Python基础篇（约5小时） 1.Python的安装与环境配置 2.Python的基础与规范 3.Python的基本对象类型 4.Python语句 |
| 第五章 | 人工智能之Python进阶篇（约5小时） 1.函数 2.类与对象 3.库与模块 4.文件 5.错误与异常 |
| 第六章 | 人工智能之机器学习基础篇（约10小时） 1.Python机器学习算法库Scikit-Learn入门介绍 2.Python统计分析基础 3.SVD分解与主成分分析 4.线性回归算法实现 5.岭回归、Lasso和弹性网 6.判别分析 7.梯度下降算法原理与Scikit-Learn实现 8.逻辑回归算法原理与Scikit-Learn实现 9.贝叶斯算法原理与Scikit-Learn实现 10.案例：泰坦尼克号生存预测 |
| 第七章 | 人工智能之机器学习进阶篇（约20小时） 1.KNN最近邻元素分类器 2.时间序列模型 3.EM算法 4.聚类分析 5.决策树模型的基本原理与Scikit-Learn实现 6.集成算法入门 7.集成算法的Scikit-Learn实现 8.感知机模型基本原理 9.支持向量机基本原理与Scikit-Learn实现 10.XgBoost 11.案例：上市公司股价预测 12.案例：客户风险评级 13.大型案例：上市公司营收状况预测 |
| 第八章 | 人工智能之复杂网络分析（约10小时） 1.图论 2.复杂网络的拓扑结构性质 3.更多类型的网络 4.复杂网络的演化 5.复杂网络的功能 6.案例：广州市快速轨道交通的有效性 7.案例：社交网络数据分析 |
| 第九章 | 深度学习框架Tensorflow（约7小时） 1.开发环境搭建 2.Tensorflow基本数据结构 3.TensorFlow实现代码结构和开发步骤——回归问题 4.TensorFlow深度学习基础--神经网络——分类问题 5.手写数字识别的突破---卷积神经网络Tensorflow实现 |
| 第十章 | 人工智能之深度学习基础篇（约15小时） 1.AI概述和Tensorflow基础 2.神经网络结构 3.卷积神经网络 4.RNN和LSTM 收 起获取详细课程大纲 |
| 第十一章 | 人工智能之深度学习进阶篇（约15小时） 1.神经网络算法基础(1) 2.神经网络算法基础(2) 3.迁移学习和强化学习 4.自然语言处理（NLP） |
| 第十二章 | 识文断字：人工智能实战之文本分析（约6小时） 1.文本分析简介 2.文本数据预处理 3.文本分析应用与Python语言实作 |
| 第十三章 | 火眼金睛：人工智能实战之图像识别（约6小时） 1.深度学习与图像识别及经典数据集 2.图像识别的突破--卷积神经网络简介 3.使用卷积神经网络对经典数据集cifar进行分类识别 4.使用自己的数据集训练卷积神经网络 |
| 第十四章 | 耳听八方：人工智能实战之语音识别（约5小时） 1.语音识别介绍 2.语音技术分析 3.本地语音识别 4.网络语音识别 |
| 第十五章 | 运筹帷幄：人工智能实战之对抗生成网络（约5小时） 11.GAN简介 2.GAN原型详解 3.DCGAN 4.DiscoGAN 5.半监督学习 6.知识汇总与作业 |
| 第十六章 | 冰雪聪明：人工智能实战之智能问答系统（约5小时） 1.从与机器的沟通方式开始 2.对话：问题的理解与答案的生成 3.词典：关键词检索 4.专家：指定领域的问答助手 5.百科全书：开放式的问答系统 |
1、机器学习：这是AI的一个核心领域，它的目标是让机器能够从数据中学习，并根据学到的知识做出预测或决策。
2、自然语言处理：这个领域的目标是让机器能够理解和生成人类的语言。
3、计算机视觉：这个领域的目标是让机器能够理解和解析图像和视频数据。
4、语音识别：这个领域的目标是让机器能够理解和生成人类的语音。
5、机器人技术：这个领域的目标是让机器能够在物理世界中执行任务，例如，自动驾驶汽车和家庭服务机器人。
6、知识表示和推理：这个领域的目标是让机器能够理解和表示知识，以及根据这些知识进行逻辑推理。
7、强化学习：这是一种机器学习的方法，它的目标是让机器通过试错的方式学习如何在环境中实现目标。
总之，人工智能作为一项通用技术，正逐步与各行业相结合，推动行业的创新与发展。
CDA数据分析师品牌，截止2018年底，CDA已与国内多所高校进行了战略合作，搭建大数据实验室与共建专业；已出版14本CDA数据分析师系列丛书，市场发行量数万册；已进行100多期数据分析及大数据系统培训课程，培养学员超过40000多名；已举办九届全国数据分析师认证考试，持证人数千人；已开展了四届数据分析师行业峰会（CDA SUMMIT），每届参会人数逾3千人。2016，CDA研究院加入由工信部指导下的“大数据生态产业联盟”理事会成员，分管教育事业。2017，CDA与工信部赛迪达成战略合作，被评为”大数据*培训机构“；2018，CDA入选教育部产学合作协同育人项目。
