0
| 本文作者： 雷鋒專(zhuān)欄 | 2018-06-19 18:34 |
一年一度的暑假要來(lái)了，對(duì)很多大三、大四同學(xué)們來(lái)說(shuō)，2個(gè)月長(zhǎng)假的同時(shí)也意味著2個(gè)月后就要為找工作做準(zhǔn)備了，相信很多同學(xué)已經(jīng)在暑期開(kāi)始準(zhǔn)備自己的簡(jiǎn)歷了，不過(guò)面對(duì)寥寥無(wú)幾的校園學(xué)習(xí)經(jīng)歷和實(shí)習(xí)經(jīng)驗(yàn)，如何才能在眾多應(yīng)聘者中脫穎而出呢？更別說(shuō)加入頂尖的AI人工智能企業(yè)了。
為了解決眾多學(xué)生的求職難題，AI慕課學(xué)院聯(lián)合雷鋒網(wǎng)、哈爾濱工業(yè)大學(xué)（深圳）在深圳舉辦了“CV視覺(jué)工程師入職培訓(xùn)暑期班”，希望通過(guò)2個(gè)月的時(shí)間幫助廣大同學(xué)們搞定“理論學(xué)習(xí)，企業(yè)實(shí)習(xí)以及面試入職”等重要環(huán)節(jié)，既能提升CV方向的理論學(xué)習(xí)，又能豐富實(shí)習(xí)經(jīng)驗(yàn)，還有機(jī)會(huì)入職知名AI公司，這個(gè)暑期你還在猶豫什么？CV視覺(jué)工程師入職培訓(xùn)暑期班最后20個(gè)名額，等你來(lái)報(bào)名！
基礎(chǔ)課程全部由哈爾濱工業(yè)大學(xué)（深圳）計(jì)算機(jī)學(xué)院教師團(tuán)隊(duì)任教，具有豐富的教學(xué)經(jīng)驗(yàn)；實(shí)踐課程聘請(qǐng)人工智能行業(yè)合作企業(yè)資深工程師任教，項(xiàng)目實(shí)戰(zhàn)研發(fā)經(jīng)驗(yàn)豐富，可提供企業(yè)海量數(shù)據(jù)案例供學(xué)生學(xué)習(xí)。
大道智創(chuàng)CTO邢志偉是哈爾濱工業(yè)大學(xué)博士， 曾任職于NVDIA深圳公司并負(fù)責(zé)領(lǐng)導(dǎo)多項(xiàng)顯卡設(shè)計(jì)開(kāi)發(fā)
宜遠(yuǎn)智能CEO吳博先后在清華大學(xué)、香港浸會(huì)大學(xué)求學(xué)，并在英國(guó)利茲大學(xué)完成博士后
第一章 AI入門(mén)基礎(chǔ)（共120課時(shí)）
一、數(shù)學(xué)基礎(chǔ)（40課時(shí)）
1. 線性代數(shù)與矩陣論
知識(shí)點(diǎn)1： 向量、矩陣簡(jiǎn)介、向量范數(shù)、矩陣范數(shù)
知識(shí)點(diǎn)2 ：矩陣的運(yùn)算，行列式
知識(shí)點(diǎn)3： 條件數(shù)、線性子空間、矩陣的正交化，矩陣求逆
2. 概率論與統(tǒng)計(jì)
知識(shí)點(diǎn)1： 隨機(jī)試驗(yàn)、隨機(jī)事件的關(guān)系及運(yùn)算
知識(shí)點(diǎn)2 ：事件的概率，條件概率
知識(shí)點(diǎn)3 ：獨(dú)立、條件獨(dú)立，常見(jiàn)分部介紹
3. 凸優(yōu)化
知識(shí)點(diǎn)1： 機(jī)器學(xué)習(xí)與優(yōu)化關(guān)系，凸集、凸函數(shù)簡(jiǎn)介
知識(shí)點(diǎn)2 ：極值點(diǎn)、最值點(diǎn)、梯度、方向?qū)?shù)
知識(shí)點(diǎn)3 ：約束問(wèn)題的KKT條件
二、編程基礎(chǔ)（40課時(shí)，建議最好有編程基礎(chǔ)，這類(lèi)課程做課時(shí)上的壓縮，重點(diǎn)介紹CV常用的語(yǔ)言知識(shí)點(diǎn)）
Python
知識(shí)點(diǎn)1 ：基礎(chǔ)語(yǔ)法
知識(shí)點(diǎn)2 ：循環(huán)、字符串、列表
知識(shí)點(diǎn)3 ：元祖、字典、函數(shù)
知識(shí)點(diǎn)4 ：文件操作、面向?qū)ο?/p>
知識(shí)點(diǎn)5： 正則表達(dá)式
知識(shí)點(diǎn)6： 排序算法
知識(shí)點(diǎn)7 ：數(shù)據(jù)分析與可視化實(shí)踐
三、機(jī)器學(xué)習(xí) （40課時(shí)）
1. 機(jī)器學(xué)習(xí)原理
知識(shí)點(diǎn)1： 線性回歸、logistic回歸、梯度下降
知識(shí)點(diǎn)2： 決策樹(shù)、隨機(jī)森林、GBDT
知識(shí)點(diǎn)3：SVM與數(shù)據(jù)分類(lèi)
知識(shí)點(diǎn)4 ：特征工程：數(shù)據(jù)清洗、異常點(diǎn)處理、特征抽取、選擇與組合
知識(shí)點(diǎn)5： logistic回歸Softmax SVM與樸素貝葉斯的精髓速講
知識(shí)點(diǎn)6 ：決策樹(shù) 隨機(jī)森林 boosting 模型融合的精髓速講
2. 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)
知識(shí)點(diǎn)1 ：機(jī)器學(xué)習(xí)流程、預(yù)處理、特征工程
知識(shí)點(diǎn)2： Kaggle機(jī)器學(xué)習(xí)比賽中的特征工程處理實(shí)戰(zhàn)
知識(shí)點(diǎn)3 ：模型評(píng)判標(biāo)準(zhǔn)與部分機(jī)器學(xué)習(xí)有監(jiān)督算法
知識(shí)點(diǎn)4 ：sklearn接口熟悉與機(jī)器學(xué)習(xí)建模指導(dǎo)
知識(shí)點(diǎn)5 ：sklearn建模與使用
知識(shí)點(diǎn)6：機(jī)器學(xué)習(xí)有監(jiān)督算法與無(wú)監(jiān)督學(xué)習(xí)
知識(shí)點(diǎn)7 ：集成算法與Xgboost/LightGBM
第二章 計(jì)算機(jī)視覺(jué)理論與實(shí)戰(zhàn)（共110課時(shí)）
一、計(jì)算機(jī)視覺(jué)基礎(chǔ)（50課時(shí)）
圖像識(shí)別
目標(biāo)檢測(cè)&跟蹤
圖像分割
二、深度學(xué)習(xí)的算法與實(shí)踐（50課時(shí)）
1. 深度學(xué)習(xí)原理
知識(shí)點(diǎn)1 ：人工神經(jīng)網(wǎng)絡(luò)（ANN）
知識(shí)點(diǎn)2 ：深度學(xué)習(xí)（Deep Learning）及TensorFlow等框架
知識(shí)點(diǎn)3 ：卷積神經(jīng)網(wǎng)絡(luò)（CNN）
知識(shí)點(diǎn)4 ：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
知識(shí)點(diǎn)5 ：長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）
知識(shí)點(diǎn)6 ：循環(huán)神經(jīng)網(wǎng)絡(luò)變種
知識(shí)點(diǎn)7 s：eq2swq模型
2. 深度學(xué)習(xí)實(shí)戰(zhàn)
知識(shí)點(diǎn)1 ：Caffe實(shí)戰(zhàn)圖像分類(lèi)
知識(shí)點(diǎn)2 ：Tensorflow實(shí)戰(zhàn)圖像風(fēng)格轉(zhuǎn)換實(shí)現(xiàn)
知識(shí)點(diǎn)3 ：google wide&deep模型
三、神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題與源碼解析（10課時(shí)）
如何選擇適合某一問(wèn)題的網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)參數(shù)如何初始化
選擇怎樣的梯度下降方法
深度學(xué)習(xí)平臺(tái)的代碼架構(gòu)
如何高效實(shí)現(xiàn)計(jì)算（以卷積層為例）
第三章 企業(yè)項(xiàng)目實(shí)戰(zhàn)講解（20*3=60課時(shí)）
企業(yè)A項(xiàng)目案例分析
企業(yè)B項(xiàng)目案例分析
企業(yè)C項(xiàng)目案例分析
第四章 企業(yè)實(shí)習(xí)（80課時(shí)）
企業(yè)培訓(xùn)（代碼規(guī)范）
項(xiàng)目實(shí)戰(zhàn)能力測(cè)試
企業(yè)項(xiàng)目實(shí)操
實(shí)習(xí)成果展示
第五章 個(gè)人提升（10課時(shí)）
簡(jiǎn)歷優(yōu)化
面試能力提升
企業(yè)專(zhuān)場(chǎng)招聘會(huì)
推薦相關(guān)企業(yè)崗位面試
詳情請(qǐng)掃描咨詢雷鋒網(wǎng)客服
雷鋒網(wǎng)按：小編友情提醒，盡早報(bào)名有優(yōu)惠?。。?/span>
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
