中关村深度学习培训

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。

本次由讲师指导的中关村（线上或线下）培训，面向希望深入了解计算机视觉并探索TensorFlow在开发复杂视觉模型方面能力的进阶专业人士。

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（CNNs）。
• 利用Google Colab进行可扩展且高效的基于云的模型开发。
• 实施图像预处理技术以完成计算机视觉任务。
• 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中关村（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 中关村 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 中关村 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

本次由讲师指导的中关村（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 中关村 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 中关村 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 中关村 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。

这种讲师指导的现场培训（在线或现场）面向希望 利用 Stable Diffusion 为各种使用案例生成高品质图像的数据科学家、机器学习工程师和计算机视觉研究人员。

在本次培训结束时，参与者将能够：

• 了解 Stable Diffusion 的原理以及它如何用于图像生成。
• 为图像生成任务构建和训练 Stable Diffusion 模型。
• 将 Stable Diffusion 应用于各种图像生成方案，例如修复、出海和图像到图像的转换。
• 优化 Stable Diffusion 模型的性能和稳定性。

在这个由 中关村 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。

这种由讲师指导的中关村现场（现场或远程）现场培训面向希望在创建深度学习代理时学习Deep Reinforcement Learning基础知识的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 了解 Deep Reinforcement Learning 背后的关键概念，并能够将其与机器学习区分开来。
• 应用高级 Reinforcement Learning 算法来解决实际问题。
• 构建深度学习代理。

在这个以讲师为主导的 中关村 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中关村（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。 

这门由讲师指导的中关村（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。

Caffe是一个深刻的学习框架，以表达，速度和模块化为基础。

本课程以MNIST为例，探讨了Caffe作为图像识别的深度学习框架的应用

听众

本课程适合有兴趣使用Caffe作为框架的Deep Learning研究人员和工程师。

完成本课程后，代表们将能够：

• 了解Caffe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，执行调试，监控
• 实施高级生产，如培训模型，实施图层和日志记录

这种由 讲师指导的 中关村 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。

Computer Network ToolKit （CNTK） 是 Microsoft 的开源、多机器、多 GPU、高效的 RNN 训练机器学习框架，用于语音、文本和图像。

观众

本课程针对旨在在其专案中使用 CNTK 的工程师和架构师。

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中关村现场培训（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 中关村 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中关村现场培训中，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。

听众

本课程适合有兴趣利用可用工具（主要是开源）分析计算机图像的Deep Learning研究人员和工程师

本课程提供了工作实例。

这种由讲师指导的 中关村 现场实时培训（在线或现场）面向希望加速即时机器学习应用程式并大规模部署它们的数据科学家。

在本次培训结束时，参与者将能够：

• 安装 OpenVINO 工具包。
• 使用 FPGA 加速电脑视觉应用程式。
• 在 FPGA 上执行不同的 CNN 层。
• 在 Kubernetes 群集中的多个节点之间扩展应用程式。

这种以讲师为主导的中关村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。

这种由 讲师指导的 中关村 现场实时培训（在线或现场）面向希望使用 Horovod 运行分散式深度学习训练并将其扩展为在多个 GPU 之间并行运行的开发人员或数据科学家。

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运行深度学习训练。
• 安装并配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 训练模型。
• 使用 Horovod 扩展深度学习训练以在多个 GPU 上运行。

类型：理论培训，应用事先由学生决定，在烤宽面条或Keras上，取决于教学组

教学方法：演讲、交流和案例研究

人工智能在颠覆了许多科学领域之后，已经开始彻底改变许多经济部门（工业、医学、通信等）。然而，它在主流媒体上的呈现往往是一种幻想，与Machine Learning或Deep Learning领域的真实情况相去甚远。本培训的目的是为已经掌握计算机工具（包括基本软件编程）的工程师介绍 Deep Learning 及其不同的专业领域，从而介绍当今存在的主要网络架构。如果在课程中回忆起数学的基础知识，建议学习 BAC+2 类型的数学水平，以获得更舒适的体验。跳过数学轴，只保持“系统”的视野是绝对可能的，但这种方法会极大地限制你对主题的理解。

这种由讲师指导的现场培训在 中关村（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。

在这一由讲师引导的现场培训中，参与者将学习如何使用Matlab来设计、构建、可视化用于图像识别的卷积神经网络。

在培训结束后，参与者将能够：

• 建立深度学习的模式
• 使数据分类自动化
• 使用Caffe和TensorFlow-Keras的模型
• 使用多个GPU、云或群集训练数据

受众

• 开发人员
• 工程师
• 领域专家

课程形式

• 部分讲座、部分讨论、练习和大量实操

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中关村现场培训（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。

OpenFace 是基于 Python 和 Torch 的开源即时面部识别软体，基于 Google 的 FaceNet 研究。

在这个由讲师指导的现场培训中，参与者将学习如何使用 OpenFace 的元件来创建和部署范例面部识别应用程式。

在本次培训结束时，参与者将能够：

• 使用 OpenFace 的元件（包括 dlib、OpenVC、Torch 和 nn4）实现人脸检测、对齐和转换
• 将OpenFace应用于实际应用，例如监控、身份验证、虚拟实境、游戏和识别回头客等。

观众

• 开发人员
• 数据科学家

课程形式

• 部分讲座、部分讨论、练习和大量动手实践

在这场由讲师指导的线下培训中，学员将学习如何设置和使用OpenNMT来执行各种样本数据集的翻译。课程首先概述了神经网络在机器翻译中的应用。学员将在课程中进行实时练习，以展示他们对所学概念的理解，并获得讲师的反馈。

在培训结束时，学员将具备实施OpenNMT解决方案所需的知识和实践经验。

源语言和目标语言的样本将根据学员的需求预先安排。

课程形式

• 部分讲座、部分讨论、大量实践操作

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中关村现场培训（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中关村现场培训（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中关村现场（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Go ogle Deep Learning开源软件库的第二代API。该系统旨在促进机器学习的研究，并使其从研究原型到生产系统的快速和轻松过渡。

听众

本课程面向希望将TensorFlow用于Deep Learning项目的工程师

完成本课程后，代表们将：

• 了解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，执行调试，监控
• 能够实现高级生产，如培训模型，构建图形和记录

本课程通过具体的例子探讨了Tensor Flow在图像识别方面的应用

听众

本课程适用于寻求将TensorFlow用于图像识别的工程师

完成本课程后，代表们将能够：

• 了解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，执行调试，监控
• 实施先进的生产，如培训模型，建立图表和记录

这种以讲师为主导的中关村现场培训（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™ 是使用数据流图表进行数字计算的开源软件图书馆。

SyntaxNet 是一种神经网络的自然语言处理框架。

Word2Vec 用于学习 vector 表达词,称为 "word embeddings"。 Word2vec 是一个特别计算效率预测模型,用于从原始文本中学习字体内置。 它分为两种品味,即CBOW(Continuous Bag-of-0)模型和Skip-Gram模型(Mikolov et al.第3.1和第3.2章)。) )

SyntaxNet 和 Word2Vec 在同步中使用,允许用户从自然语言输入中创建学习嵌入式模型。

观众

该课程针对开发人员和工程师,他们打算在他们的图表中与SintaxNet和 Word2Vec模型合作。

完成此课程后,代表将:

• 理解 TensorFlow’的结构和部署机制
• 能够执行安装 / 生产环境 / 建筑任务和配置
• 能够评估代码质量,进行解体,监测
• 能够实施先进的生产,如培训模型、包装条款、构建图表和登记

本课程首先介绍神经网络的概念知识，通常还包括机器学习算法，深度学习（算法和应用程序）。

本次培训的一部分-1（40％）更注重基本面，但会帮助你选择合适的技术： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。

本次培训的第2部分（20％）介绍了Theano--一个python库，可以轻松编写深度学习模型。

第3部分（40％）的培训将广泛基于Tensorflow - Go ogle的Deep Learning开源软件库的第二代API。示例和动手都将在TensorFlow 。

听众

本课程面向希望将TensorFlow用于Deep Learning项目的工程师

完成本课程后，代表们将：

• 对深度神经网络（DNN），CNN和RNN有很好的理解

• 了解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，执行调试，监控

• 能够实现高级生产，如培训模型，构建图形和记录