<form id="hztlr"><nobr id="hztlr"><nobr id="hztlr"></nobr></nobr></form>

          <address id="hztlr"><nobr id="hztlr"></nobr></address>

            <address id="hztlr"><nobr id="hztlr"><meter id="hztlr"></meter></nobr></address>

                  申請試聽

                  溫馨提示:試聽名額有限,請保持手機暢通,優先咨詢報名立享抽獎好禮!

                  立即提交

                  申請試聽

                  溫馨提示:試聽名額有限,請保持手機暢通,優先咨詢報名立享抽獎好禮!

                  申請試聽

                  人工智能工程師

                  機器學習&深度算法工程師

                  學習周期16周

                  人工智能是計算機科學的一個分支,它企圖了解智能的實質,并生產出一種新的能以人類智能相似的方式做出反應的智能機器。本課程包括視覺方向和機器學習方向,在學習過程中,除針對知識點的編程作業之外,還提供了大量工業應用案例數據集,使學員能夠積累豐富的工業實戰經驗。
                  申請試聽

                  機器學習工程師

                  推薦系統&機器學習算法工程師

                  學習周期13周

                  本課程介紹了傳統機器學習領域的經典模型,原理及應用。并初步介紹深度神經網絡領域的一些基礎知識。針對重點內容進行深入講解,并通過習題和編程練習,讓學員掌握工業上最常用的技能。除針對知識點的編程作業,還提供大量工業應用案例數據集,使學員能夠積累豐富的工業實戰經驗。
                  申請試聽
                  課程模塊多模塊自由選擇

                  人工智能工程師

                  學習周期16周

                  人工智能是計算機科學的一個分支,它企圖了解智能的實質,并生產出一種新的能以人類智能相似的方式做出反應的智能機器。本課程包括視覺方向和機器學習方向,在學習過程中,除針對知識點的編程作業之外,還提供了大量工業應用案例數據集,使學員能夠積累豐富的工業實戰經驗。
                  申請試聽

                  機器學習工程師

                  學習周期13周

                  本課程介紹了傳統機器學習領域的經典模型,原理及應用。并初步介紹深度神經網絡領域的一些基礎知識。針對重點內容進行深入講解,并通過習題和編程練習,讓學員掌握工業上最常用的技能。除針對知識點的編程作業,還提供大量工業應用案例數據集,使學員能夠積累豐富的工業實戰經驗。
                  申請試聽
                  預報名搶優惠

                  地區薪資競爭力排行

                  北京¥28980

                  上海¥25790

                  深圳¥25520

                  杭州¥24700

                  來源:職友網2019.6.17數據

                  行業月薪占比分布

                  3.3%10-15K/月

                  8.5%15-20K/月

                  33.6%20-30K/月

                  50.5%30-50K/月

                  來源:職友網2019.6.17數據

                  CSDN學院人工智能課程介紹

                  人工智能你準備好進軍AI領域了嗎?

                  地區薪資競爭力排行

                  北京¥28980

                  上海¥25790

                  深圳¥25520

                  杭州¥24700

                  來源:職友網2019.6.17數據

                  行業月薪占比分布

                  3.3%10-15K/月

                  8.5%15-20K/月

                  33.6%20-30K/月

                  50.5%30-50K/月

                  來源:職友網2019.6.17數據

                  CSDN學院人工智能課程介紹

                  了解AI市場詳情
                  人工智能就業方向
                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  快手映客直播YY直播美圖美團點評百度網易360瀏覽器今日頭條支付寶新浪愛奇藝英語流利說UC瀏覽器Qualcomm

                  高級工程師平均工資60W/年

                  了解更多就業方向
                  計算機視覺引論
                  • 什么是計算機視覺;
                  • 構建第一個視覺程序;
                  • 視覺系統構成;
                  • 讓程序做點事情;
                  • 課程體系結構;
                  • 照明模型;
                  • 顏色模型;
                  • 圖像的采集與傳輸;
                  • 圖像/視頻的壓縮與顯示;
                  視覺處理與分析
                  • 圖像濾波及去噪;
                  • 圖像邊緣檢測;
                  • 直方圖與圖像分割;
                  • 圖像特征描述;
                  • 再論圖像分割;
                  • 綜合示例;
                  • 直線檢測;
                  • HARRIS角點檢測;
                  • SIFT特征提取;
                  • ORB特征檢測;
                  • 特征檢測綜合示例;
                  • 背景建模;
                  • 光流估計;
                  • 綜合示例;
                  • 視覺編程工具;
                  機器學習入門
                  • 線性回歸簡介;
                  • 回歸中的損失函數;
                  • 損失函數的概率解釋;
                  • 過擬合;
                  • Scikit-Learn中帶正則的線性回歸模型;
                  • 正則的概率解釋;
                  • 線性回歸模型解析求解;
                  • 線性回歸模型梯度下降法求解;
                  • 線性回歸模型坐標軸下降求解;
                  • 回歸模型性能評價指標;
                  • 交叉驗證與模型評估;
                  • 線性回歸案例分析: Boston房價預測;
                  • 特征工程:共享單車騎行量預測;
                  • Logistic回歸簡介;
                  • Logistic損失函數;
                  • 正則項;
                  • 牛頓法;
                  • Logistic回歸的優化求解;
                  • 多類分類任務;
                  • 類別樣本不均衡數據;
                  • 分類模型評價指標;
                  • Scikit-Learn中的Logistic回歸;
                  • Logistic回歸案例分析:Otto商品分類;
                  • 特征工程:糖尿病發病預測;
                  深度學習入門
                  • 深度學習歷史與介紹;
                  • 深度學習解決的問題;
                  • 感知器介紹;
                  • 神經網絡的擬合能力;
                  • 全連接神經網絡介紹;
                  • 前向傳播;
                  • 反向傳播;
                  深度學習基礎算法
                  • 整體介紹;
                  • 數據預處理;
                  • 神經網絡簡介;
                  • 激活函數;
                  • Batchnorm;
                  • Dropout;
                  • 網絡連接方式;
                  • Ground truth;
                  • 損失函數;
                  • 學習率;
                  • 優化算法;
                  • 過擬合與欠擬合;
                  • 正則化;
                  • 參數的初始化;
                  框架與環境
                  • Tensorflow
                  • 使用tensorflow構建神經網絡
                  推薦系統方向
                  機器學習基礎算法
                  • SVM簡介;
                  • 帶松弛變量的SVM模型: CSVM;
                  • 對偶問題;
                  • 核方法;
                  • 支持向量回歸:SVR;
                  • Scikit-Learn中的SVM;
                  • SVM案例分析:Otto商品分類;
                  • 決策樹;
                  • Scikit-Learn中的決策樹模型;
                  • 決策樹案例分析:Otto商品分類;
                  • Bagging和隨機森林;
                  • Scikit-Learn中的隨機森林模型;
                  • 隨機森林案例分析:Otto商品分類;
                  • Adaboost;
                  • GBM;
                  • Scikit-Learn中的GBM;
                  • XGBoost原理;
                  • XGBoost工具包使用指南;
                  • XGBoost的Scikit-Learn接口;
                  • XGBoost案例分析:Otto商品分類;
                  • LightGBM原理;
                  • LightGBM使用指南;
                  • LightGBM案例分析:Otto商品分析;
                  • PCA降維原理;
                  • Scikit-Learn中的PCA;
                  • t-SNE;
                  • Scikit-Learn中的 t-SNE;
                  • 降維案例分析:Otto商品數據降維分析;
                  • 聚類簡介;
                  • KMean聚類算法;
                  • Scikit-Learn中的 KMean聚類;
                  • 聚類案例分析:Event聚類;
                  • 推薦系統簡介;
                  • 基于內容的推薦;
                  • 基于用戶的協同過濾;
                  • 基于物品的協同過濾;
                  • 基于矩陣分解的協同過濾;
                  • 協同過濾推薦案例分析:MovieLens電影推薦;
                  • CTR預估簡介;
                  • FTRL模型;
                  • FM與FFM;
                  • GBDT;
                  • Wide and Deep Learning模型;
                  • CTR案例分析:Criteo CTR預估;
                  計算機視覺方向
                  位姿估計與三維重構
                  • 坐標系與相機模型;
                  • 相對位姿測量算法;
                  • 相機標定;
                  • 極線幾何;
                  • 立體視覺與三維重構;
                  • 特征匹配;
                  計算機視覺與神經網絡
                  • 卷積和池化;
                  • 卷積的反向傳播;
                  • Tensorflow基礎;
                  • 卷積神經網絡的tensorflow實現;
                  • 經典卷積神經網絡案例
                  • Vgg/inception網絡代碼講解;
                  • 基于slim的神經網模型訓練;
                  • 分類定位;
                  • 檢測;
                  • 檢測模型的訓練與使用;
                  • 分割;
                  • 人臉;
                  • 其他;
                  • 特征使用-相似圖;
                  人工智能課程大綱

                  入學要求:計算機相關專業,專業課中包含高等數學(或數值分析)、線性代數、概率基礎、數據結構、計算機體系結構和操作系統;熟練掌握一門開發語言,如JAVA、C/C++、Python等;本科畢業,碩士為佳。

                  計算機視覺引論
                  • 什么是計算機視覺;
                  • 構建第一個視覺程序;
                  • 視覺系統構成;
                  • 讓程序做點事情;
                  • 課程體系結構;
                  • 照明模型;
                  • 顏色模型;
                  • 圖像的采集與傳輸;
                  • 圖像/視頻的壓縮與顯示;
                  視覺處理與分析
                  • 圖像濾波及去噪;
                  • 圖像邊緣檢測;
                  • 直方圖與圖像分割;
                  • 圖像特征描述;
                  • 再論圖像分割;
                  • 綜合示例;
                  • 直線檢測;
                  • HARRIS角點檢測;
                  • SIFT特征提取;
                  • ORB特征檢測;
                  • 特征檢測綜合示例;
                  • 背景建模;
                  • 光流估計;
                  • 綜合示例;
                  • 視覺編程工具;
                  機器學習入門
                  • 線性回歸簡介;
                  • 回歸中的損失函數;
                  • 損失函數的概率解釋;
                  • 過擬合;
                  • Scikit-Learn中帶正則的線性回歸模型;
                  • 正則的概率解釋;
                  • 線性回歸模型解析求解;
                  • 線性回歸模型梯度下降法求解;
                  • 線性回歸模型坐標軸下降求解;
                  • 回歸模型性能評價指標;
                  • 交叉驗證與模型評估;
                  • 線性回歸案例分析: Boston房價預測;
                  • 特征工程:共享單車騎行量預測;
                  • Logistic回歸簡介;
                  • Logistic損失函數;
                  • 正則項;
                  • 牛頓法;
                  • Logistic回歸的優化求解;
                  • 多類分類任務;
                  • 類別樣本不均衡數據;
                  • 分類模型評價指標;
                  • Scikit-Learn中的Logistic回歸;
                  • Logistic回歸案例分析:Otto商品分類;
                  • 特征工程:糖尿病發病預測;
                  深度學習入門
                  • 深度學習歷史與介紹;
                  • 深度學習解決的問題;
                  • 感知器介紹;
                  • 神經網絡的擬合能力;
                  • 全連接神經網絡介紹;
                  • 前向傳播;
                  • 反向傳播;
                  深度學習基礎算法
                  • 整體介紹;
                  • 數據預處理;
                  • 神經網絡簡介;
                  • 激活函數;
                  • Batchnorm;
                  • Dropout;
                  • 網絡連接方式;
                  • Ground truth;
                  • 損失函數;
                  • 學習率;
                  • 優化算法;
                  • 過擬合與欠擬合;
                  • 正則化;
                  • 參數的初始化;
                  框架與環境
                  • Tensorflow
                  • 使用tensorflow構建神經網絡
                  推薦系統方向
                  機器學習基礎算法
                  • SVM簡介;
                  • 帶松弛變量的SVM模型: CSVM;
                  • 對偶問題;
                  • 核方法;
                  • 支持向量回歸:SVR;
                  • Scikit-Learn中的SVM;
                  • SVM案例分析:Otto商品分類;
                  • 決策樹;
                  • Scikit-Learn中的決策樹模型;
                  • 決策樹案例分析:Otto商品分類;
                  • Bagging和隨機森林;
                  • Scikit-Learn中的隨機森林模型;
                  • 隨機森林案例分析:Otto商品分類;
                  • Adaboost;
                  • GBM;
                  • Scikit-Learn中的GBM;
                  • XGBoost原理;
                  • XGBoost工具包使用指南;
                  • XGBoost的Scikit-Learn接口;
                  • XGBoost案例分析:Otto商品分類;
                  • LightGBM原理;
                  • LightGBM使用指南;
                  • LightGBM案例分析:Otto商品分析;
                  • PCA降維原理;
                  • Scikit-Learn中的PCA;
                  • t-SNE;
                  • Scikit-Learn中的 t-SNE;
                  • 降維案例分析:Otto商品數據降維分析;
                  • 聚類簡介;
                  • KMean聚類算法;
                  • Scikit-Learn中的 KMean聚類;
                  • 聚類案例分析:Event聚類;
                  • 推薦系統簡介;
                  • 基于內容的推薦;
                  • 基于用戶的協同過濾;
                  • 基于物品的協同過濾;
                  • 基于矩陣分解的協同過濾;
                  • 協同過濾推薦案例分析:MovieLens電影推薦;
                  • CTR預估簡介;
                  • FTRL模型;
                  • FM與FFM;
                  • GBDT;
                  • Wide and Deep Learning模型;
                  • CTR案例分析:Criteo CTR預估;
                  計算機視覺方向
                  位姿估計與三維重構
                  • 坐標系與相機模型;
                  • 相對位姿測量算法;
                  • 相機標定;
                  • 極線幾何;
                  • 立體視覺與三維重構;
                  • 特征匹配;
                  計算機視覺與神經網絡
                  • 卷積和池化;
                  • 卷積的反向傳播;
                  • Tensorflow基礎;
                  • 卷積神經網絡的tensorflow實現;
                  • 經典卷積神經網絡案例
                  • Vgg/inception網絡代碼講解;
                  • 基于slim的神經網模型訓練;
                  • 分類定位;
                  • 檢測;
                  • 檢測模型的訓練與使用;
                  • 分割;
                  • 人臉;
                  • 其他;
                  • 特征使用-相似圖;
                  查看完整學習大綱
                  • CTR預估
                  • 音樂網站
                    用戶流失預測
                  • 視頻目標跟蹤
                  • 全景拼接
                  • 搭建新的神經網絡
                  • 車輛檢測識別

                  項目一:CTR預估

                  廣告點擊率(Click-Through Rate Prediction, CTR)是互聯網計算廣告中的關鍵環節,預估準確性直接影響公司的廣告收入。機器學習技術可在計算廣告中大展身手,著名互聯網廣告公司Avazu(艾維邑動)就是通過程序化廣告技術進行效果營銷。

                  實戰項目是對Avazu提供的Kaggle競賽數據進行移動CTR預估。

                  項目二:用戶流失預測

                  第十一屆ACM網絡搜索與數據挖掘國際會議(WSDM)要求參賽者利用KKBOX數據集建立智能算法來預測訂閱用戶是否會流失。對于依賴訂閱業務的KKBOX來說,準確預測流失率是業務成功的關鍵。通過結果分析,以便KKBOX進一步了解用戶需求,在保持用戶活躍度上進一步采取行動

                  項目三:視頻目標跟蹤

                  視頻場景中的運動目標跟蹤在計算機視覺研究及應用中具有重要地位,也是安防、監控領域的核心算法之一,在此基礎上可構建入侵檢測、人員計數、車輛違章自動記錄等眾多應用。因此,將首先練習視頻目標跟蹤項目,重點掌握背景提取、目標分割及描述等方法,及如何將上述方法在實際系統中綜合運用

                  項目四:全景拼接

                  全景拼接用于將不同角度拍到的多幅照片合成一幅全景,在攝影、虛擬旅游、監控、虛擬現實等領域中廣泛應用。課程通過全景拼接項目的設計與實現,掌握特征檢測、位姿估計、圖像配準、圖像合成等相關技術,并將上述技術綜合實現,完成全景拼接

                  項目五:搭建神經網絡

                  利用已經掌握的神經網絡基本模塊嘗試構建一個新的網絡模型;使用新的網絡模型在我們提供的數據集上跑到top1 60%以上 top5 80%以上的準確率結果

                  項目六:車輛檢測識別

                  車輛檢測及型號識別廣泛應用于物業,交通等的管理場景中。通過在停車場出入口,路口,高速卡口等位置采集的圖片數據,對車輛的數量型號等進行識別,可以以較高的效率對車型,數量信息等進行采集。通過采集的數據,在不同的場景中可以輔助不同的業務開展。如商場停車位的規劃,路況規劃,或者公安系統追蹤肇事車輛

                  工業級實戰項目,真實案例數據集
                  • CTR預估
                  • 音樂網站
                    用戶流失預測
                  • 視頻目標跟蹤
                  • 全景拼接
                  • 搭建新的神經網絡
                  • 車輛檢測識別

                  項目一:CTR預估

                  廣告點擊率(Click-Through Rate Prediction, CTR)是互聯網計算廣告中的關鍵環節,預估準確性直接影響公司的廣告收入。機器學習技術可在計算廣告中大展身手,著名互聯網廣告公司Avazu(艾維邑動)就是通過程序化廣告技術進行效果營銷。

                  實戰項目是對Avazu提供的Kaggle競賽數據進行移動CTR預估。

                  項目二:用戶流失預測

                  第十一屆ACM網絡搜索與數據挖掘國際會議(WSDM)要求參賽者利用KKBOX數據集建立智能算法來預測訂閱用戶是否會流失。對于依賴訂閱業務的KKBOX來說,準確預測流失率是業務成功的關鍵。通過結果分析,以便KKBOX進一步了解用戶需求,在保持用戶活躍度上進一步采取行動

                  項目三:視頻目標跟蹤

                  視頻場景中的運動目標跟蹤在計算機視覺研究及應用中具有重要地位,也是安防、監控領域的核心算法之一,在此基礎上可構建入侵檢測、人員計數、車輛違章自動記錄等眾多應用。因此,將首先練習視頻目標跟蹤項目,重點掌握背景提取、目標分割及描述等方法,及如何將上述方法在實際系統中綜合運用

                  項目四:全景拼接

                  全景拼接用于將不同角度拍到的多幅照片合成一幅全景,在攝影、虛擬旅游、監控、虛擬現實等領域中廣泛應用。課程通過全景拼接項目的設計與實現,掌握特征檢測、位姿估計、圖像配準、圖像合成等相關技術,并將上述技術綜合實現,完成全景拼接

                  項目五:搭建神經網絡

                  利用已經掌握的神經網絡基本模塊嘗試構建一個新的網絡模型;使用新的網絡模型在我們提供的數據集上跑到top1 60%以上 top5 80%以上的準確率結果

                  項目六:車輛檢測識別

                  車輛檢測及型號識別廣泛應用于物業,交通等的管理場景中。通過在停車場出入口,路口,高速卡口等位置采集的圖片數據,對車輛的數量型號等進行識別,可以以較高的效率對車型,數量信息等進行采集。通過采集的數據,在不同的場景中可以輔助不同的業務開展。如商場停車位的規劃,路況規劃,或者公安系統追蹤肇事車輛

                  查看更多實戰項目

                  申請試聽

                  完整測試題,看你與人工智能領域有多遠

                  溫馨提示:優惠/試聽名額有限,請保持手機暢通

                  申請試聽

                  具備一定開發經驗,希望向人工智能領域發展的開發人員。

                  計算機相關專業,希望向人工智能領域發展的學生。

                  在職有技能提升需求的人群。

                  希望在原有工作崗位有突破的人群。

                  我適合學人工智能嗎?

                  免費測試

                  完整測試題,看你與人工智能領域有多遠

                  立即提交

                  具備一定開發經驗,希望向人工智能領域發展的開發人員。

                  計算機相關專業,希望向人工智能領域發展的學生。

                  在職有技能提升需求的人群。

                  希望在原有工作崗位有突破的人群。

                  我要測試
                  實戰講師基礎+項目訓練組合,教你學AI
                  和老師聊聊
                  有時間選擇比努力更重要
                  *您的姓名: *您的手機:
                  爱乐透彩票