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。

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。

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。

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。

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。

在这次讲师指导的培训中，学员将学习如何使用Matlab设计、构建和可视化用于图像识别的卷积神经网络。

培训结束后，学员将能够：

• 构建深度学习模型
• 自动化数据标注
• 使用Caffe和TensorFlow-Keras的模型
• 使用多个GPU、云或集群训练数据

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