北京机器学习培训

这种由讲师指导的 北京 现场培训（在线或现场）面向希望了解预训练模型概念并学习如何应用它们来解决实际问题而无需从头开始构建模型的初级专业人员。

在本次培训结束时，参与者将能够：

• 了解预训练模型的概念和优势。
• 探索各种预先训练的模型架构及其使用案例。
• 针对特定任务微调预先训练的模型。
• 在简单的机器学习项目中实施预训练模型。

这种以讲师为主导的北京（在线或现场）现场培训面向具有不同专业水平的参与者，他们希望利用 Google 的 AutoML 平台为各种应用程序构建定制的聊天机器人。

在培训结束时，参与者将能够：

• 了解聊天机器人开发的基础知识。
• 浏览 Google 云平台并访问 AutoML。
• 为训练聊天机器人模型准备数据。
• 使用 AutoML 训练和评估自定义聊天机器人模型。
• 将聊天机器人部署并集成到各种平台和渠道中。
• 随时间推移监控和优化聊天机器人性能。

本次由讲师指导的线下或线上培训，面向希望优化AI模型以在边缘设备上部署的中级AI开发者、机器学习工程师和系统架构师。

在培训结束时，参与者将能够：

• 了解在边缘设备上部署AI模型的挑战和需求。
• 应用模型压缩技术，减少AI模型的规模和复杂性。
• 利用量化方法，提升模型在边缘硬件上的效率。
• 实施剪枝和其他优化技术，提升模型性能。
• 在各种边缘设备上部署优化后的AI模型。

本次由讲师指导的线下或线上培训，面向中级开发者、数据科学家和技术爱好者，旨在帮助他们掌握在各种应用中在边缘设备上部署AI模型的实用技能。

培训结束后，参与者将能够：

• 理解Edge AI的原理及其优势。
• 设置和配置边缘计算环境。
• 开发、训练和优化用于边缘部署的AI模型。
• 在边缘设备上实现实用的AI解决方案。
• 评估并改进边缘部署模型的性能。
• 解决Edge AI应用中的伦理和安全问题。

本课程为讲师引导的培训，在北京（线上或线下）进行，面向具有中高级经验的AI工程师和数据科学家，旨在通过现代MLOps实践，提升DeepSeek模型的性能，减少延迟，并高效部署AI解决方案。

培训结束后，学员将能够：

• 优化DeepSeek模型，提升效率、准确性和可扩展性。
• 实施MLOps和模型版本控制的最佳实践。
• 在云端和本地基础设施上部署DeepSeek模型。
• 有效监控、维护和扩展AI解决方案。

MLOps on Kubernetes 是一个框架，用于通过容器化流水线和GitOps工作流自动化机器学习的训练、验证、打包和部署。

本课程由讲师指导，提供线上或线下培训，面向希望构建自动化、可扩展的MLOps流水线的中级从业者。

完成本培训后，学员将能够：

• 设计端到端的机器学习CI/CD流水线。
• 实现用于模型部署和版本控制的GitOps工作流。
• 自动化机器学习模型的训练、测试和打包。
• 集成监控、告警和回滚策略。

课程形式

• 讲师引导的演讲和技术深入探讨。
• 实践练习，构建真实的CI/CD工作流。
• 实时实验室练习，部署机器学习工作负载到Kubernetes。

课程定制选项

• 组织可以请求与内部MLOps工具和基础设施相匹配的定制内容。

Kubeflow 是一个开源平台，旨在简化在 Kubernetes 上构建、训练和部署机器学习工作负载的过程。

本课程为讲师指导的培训（线上或线下），面向希望使用 Kubeflow 构建可靠机器学习工作流的初级到中级专业人士。

完成本培训后，学员将掌握以下技能：

• 熟悉 Kubeflow 生态系统及其核心组件。
• 使用 Kubeflow Pipelines 构建可重复的工作流。
• 在 Kubernetes 上运行可扩展的训练任务。
• 使用 Kubeflow Serving 高效部署机器学习模型。

课程形式

• 引导式演示与协作讨论。
• 使用真实 Kubeflow 组件的实践操作。
• 构建端到端机器学习工作流的实际练习。

课程定制选项

• 可根据团队的技术栈和项目需求定制本培训内容。

TinyML是在资源受限的边缘设备上部署优化机器学习模型的实践。

本次由讲师主导的培训（线上或线下）面向希望设计、优化和部署完整TinyML管道的高级技术专业人员。

通过本次培训，参与者将学习如何：

• 收集、准备和管理TinyML应用的数据集。
• 为低功耗微控制器训练和优化模型。
• 将模型转换为适合边缘设备的轻量级格式。
• 在真实硬件环境中部署、测试和监控TinyML应用。

课程形式

• 讲师指导的讲座和技术讨论。
• 实践实验室和迭代实验。
• 在基于微控制器的平台上进行动手部署。

课程定制选项

• 如需定制特定工具链、硬件板或内部工作流程的培训，请联系我们安排。

本课程为讲师指导的线下或线上培训，面向中级开发者、数据科学家和AI从业者，旨在帮助他们利用TensorFlow Lite开发Edge AI应用。

通过本培训，学员将能够：

• 理解TensorFlow Lite的基础知识及其在Edge AI中的作用。
• 使用TensorFlow Lite开发和优化AI模型。
• 在各种边缘设备上部署TensorFlow Lite模型。
• 掌握模型转换和优化的工具与技术。
• 使用TensorFlow Lite实现实际的Edge AI应用。

本课程为讲师指导的培训，在北京（线上或线下）进行，面向希望掌握自主系统背后技术的高级专业人员。

在本培训结束时，参与者将能够：

• 设计和实现用于自主决策的AI模型。
• 开发用于自主导航和避障的控制算法。
• 确保AI驱动的自主系统的安全性和可靠性。
• 将自主系统与现有的机器人和AI框架集成。

本次由讲师指导的线下或线上培训面向希望深入了解计算机视觉并探索TensorFlow在Google Colab上开发复杂视觉模型能力的高级专业人员。

培训结束后，参与者将能够：

• 使用TensorFlow构建和训练卷积神经网络（CNN）。
• 利用Google Colab进行可扩展且高效的基于云的模型开发。
• 为计算机视觉任务实施图像预处理技术。
• 部署计算机视觉模型以用于实际应用。
• 使用迁移学习提升CNN模型的性能。
• 可视化并解释图像分类模型的结果。

TinyML是一种在低功耗、资源受限的边缘网络设备上部署机器学习模型的方法。

本课程为讲师指导的培训（线上或线下），面向希望保护TinyML管道并在边缘AI应用中实施隐私保护技术的高级专业人员。

课程结束后，学员将能够：

• 识别设备端TinyML推理中特有的安全风险。
• 为边缘AI部署实施隐私保护机制。
• 强化TinyML模型和嵌入式系统，抵御对抗性威胁。
• 在受限环境中应用安全数据处理的最佳实践。

课程形式

• 专家主导的讨论支持的互动讲座。
• 强调真实威胁场景的实践练习。
• 使用嵌入式安全和TinyML工具进行动手实践。

课程定制选项

• 组织可以请求定制版本的培训，以满足其特定的安全和合规需求。

本次由讲师主导的培训在北京（线上或线下）面向希望提升机器学习模型知识、改进超参数调优技能，并学习如何使用Google Colab有效部署模型的高级专业人士。

培训结束后，参与者将能够：

• 使用Scikit-learn和TensorFlow等流行框架实现高级机器学习模型。
• 通过超参数调优优化模型性能。
• 使用Google Colab在实际应用中部署机器学习模型。
• 在Google Colab中协作和管理大规模机器学习项目。

本次由讲师指导的培训在北京（线上或线下）进行，面向中级专业人员，旨在应用AI技术优化半导体制造中的良率管理。

培训结束后，学员将能够：

• 分析生产数据，识别影响良率的因素。
• 实施AI算法，优化良率管理流程。
• 优化生产参数，减少缺陷，提高良率。
• 将AI驱动的良率管理集成到现有生产工作流程中。

TinyML是一个框架，用于在低功耗微控制器和嵌入式平台上部署机器学习模型，这些平台广泛应用于机器人技术和自主系统。

本课程由讲师主导，提供线上或线下培训，面向希望将基于TinyML的感知和决策能力集成到自主机器人、无人机和智能控制系统中的高级专业人士。

课程结束后，学员将能够：

• 为机器人应用设计优化的TinyML模型。
• 实现用于实时自主性的设备端感知管道。
• 将TinyML集成到现有的机器人控制框架中。
• 在嵌入式硬件平台上部署和测试轻量级AI模型。

课程形式

• 技术讲座与互动讨论相结合。
• 专注于嵌入式机器人任务的实践实验室。
• 模拟真实世界自主工作流程的实践练习。

课程定制选项

• 针对组织特定的机器人环境，可根据要求进行定制。

本次由讲师指导的线下或线上培训，面向中级水平的商业和AI专业人士，旨在通过实际案例和基于Python的工具，帮助他们将机器学习应用于商业、预测和AI驱动系统。

培训结束后，参与者将能够：

• 理解机器学习如何融入AI和商业战略。
• 将监督学习和无监督学习技术应用于结构化的商业问题。
• 对数据进行预处理和转换以用于建模。
• 使用神经网络进行分类和预测任务。
• 使用统计和基于机器学习的方法进行销售预测。
• 实施聚类和关联规则挖掘，用于客户细分和模式发现。

本次由讲师主导的培训在北京（线上或线下）面向中级专业人士，旨在帮助他们应用AI驱动的预测性维护技术，以提高生产效率并减少意外设备故障。

培训结束后，参与者将能够：

• 在半导体制造中实施AI模型以预测设备故障。
• 分析维护数据，识别潜在问题的模式和趋势。
• 将AI驱动的预测性维护集成到现有的制造工作流程中。
• 通过主动设备管理减少停机时间和维护成本。

本课程为讲师指导的培训（线上或线下），面向希望将尖端AI技术应用于半导体设计自动化的高级专业人员，旨在提高芯片设计和验证的效率、准确性和创新性。

在本培训结束时，参与者将能够：

• 应用高级AI技术优化半导体设计流程。
• 将机器学习模型集成到EDA工具中，以增强设计验证。
• 为芯片制造中的复杂设计挑战开发AI驱动解决方案。
• 利用神经网络提高设计自动化的准确性和速度。

本课程为讲师指导的北京（线上或线下）培训，旨在帮助中级数据科学家和开发人员理解并应用深度学习技术，使用Google Colab环境。

培训结束后，参与者将能够：

• 设置并导航Google Colab，用于深度学习项目。
• 理解神经网络的基本原理。
• 使用TensorFlow实现深度学习模型。
• 训练和评估深度学习模型。
• 利用TensorFlow的高级功能进行深度学习。

本课程为讲师指导的培训，在北京（线上或线下）进行，面向希望了解并应用AI技术来优化半导体制造流程的中级专业人士。

培训结束后，学员将能够：

• 了解AI在芯片制造流程优化中的方法。
• 实施AI模型以提高良率并减少缺陷。
• 分析流程数据以识别关键优化参数。
• 应用机器学习技术来微调半导体制造流程。

本次由讲师指导的培训（线上或线下）面向中级参与者，旨在帮助他们使用Apache Airflow自动化和管理机器学习工作流，包括模型训练、验证和部署。

培训结束后，参与者将能够：

• 设置Apache Airflow以进行机器学习工作流编排。
• 自动化数据预处理、模型训练和验证任务。
• 将Airflow与机器学习框架和工具集成。
• 使用自动化管道部署机器学习模型。
• 监控和优化生产中的机器学习工作流。

本次由讲师指导的培训在北京（线上或线下）进行，面向中级数据科学家和开发者，旨在帮助他们在Google Colab环境中高效应用机器学习算法。

培训结束后，参与者将能够：

• 为机器学习项目设置并导航Google Colab。
• 理解并应用各种机器学习算法。
• 使用Scikit-learn等库进行数据分析和预测。
• 实现监督学习和无监督学习模型。
• 有效优化和评估机器学习模型。

TinyML是将机器学习模型部署在资源高度受限的硬件上的实践。

本课程为讲师主导的培训（线上或线下），面向希望优化TinyML模型以在嵌入式设备上实现低延迟、内存高效部署的高级从业者。

完成本培训后，学员将能够：

• 应用量化、剪枝和压缩技术，在不牺牲准确性的情况下减小模型大小。
• 对TinyML模型进行基准测试，评估延迟、内存消耗和能效。
• 在微控制器和边缘设备上实现优化的推理管道。
• 评估性能、准确性和硬件约束之间的权衡。

课程形式

• 讲师主导的演示，辅以技术示范。
• 实践优化练习和性能对比测试。
• 在受控实验室环境中动手实现TinyML管道。

课程定制选项

• 如需根据特定硬件平台或内部工作流程定制培训，请联系我们以定制课程内容。

这种由讲师指导的 北京 现场现场培训（在线或现场）面向希望探索深度学习模型的先进 XAI 技术的高级专业人员，重点是构建可解释的 AI 系统。

在本次培训结束时，参与者将能够：

• 了解深度学习中可解释性的挑战。
• 为神经网路实施高级 XAI 技术。
• 解释深度学习模型做出的决策。
• 评估性能和透明度之间的权衡。

本次由讲师指导的线下或线上培训，旨在帮助初学者理解并应用人工智能技术于半导体制造行业。

培训结束后，学员将能够：

• 理解人工智能的基本原理及其在半导体制造中的应用。
• 识别半导体制造中可有效应用人工智能的领域。
• 利用人工智能工具和技术提升生产效率与质量控制。
• 实施基本的人工智能模型以优化制造流程。

Docker是一个容器化平台，用于为ML系统构建可重复、可移植和可扩展的环境。

本课程为讲师指导的培训（线上或线下），面向希望使用Docker容器化并操作完整ML管道的中级到高级技术专业人员。

培训结束后，学员将能够：

• 容器化ML训练、验证和推理工作负载。
• 使用Docker和支持工具设计和编排端到端ML管道。
• 为ML组件实现版本控制、可重复性和CI/CD。
• 在容器化环境中部署、监控和扩展ML服务。

课程形式

• 互动讲座，辅以实际演示。
• 专注于构建真实ML管道组件的实践练习。
• 端到端容器化工作流程的实时实验。

课程定制选项

• 如需根据特定ML基础设施需求定制培训，请联系我们讨论选项。

本课程为讲师指导的线下或线上培训，面向希望使用ML.NET机器学习模型为企业应用自动生成数据分析预测的数据科学家和开发人员。

培训结束后，学员将能够：

• 安装ML.NET并将其集成到应用开发环境中。
• 理解ML.NET工具和算法背后的机器学习原理。
• 构建并训练机器学习模型，智能地使用提供的数据进行预测。
• 使用ML.NET指标评估机器学习模型的性能。
• 基于ML.NET框架优化现有机器学习模型的准确性。
• 将ML.NET的机器学习概念应用于其他数据科学应用。

本课程为讲师主导的北京（线上或线下）培训，面向中级数据专业人士，旨在帮助他们将机器学习技术应用于数据驱动的业务问题，包括销售预测和使用神经网络的预测建模。

培训结束后，学员将能够：

• 理解机器学习的核心概念和类型。
• 应用分类、回归、聚类和关联分析的关键算法。
• 使用Python进行探索性数据分析和数据准备。
• 使用神经网络进行非线性建模任务。
• 实施预测分析，包括销售数据的业务预测。
• 使用可视化和统计技术评估和优化模型性能。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望扩展深度学习以生成文本到图像的知识和技能的中高级数据科学家、机器学习工程师、深度学习研究人员和计算机视觉专家。

在本次培训结束时，参与者将能够：

• 了解用于文字到图像生成的高级深度学习架构和技术。
• 实施复杂模型和优化，以实现高品质的图像合成。
• 优化大型数据集和复杂模型的性能和可扩充性。
• 优化超参数以获得更好的模型性能和泛化。
• 与其他深度学习框架和工具整合 Stable Diffusion

本次由讲师指导的线下或线上培训，面向中级到高级的网络安全专业人士，旨在提升他们在AI驱动的威胁检测和事件响应方面的技能。

培训结束后，参与者将能够：

• 实施高级AI算法，用于实时威胁检测。
• 针对特定网络安全挑战定制AI模型。
• 开发威胁响应的自动化工作流程。
• 保护AI驱动的安全工具，抵御对抗性攻击。

本次由讲师指导的培训（线上或线下）面向中级嵌入式系统工程师和AI开发者，旨在帮助他们使用TensorFlow Lite和Edge Impulse在微控制器上部署机器学习模型。

培训结束后，参与者将能够：

• 理解TinyML的基础知识及其在边缘AI应用中的优势。
• 为TinyML项目设置开发环境。
• 在低功耗微控制器上训练、优化和部署AI模型。
• 使用TensorFlow Lite和Edge Impulse实现实际TinyML应用。
• 优化AI模型以提升能效并满足内存限制。

本课程为讲师主导的培训，在北京（线上或线下）进行，面向希望学习如何利用AI提升威胁检测和响应能力的初级网络安全专业人士。

培训结束后，参与者将能够：

• 了解AI在网络安全中的应用。
• 实施AI算法进行威胁检测。
• 使用AI工具自动化事件响应。
• 将AI集成到现有的网络安全基础设施中。

本课程为讲师指导的培训（线上或线下），面向希望了解AlphaFold工作原理并在实验研究中使用AlphaFold模型作为指导的生物学家。

培训结束后，学员将能够：

• 理解AlphaFold的基本原理。
• 学习AlphaFold的工作原理。
• 学习如何解读AlphaFold的预测结果。

此讲师指导的 北京 现场培训（在线或现场）面向 希望学习如何使用 RapidMiner 估计和预测值并利用分析工具进行时间序列预测的中级数据分析师。

在本次培训结束时，参与者将能够：

• 学习应用 CRISP-DM 方法，选择合适的机器学习演算法，并增强模型构建和性能。
• 使用 RapidMiner 估计和预测值，并利用分析工具进行时间序列预测。

本次由讲师主导的培训（可在线或线下进行）面向数据科学家、机器学习工程师和计算机视觉研究人员，旨在帮助他们利用Stable Diffusion为各种用例生成高质量图像。

培训结束后，参与者将能够：

• 理解Stable Diffusion的原理及其在图像生成中的应用。
• 构建和训练Stable Diffusion模型，用于图像生成任务。
• 将Stable Diffusion应用于各种图像生成场景，如修复、扩展和图像到图像翻译。
• 优化Stable Diffusion模型的性能和稳定性。

本次由讲师指导的培训在北京（线上或线下）面向希望了解TinyML基础知识、探索其应用并在微控制器上部署AI模型的初级工程师和数据科学家。

培训结束后，参与者将能够：

• 理解TinyML的基础知识及其重要性。
• 在微控制器和边缘设备上部署轻量级AI模型。
• 优化和微调机器学习模型以实现低功耗。
• 将TinyML应用于实际应用，如手势识别、异常检测和音频处理。

本课程的目的是提供在实践中应用机器学习方法的一般熟练程度。通过使用 Python 编程语言及其各种库, 并基于大量的实际示例, 本课程教授如何使用机器学习最重要的构建块, 如何做出数据建模决策, 解释输出并验证结果

我们的目标是让您能够自信地理解和使用机器学习工具箱中最基本的工具, 并避免数据科学应用的常见陷阱。

从零开始用Python实现应用人工智能为程序员和数据分析师提供了使用Python从头构建机器学习解决方案的基础技术。涵盖监督学习分类和回归、无监督学习聚类和异常检测以及高级神经网络架构的核心原理。探讨了使用scikit-learn、Apache Spark MLlib和Jupyter笔记本进行实践AI开发的成熟方法。帮助专业人员实现实用的ML模型，评估算法局限性，并完成解决实际问题的应用项目。

深度强化学习是指“人工智能体”通过反复试验和奖惩来学习的能力。人工智能体旨在模仿人类直接从原始输入（如视觉）获取和构建知识的能力。为了实现强化学习，深度学习和神经网络会被用到。强化学习与机器学习不同，不依赖于有监督和无监督的学习方法。

在这一由讲师引导的现场培训中，学员将在逐步创建深度学习智能体的过程中学习深度强化学习的基础知识。

在本次培训结束后，学员将能够：

• 理解深度强化学习的基本概念，及其与机器学习的区别
• 运用先进的强化学习算法来解决实际问题
• 构建深度学习智能体

受众

• 开发人员
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量实操

探索人工智能的基础知识，揭示了智能技术如何重塑企业运营中的数字战略、自动化和决策。涵盖人工智能历史、问题解决框架、知识表示、不确定性推理和机器学习范式的核心概念，同时涉及沟通技能、感知和自主行动。指导高管和架构师评估人工智能驱动的转型机会，评估新兴技术趋势，并整合实用的智能解决方案，以加速业务敏捷性。

这门课程涵盖了人工智能(在工业中简化 Machine Learning和 Deep Learning)。 它有助于确定哪种技术可以(潜在)在汽车中的多种情况下使用:从简单的自动化,图像识别到自主决策。

这个为期8天的课程，提供了从扎实的Python工程基础到高级AI系统设计的完整学习路径。学员将培养规范的编码实践，掌握统计与深度学习方法，并构建生产级生成式AI和基于agent的系统。课程重点在于可靠性、评估、安全性和实际部署，而不仅仅是实验。

人工神经网络是一种计算数据模型，用于开发能够执行“智能”任务的 Artificial Intelligence (AI) 系统。Neural Networks 通常用于 Machine Learning （ML） 应用程序，这些应用程序本身就是 AI 的一种实现。Deep Learning 是 ML 的一个子集。

这门由讲师指导的北京（线上或线下）培训课程，介绍了模式识别和机器学习的领域，并涵盖了统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学中的实际应用。

通过本培训，参与者将能够：

• 应用核心统计方法于模式识别。
• 使用神经网络和核方法等关键模型进行数据分析。
• 实施高级技术以解决复杂问题。
• 通过结合不同模型来提高预测准确性。

这种以讲师为主导的北京现场现场培训针对的是希望使用TensorFlow分析潜在欺诈数据的数据科学家。

在培训结束时，参与者将能够：

• 在Python和TensorFlow中创建欺诈检测模型。
• 建立线性回归和线性回归模型来预测欺诈。
• 开发一个端到端的人工智慧应用程序来分析欺诈数据。

机器学习是人工智能的一个分支，计算机无需明确编程即可学习。

深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构的方法，如神经网络。

Python是一种高级编程语言，以其清晰的语法和代码可读性著称。

在这次讲师指导的线下培训中，学员将学习如何使用Python为电信行业实现深度学习模型，并逐步创建一个深度学习信用风险模型。

培训结束后，学员将能够：

• 理解深度学习的基本概念。
• 了解深度学习在电信中的应用。
• 使用Python、Keras和TensorFlow为电信创建深度学习模型。
• 使用Python构建自己的深度学习客户流失预测模型。

课程形式

• 互动讲座与讨论。
• 大量练习与实践。
• 在实验环境中进行实际操作。

课程定制选项

• 如需为此课程定制培训，请联系我们安排。

本次实践性、讲师主导的培训课程是Python数据分析课程的自然延续。

它向参与者介绍机器学习的核心概念，并展示如何将这些概念直接应用于预测、分类和分割等数据分析任务。

重点在于理解机器学习在实践中的工作原理，使用Python、Pandas和Jupyter Notebook等熟悉的工具，无需高级数学背景。

本次由讲师指导的培训在北京（线上或线下）面向希望评估当前可用方法和工具的工程师，以便在组织内采用MLOps时做出明智的决策。

通过本次培训，参与者将能够：

• 安装和配置各种MLOps框架和工具。
• 组建具备正确技能的团队，以构建和支持MLOps系统。
• 准备、验证和版本化数据以供ML模型使用。
• 了解ML管道的组件及其所需的工具。
• 实验不同的机器学习框架和服务器，以部署到生产环境。
• 将整个机器学习过程操作化，使其可重现和可维护。

这项由讲师指导的北京（线上或线下）培训，针对中级数据分析师、开发人员或有志成为数据科学家的人士，旨在应用机器学习技术于Python中，以提取洞察、进行预测并自动化数据驱动的决策。

在本课程结束时，参与者将能够：

• 理解并区分关键的机器学习范式。
• 探索数据预处理技术和模型评估指标。
• 应用机器学习算法解决实际数据问题。
• 使用Python库和Jupyter笔记本进行实作开发。
• 构建用于预测、分类、推荐和聚类的模型。

这种以讲师为主导的北京现场培训（现场或远程）面向希望使用Tensorflow 2.x 构建预测器，分类器，生成模型，神经网络等的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 安装并配置 TensorFlow 2.x。
• 了解 TensorFlow 2.x 相对于以前版本的优势。
• 构建深度学习模型。
• 实现高级图像分类器。
• 将深度学习模型部署到云、移动和 IoT 设备。

本课程首先为您提供神经网络、机器学习算法以及深度学习（算法和应用）的概念性知识。

本培训的第1部分（40%）更侧重于基础知识，但将帮助您选择正确的技术：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培训的第2部分（20%）介绍了Theano——一个使编写深度学习模型变得简单的Python库。

本培训的第3部分（40%）将广泛基于TensorFlow——谷歌的开源深度学习软件库的API。所有的示例和动手实践都将在TensorFlow中进行。

受众

本课程面向希望在其深度学习项目中使用TensorFlow的工程师。

完成本课程后，学员将：

• 对深度神经网络（DNN）、CNN和RNN有良好的理解
• 理解TensorFlow的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，进行调试和监控
• 能够实现高级生产任务，如训练模型、构建图和日志记录