Dans le << 14e plan quinquennal>> national, il y a jusqu'à 57 expressions apparentées d'<< intelligence >> et de << sagesse >>. Il est devenu l'une des garanties techniques importantes et l'un des principaux moteurs du << 14e plan quinquennal >> de mon pays. " pour favoriser un développement économique de qualité et construire un pays innovant. A l'heure actuelle, le développement fougueux de ChatGPT, sa technologie de base est issue du deep learning. ChatGPT est un modèle d'intelligence artificielle basé sur l'apprentissage en profondeur, et sa technologie de base est le réseau de neurones. ChatGPT utilise un réseau neuronal multicouche pour apprendre et prédire la distribution de probabilité des séquences de langage naturel pour des tâches telles que la génération de dialogue et le traitement du langage naturel. L'apprentissage en profondeur est une méthode d'apprentissage automatique du réseau neuronal multicouche, qui peut apprendre des caractéristiques et des modèles complexes grâce à une formation avec de grandes quantités de données, et obtenir une classification et une prédiction efficaces.
Afin de répondre activement aux besoins des personnels de la recherche scientifique et de l'ingénierie, selon les "Avis du Conseil d'Etat sur la promotion du système de formation professionnelle tout au long de la vie" présentés "se tenir au courant de l'évolution et de l'évolution des nouvelles technologies et des nouveaux métiers, établir un mécanisme d'ajustement dynamique pour la classification professionnelle et accélérer l'élaboration des exigences des normes professionnelles , The Modern Education Research Institute of the Chinese Academy of Management Sciences (http://www.zgyxdjy.com) et Beijing Longteng Asia-Pacific Education Consulting Co., Ltd. a organisé conjointement le "Séminaire sur la pratique de la technologie de base de l'apprentissage en profondeur et sur l'application des nouvelles technologies du réseau neuronal graphique" . Cette formation adopte le mode d'entraînement au combat complet.
Cette formation est dispensée par Beijing Longteng Asia-Pacific Education Consulting Co., Ltd. et les frais connexes sont collectés et les factures émises. La notice spécifique est la suivante :
1. Experts en formation :
Des experts de haut niveau de l'Institut de technologie d'automatisation de l'Académie chinoise des sciences, de l'Institut de technologie de Pékin et d'autres instituts de recherche scientifique et universités ont une riche expérience dans la recherche scientifique et la technologie de l'ingénierie, et sont depuis longtemps engagés dans l'enseignement et la recherche dans les domaines de l'artificiel l'intelligence, l'apprentissage automatique, l'apprentissage en profondeur et l'analyse de mégadonnées. .
- Heure et lieu :
27 juillet 2023 - 31 juillet 2023 Shanghai (transféré simultanément pour diffusion en direct en ligne )
( Inscription le 27 et distribution des supports de cours , cours du 28 au 31 )
3. Fonctionnalités d'entraînement :
1. À l'aide d'une méthode simple, combinée à des exemples et à un grand nombre d'exercices de code, en se concentrant sur l'explication du modèle de cadre d'apprentissage en profondeur, des algorithmes scientifiques et des compétences du processus de formation.
2. Être capable de saisir la tendance de développement technologique de l'apprentissage en profondeur, de maîtriser la technologie de base et les compétences pratiques de l'apprentissage en profondeur, et en même temps d'analyser, d'expliquer et de discuter des problèmes difficiles du travail, afin d'améliorer efficacement la capacité des étudiants à résoudre des problèmes complexes;
3. Maîtrisez la construction et la configuration du réseau de formation Transformer , un grand modèle d'apprentissage en profondeur , et maîtrisez l'exploration en profondeur de la valeur des données.
4. Maîtriser le modèle et le framework de réseau neuronal graphique Py Torch
5. Pratiquez des cas tels que la reconnaissance des polices manuscrites et la classification des feuilles, et laissez l'IA jouer à des jeux par elle-même.
6. Selon vos propres projets de recherche scientifique et vos recherches sur le sujet, maîtrisez les cinq modèles de cadre d'apprentissage en profondeur de manière flexible.
Remarque : autres jeux de données publics open source : ImageNet, MS-COCO, UCF101, HMDB51, PASCAL VOC, Open Images, etc.
4. Intervenants :
Toutes les provinces, municipalités et régions autonomes sont engagées dans l'intelligence artificielle, l'apprentissage en profondeur, la vision par ordinateur, la reconnaissance faciale, le traitement d'images, la détection des piétons, le traitement du langage naturel et d'autres domaines connexes. Et les étudiants diplômés et autres personnels connexes, ainsi que l'apprentissage en profondeur, passionnés de vision par ordinateur.
5. Norme de frais :
Classe A : 5680 yuans/personne (y compris les frais d'inscription, les frais de formation, les frais de matériel et les frais de certificat de classe A), l'hébergement peut être organisé de manière uniforme et les dépenses sont à leur charge.
1. Les frais de formation sont perçus par l'établissement d'enseignement qui organise le cours de formation et fournit une facture de formation.
2. Vous pouvez bénéficier d'une remise de 10% pour un versement une semaine avant le cours, ou d'une remise de 10% pour une inscription de plus de 5 personnes, et les deux remises ne peuvent pas être cumulées. Inscrivez-vous pour plus de 8 personnes pour bénéficier d'une remise de 12%.
3. Les étudiants participant à une formation en ligne et hors ligne peuvent bénéficier des droits d'enregistrement et de lecture vidéo, ainsi que du droit de participer gratuitement à des cours hors ligne du même thème .
6. Délivrance des certificats :
A. Les étudiants qui ont participé à une formation pertinente et réussi l'évaluation recevront une certification de capacité professionnelle "Deep Learning Development and Application Engineer" (Advanced) par l'Institut d'éducation moderne de l'Académie chinoise des sciences de gestion , qui peut être demandée via le site officiel, et le certificat peut être utilisé par les unités concernées . C'est une base importante pour la nomination, l'évaluation du titre professionnel, l'évaluation et l'évaluation des capacités du personnel professionnel et technique.
Remarque : Les étudiants sont priés de soumettre des photos couleur électroniques (plus de 20 Ko , les arrière-plans rouges et bleus sont acceptables ) , des copies des cartes d'identité et des certificats académiques à la boîte aux lettres d'inscription .
7. Questions nécessitant une attention particulière
1. Adresse e-mail d'inscription désignée : [email protected].
2. Une fois l'inscription réussie, le groupe des affaires de la conférence publiera un avis d'inscription spécifique et un itinéraire de conduite une semaine avant l'inscription.
3. Les étudiants doivent apporter leur propre ordinateur, équipé d'un système win10, 64 bits, 8G ou plus de mémoire, et réserver 100G d'espace disque.
Pièce jointe : horaire de cours spécifique
| point clé |
|
|
| 1. Compréhension de l'algorithme et de la fusion de scènes |
1. Données non structurées avec corrélation spatiale, algorithme CNN . Pour les données d'image typiques, il existe une corrélation spatiale entre les pixels. Par exemple, la classification, la segmentation et la détection des images sont toutes des algorithmes CNN. 2. Données non structurées dépendant du temps , algorithme RNN . Un phénomène courant dans ce type de scénario est qu'il existe une corrélation chronologique entre les données, c'est-à-dire qu'il existe une dépendance séquentielle entre les données. Par exemple, le traitement du langage naturel et les algorithmes liés à la parole sont basés sur des algorithmes RNN . 3. Structure de données non euclidienne , GNN . De tels scénarios peuvent généralement être représentés par des graphiques. Par exemple les réseaux sociaux etc. |
Explication du résumé du cas Domaine médical : détection de maladies apparentées telles que les maladies épidémiques et les tumeurs Domaine de télédétection : comme la reconnaissance de scène dans les images de télédétection Exploration pétrolière : comme la détection de la taille des particules de pétrole Transport ferroviaire : comme la détection de foule dense dans le métro Champ de détection : comme la détection de défaut Domaine de la sécurité publique : tel que l'analyse du comportement criminel Domaine de la défense : détection de cible, analyse de signal, connaissance de la situation... Domaines économiques : tels que la prévision des stocks |
| 2. Compréhension et traitement des données |
Analyser des données typiques dans des scénarios typiques et traiter les données en combinaison avec des algorithmes spécifiques |
1. Données structurées, comment lire et organiser les données. 2. Données d'image, méthodes de traitement dans le processus d'application réel, comment effectuer le prétraitement des données, l'amélioration des données, etc. 3. Signaux de synchronisation, comment combiner des données ponctuelles dans une séquence et la méthode de base du traitement des données de séquence. |
| 3. Conception du parcours technique |
Concevez des modèles de réseau neuronal spécifiques pour des scénarios spécifiques et introduisez des structures de réseau typiques adaptées aux données. |
1. Principes de base de la construction de modèles DNN 2. Structure commune du réseau et analyse des paramètres dans le modèle CNN. 3. Certains opérateurs de base pris en charge dans RNN, comment organiser les données de séquence. |
| 4. Validation du modèle et dépannage |
Des algorithmes ou des modèles simples vérifient rapidement des scénarios typiques et expliquent certains problèmes fréquents. |
|
| 5. Principes d'optimisation avancée des modèles |
Différents modèles doivent utiliser la fonction d'optimisation et la méthode d'optimisation des paramètres en rétropropagation |
1. Introduction à l'algorithme d'optimisation de modèle, et l'introduction de l'algorithme basé sur la descente de gradient stochastique. 2. Introduction de fonctions de perte adaptées à différents scénarios. 3. Le processus de poussée du gradient de rétropropagation pour des scénarios typiques. |
| 6. Idées de personnalisation avancées |
Combiné avec certains projets d'étudiants précédents, introduisez brièvement l'idée de résoudre un problème spécifique. |
En imagerie par télédétection, identification des types de cultures dans les parcelles. |
| Analyse pratique et formation La première phase: 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