北京深度学习培训

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。

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。

这种由 讲师指导的 北京 现场培训（在线或现场）面向希望专注于 NLU 尖端深度学习技术的高级专业人士。

在本次培训结束时，参与者将能够：

• 了解 NLU 和 NLP 模型之间的主要区别。
• 将高级深度学习技术应用于 NLU 任务。
• 探索 Transformer 和 Attention 机制等深层架构。
• 利用 NLU 的未来趋势来构建复杂的 AI 系统。

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。

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

本次由讲师指导的北京（线上或线下）培训面向高级专业人员，旨在利用AI技术革新药物发现和开发流程。

培训结束后，参与者将能够：

• 了解AI在药物发现和开发中的作用。
• 应用机器学习技术预测分子性质和相互作用。
• 使用深度学习模型进行虚拟筛选和先导化合物优化。
• 将AI驱动的方法整合到临床试验流程中。

这种由 北京 的讲师指导的现场培训（在线或现场） 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。

在本次培训结束时，参与者将能够：

• 理解 AlphaFold 的基本原理。
• 了解 AlphaFold 的工作原理。
• 了解如何解释 AlphaFold 预测和结果。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望提高深度学习模型性能的初级到中级数据科学家和机器学习工程师。

在本次培训结束时，参与者将能够：

• 了解分散式深度学习的原理。
• 安装和配置 DeepSpeed。
• 使用 DeepSpeed 在分散式硬体上扩展深度学习模型。
• 实施和试验 DeepSpeed 功能以实现优化和记忆体效率。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望使用大型语言模型完成各种自然语言任务的初级到中级开发人员。

在本次培训结束时，参与者将能够：

• 设置包含常用 LLM 的开发环境。
• 创建基本 LLM 并在自订数据集上对其进行微调。
• 将 LLM 用于不同的自然语言任务，例如文本摘要、问答、文字生成等。
• 使用 TensorBoard、PyTorch Lightning 和 Hugging Face Datasets 等工具调试和评估 LLM。

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。

在这个由 北京 讲师指导的现场培训中，参与者将学习 Python 中最相关和最前沿的机器学习技术，同时构建一系列涉及图像、音乐、文本和财务数据的演示应用程式。

在本次培训结束时，参与者将能够：

• 实施机器学习演算法和技术来解决复杂问题。
• 将深度学习和半监督学习应用于涉及图像、音乐、文本和财务数据的应用程式。
• 将 Python 演算法推向最大潜力。
• 使用 NumPy 和 Theano 等库和包。

这是一个为期 4 天的课程，介绍了 AI 及其使用 Python 编程语言的应用程序。完成本课程后，可以选择额外有一天的时间来开展 AI 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

在这个以讲师为主导的 北京 现场培训中，参与者将学习如何使用 Python 实施电信深度学习模型，同时逐步创建深度学习信用风险模型。

在培训结束时，参与者将能够：

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

本课程是为经理、解决方案架构师、创新官、首席技术官、软件架构师以及任何对应用人工智能概述及其发展的最新预测感兴趣的人创建的。

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。

本课程为讲师指导的北京（线上或线下）培训，旨在帮助初学者学习概率、统计、编程和机器学习的基本概念，并将其应用于人工智能开发。

在培训结束时，学员将能够：

• 理解概率和统计的基本概念，并将其应用于现实场景。
• 编写并理解程序化、函数式和面向对象的编程代码。
• 实施机器学习技术，如分类、聚类和神经网络。
• 使用规则引擎和专家系统开发人工智能解决方案，以解决问题。

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。

这是一个为期 4 天的课程，介绍人工智能及其应用。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

这门由讲师指导的北京（线上或线下）培训课程，针对中级数据科学家和统计学家，旨在帮助他们准备数据、建立模型，并在其专业领域中有效应用机器学习技术。

培训结束后，参与者将能够：

• 理解并实现各种Machine Learning算法。
• 为机器学习应用准备数据和模型。
• 进行事后分析并有效可视化结果。
• 将机器学习技术应用于现实世界中的特定行业场景。

这种由 讲师指导的 北京 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

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。

本课程是 Deep Learning 的一般概述，没有深入探讨任何具体方法。它适合想要开始使用深度学习来提高预测准确性的人。

这种以讲师为主导的北京现场培训（现场或远程）针对希望安装，设置，定制和使用DeepMind Lab平台开发通用人工智能和机器学习系统的研究人员和开发人员。

在培训结束时，参与者将能够：

• 自定义 DeepMind Lab 以构建和运行适合学习和培训需求的环境。
• 使用 DeepMind Lab 的 3D 模拟环境以第一人称视角训练学习代理。
• 促进代理评估，以在类似 3D 游戏的世界中开发智能。

机器学习是人工智慧的一个分支，其中计算机无需明确程式设计即可学习。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（如神经网路）的方法。

这种由讲师指导的 北京 现场培训（在线或现场）面向希望构建和实施深度学习模型以加速收入增长和解决商业世界中问题的业务分析师、数据科学家和开发人员。

在本次培训结束时，参与者将能够：

• 了解机器学习和深度学习的核心概念。
• 通过 ML 和 DL 深入了解商业和行业的未来。
• 通过深度学习定义业务战略 和解决方案。
• 了解如何应用数据科学和深度学习来解决业务问题。
• 使用 Python、Pandas、TensorFlow、CNTK、Torch、Keras 等构建深度学习模型。

机器学习是人工智能的一个分支，其中计算机具有无需明确编程即可学习的能力。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（如神经网络）的方法。Python 是一种高级编程语言，以其清晰的语法和代码可读性而闻名。

在这个以讲师为主导的现场培训中，参与者将学习如何使用Python实施银行业的深度学习模型，同时逐步创建深度学习信用风险模型。

在培训结束时，参与者将能够：

• 了解深度学习的基本概念
• 了解深度学习在银行业中的应用和用途
• 使用 Python、Keras 和 TensorFlow 创建银行业深度学习模型
• 使用 Python 构建自己的深度学习信用风险模型

观众

• 开发 人员
• 数据科学家

课程形式

• 部分讲座，部分讨论，练习和大量的实践练习

在这个由讲师指导的北京现场培训中，参与者将学习使用Python 库进行NLP，因为他们创建了一个处理 一组图片并生成标题的应用程序。 

在培训结束时，参与者将能够：

•  使用 Python 库为 NLP 设计和编写 DL。
• 创建 Python 代码，读取大量图片并生成关键字。
• 创建 Python 代码，用于 从检测到的关键字生成标题。

受众

本课程适合对利用现有工具（主要为开源工具）进行计算机图像分析的深度学习研究人员和工程师。

本课程提供实际案例。

本课程为讲师指导的培训，可在北京（线上或线下）进行，旨在帮助数据科学家加速实时机器学习应用并大规模部署。

培训结束后，参与者将能够：

• 安装OpenVINO工具包。
• 使用FPGA加速计算机视觉应用。
• 在FPGA上执行不同的CNN层。
• 在Kubernetes集群中跨多个节点扩展应用。

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。

本课程由讲师主导，提供北京（线上或线下）培训，旨在帮助开发者或数据科学家使用Horovod运行分布式深度学习训练，并将其扩展至多个GPU并行运行。

培训结束后，参与者将能够：

• 设置必要的开发环境，开始运行深度学习训练。
• 安装和配置Horovod，使用TensorFlow、Keras、PyTorch和Apache MXNet训练模型。
• 使用Horovod扩展深度学习训练，使其在多个GPU上运行。

这种由讲师指导的现场培训在 北京（在线或现场）进行，面向希望将深度学习模型应用于图像识别应用的技术人员。

在本次培训结束时，参与者将能够：

• 安装和配置 Keras。
• 快速构建深度学习模型的原型。
• 实现卷积网路。
• 实现循环网路。
• 在 CPU 和 GPU 上执行深度学习模型。

在这次由讲师主导的线下培训中，学员将学习如何使用Matlab设计、构建并可视化用于图像识别的卷积神经网络。

通过本次培训，学员将能够：

• 构建深度学习模型
• 自动化数据标注
• 使用来自Caffe和TensorFlow-Keras的模型
• 使用多个GPU、云端或集群进行数据训练

受众

• 开发者
• 工程师
• 领域专家

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

这门由教师主导的现场培训课程（在线或现场）旨在让初学者和中级专业人员加深对机器学习算法、深度学习技术和人工智慧驱动的决策制定的理解。该课程提供了有关机器学习概念、深度学习模型和使用 R 的实际实现的实践经验。

通过这次训练，参与者将能够：

• 了解机器学习和深度学习的基本原理。
• 应用各种机器学习算法进行回归、分类、聚类和异常检测。
• 使用人工神经网络（ANN）等深度学习架构。
• 实现有监督和无监督学习模型。
• 评估模型性能并优化超参数。
• 使用 R 进行数据分析、可视化和机器学习应用。

该培训面向希望学习神经网络基础知识及其应用的人员。

这个基于课堂的培训课程将包含演示和基于计算机的示例和案例研究练习，以与相关的神经和深层网络库进行

这种以讲师为主导的北京现场培训（现场或远程）针对希望在Python与OpenCV 4中编程以进行深度学习的软件工程师。

在培训结束时，参与者将能够：

• 使用 OpenCV 查看、加载和分类图像和视频 4.
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 实现深度学习。
• 运行深度学习模型，并从图像和视频中生成有影响力的报告。

在这个以讲师为主导的现场培训中，参与者将学习 Machine Learning 和 R 的高级技术，因为他们逐步创建了实际应用程序。

在培训结束时，参与者将能够：

• 了解并实施无监督学习技术
• 应用聚类和分类，根据真实世界的数据进行预测。
• 可视化数据，以巧妙地获得见解、做出决策并进一步优化分析。
• 使用超参数优化提高机器学习模型的性能。
• 将模型投入生产，以便在更大的应用程序中使用。
• 应用先进的机器学习技术来回答涉及社交网络数据、大数据等的问题。

本课程介绍如何使用 R-project 软件将神经网络应用于现实世界中的问题。

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。

这种以讲师为主导的北京现场培训（现场或远程）面向希望在非常小的嵌入式设备上编写，加载和运行机器学习模型的工程师。

在培训结束时，参与者将能够：

• 安装 TensorFlow Lite。
• 将机器学习模型加载到嵌入式设备上，使其能够检测语音、对图像进行分类等。
• 将 AI 添加到硬件设备，而无需依赖网络连接。

在这个由讲师指导的北京现场（现场或远程）的现场培训中，参与者将学习如何配置和使用TensorFlow Serving在生产环境中部署和管理ML模型。

在培训结束时，参与者将能够：

• 训练、导出和提供各种 TensorFlow 模型。
• 使用单个体系结构和一组 API 测试和部署算法。
• 扩展 TensorFlow Serving 以服务于 TensorFlow 模型以外的其他类型的模型。

TensorFlow 是 Google 开源的深度学习软件库的第二代 API。该系统旨在促进机器学习研究，并快速轻松地将研究原型过渡到生产系统。

受众

本课程面向希望在深度学习项目中使用 TensorFlow 的工程师。

完成本课程后，学员将能够：

• 理解 TensorFlow 的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、构建图和日志记录

本课程通过具体示例，探讨了TensorFlow在图像识别中的应用。

受众

本课程面向希望利用TensorFlow进行图像识别的工程师。

完成本课程后，学员将能够：

• 理解TensorFlow的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、构建图和日志记录

这种以讲师为主导的北京现场培训（现场或远程）针对的是希望从训练单个ML模型到将多个ML模型部署到生产的数据科学家。

在培训结束时，参与者将能够：

• 安装和配置 TFX 和支持的第三方工具。
• 使用 TFX 创建和管理完整的 ML 生产管道。
• 使用 TFX 组件执行建模、训练、提供推理和管理部署。
• 将机器学习功能部署到 Web 应用程序、移动应用程序、IoT 设备等。

TensorFlow™ 是一个开源的软件库，用于使用数据流图进行数值计算。

SyntaxNet 是一个基于神经网络的自然语言处理框架，专为 TensorFlow 设计。

Word2Vec 用于学习词的向量表示，称为“词嵌入”。Word2Vec 是一种计算效率特别高的预测模型，用于从原始文本中学习词嵌入。它有两种模式：连续词袋模型（CBOW）和 Skip-Gram 模型（Mikolov 等人的第 3.1 和 3.2 章）。

SyntaxNet 和 Word2Vec 结合使用，用户可以从自然语言输入中生成学习到的嵌入模型。

受众

本课程面向希望在 TensorFlow 图中使用 SyntaxNet 和 Word2Vec 模型的开发人员和工程师。

完成本课程后，学员将能够：

• 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、嵌入术语、构建图和日志记录

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