留学生深度学习课程辅导|DeepLearning（DL）课程大纲

本地的，具有指导作用的现场深度学习（DL）培训课程通过实践深入学习的基础知识和应用程序进行演示，并涵盖深入机器学习，深层次学习和分层学习等主题。深度学习培训可作为“现场实时培训”或“远程实时培训”。现场实地培训可在当地客户现场进行中国或者在考而思公司的培训中心中国 。远程实时培训通过交互式远程桌面进行。

DeepLearning(DL)课程大纲

Python用于高级机器学习

21小时，在这一由讲师引导的现场培训中，参与者将学习Python中最相关及最尖端的机器学习技术，因为它们构建了一系列涉及图像、音乐、文本和财务数据的演示应用程序。

在本次培训结束后，参与者将能够：-运用用于解决复杂问题的机器学习算法和技术-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序-推动Python算法达到其最大潜力-使用例如NumPy和Theano的库和包受众-开发人员-分析师-数据科学家课程形式-部分讲座、部分讨论、练习和大量实

用Python进行深度强化学习

21小时，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

用于电信行业的深度学习（使用Python）

28小时，机器学习是人工智能的一个分支，指计算机可以在不被明确编程的情况下学习。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（例如神经网络）的方法。Python是一种高级编程语言，以其清晰的语法和代码易读性而闻名。在这一由讲师引导的现场培训中，学员将逐步学习如何创建深度学习信用风险模型，从而学习如何使用Python实现用于电信行业的深度学习模型。

在本次培训结束后，学员将能够：-了解深度学习的基本概念。-了解深度学习在电信行业中的应用和用途。-使用Python、Keras、TensorFlow创建用于电信行业的深度学习模型。-使用Python构建自己的深度学习客户流失预测模型。课程形式-互动讲座和讨论。-大量练习和实操。-在现场实验室环境中动手实现。课程自定义选项-如需本课程的定制培训，请联系我们以作安排。

人工神经网络、机器学习、深度思维

21小时，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”任务的人工智能（AI）系统。神经网络通常用于机器学习（ML）应用程序，这些应用程序本身就是人工智能的一种实现。深度学习是机器学习的一个子集。

深度学习简介

21小时，本课程是深度学习的总体概述，没有深入任何具体方法。它适合想要开始使用深度学习来提高预测准确性的人。

高级深度学习

28小时，机器学习是人工智能的一个分支，其中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（例如神经网络）的方法。

使用Caffe进行视觉深度学习

21小时，Caffe是一个深度学习框架，考虑到表达、速度和模块化。本课程以MNIST为例，探讨了Caffe作为图像识别深度学习框架的应用受众本课程适合有兴趣利用Caffe作为框架的深度学习研究人员和工程师。

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-实现高级生产，如训练模型、实现层和日志记录

视觉深度学习

21小时，观众本课程适合有兴趣利用可用工具（主要是开源）分析计算机图像的深度学习研究人员和工程师本课程提供工作示例。

汽车中的人工智能

14小时，本课程涵盖汽车行业的人工智能（强调机器学习和深度学习）。它有助于确定哪种技术可以（潜在）用于汽车的多种情况：从简单的自动化、图像识别到自主决策。

机器学习和深度学习

21小时，本课程涵盖人工智能（强调机器学习和深度学习）

深度学习基础与实战

14小时，OpenNN：实现神经网络

14小时，在这个讲师指导的现场培训中，我们回顾了神经网络的原理，并使用OpenNN实现了一个示例应用程序。课程形式-讲座和讨论以及实践练习。

OpenNMT：设置神经机器翻译系统

7小时，在这个由讲师指导的现场培训中，参与者将学习如何设置和使用OpenNMT来进行各种示例数据集的翻译。本课程首先概述了应用于机器翻译的神经网络。参与者将在整个课程中进行现场练习，以展示他们对所学概念的理解并从讲师那里获得反馈。在培训结束时，参与者将掌握实施实时OpenNMT解决方案所需的知识和实践。源语言和目标语言样本将根据观众的要求预先安排。

课程形式-部分讲座，部分讨论，大量动手练习

面向工程师的深度学习和神经网络简介

21小时，人工智能在颠覆了许多科学领域之后，彻底改变了大量经济部门（工业、医学、通信等）。然而，他在主要媒体上的演讲往往是一种幻想，与机器学习或深度学习的真正领域相去甚远。本课程的目的是为已经拥有计算机工具硕士学位（包括软件编程基础）的工程师介绍深度学习及其各个专业领域，从而了解当今现有的主要网络架构。如果在课程中召回数学基础，建议学习BAC+2类型的数学水平以获得更多舒适感。为了只保持“系统”愿景而忽略数学轴是绝对可能的，但这种方法会极大地限制你对该主题的理解。

Facebook NMT：设置神经机器翻译系统

7小时，在这个由讲师指导的现场培训中，参与者将学习如何使用Facebook NMT（Fairseq）对示例内容进行翻译。在培训结束时，参与者将掌握实施基于Fairseq的实时机器翻译解决方案所需的知识和实践。

课程形式-部分讲座，部分讨论，大量动手练习注意-如果您希望使用特定的源语言和目标语言内容，请联系我们进行安排。

Microsoft认知工具包2.x

21小时，Microsoft Cognitive Toolkit 2.x（以前称为CNTK）是一个开源的商业级工具包，用于训练深度学习算法以像人脑一样学习。据Microsoft称，CNTK在递归网络上比TensorFlow快5-10倍，在图像相关任务上比TensorFlow快2到3倍。在这个由讲师指导的现场培训中，参与者将学习如何使用Microsoft Cognitive Toolkit创建、训练和评估深度学习算法，以用于涉及多种类型数据（如数据、语音、文本和图像）的商业级AI应用程序。

在本培训结束时，参与者将能够：-从Python、C#或C++程序中将CNTK作为库访问-通过其自己的模型描述语言（BrainScript）将CNTK用作独立的机器学习工具-使用Java程序中的CNTK模型评估功能-组合前馈DNN、卷积网络（CNN）和递归网络（RNN/LSTM）-扩展CPU、GPU和多台计算机上的计算能力-使用现有编程语言和算法访问海量数据集受众-开发人员-数据科学家课程格式-部分讲座、部分讨论、练习和繁重的动手实践注意-如果您希望自定义此培训的任何部分，包括所选的编程语言，请联系我们进行安排。

PaddlePaddle

21小时，PaddlePaddle（PArallel Distributed Deep LEarning）是一个可扩展的深度学习平台，由Baidu.In这个讲师指导的现场培训开发，参与者将学习如何使用PaddlePaddle在其产品和服务应用程序中实现深度学习。

在本次培训结束时，参与者将能够：-设置和配置PaddlePaddle-设置卷积神经网络（CNN）用于图像识别和对象检测-设置循环神经网络（RNN）进行情感分析-在推荐系统上设置深度学习以帮助用户找到答案-预测点击率（CTR），对大规模图像集进行分类，执行光学字符识别（OCR）、对搜索进行排名、检测计算机病毒并实施推荐系统。受众-开发人员-数据科学家课程形式-部分讲座、部分讨论、练习和大量的动手练习

亚马逊DSSTNE：构建推荐系统

7小时，在这个由讲师指导的现场培训中，参与者将学习如何使用DSSTNE构建推荐应用程序。

在本次培训结束时，参与者将能够：-使用稀疏数据集作为输入训练推荐模型-在多个GPU上扩展训练和预测模型-以模型并行方式分散计算和存储-生成类似亚马逊的个性化产品推荐-部署可以在繁重工作负载下扩展的生产就绪应用程序课程格式-部分讲座，部分讨论、练习和繁重的动手练习

T2T：创建用于广义学习的序列到序列模型

7小时，Tensor2Tensor（T2T）是一个模块化、可扩展的库，用于在不同任务中训练AI模型，使用不同类型的训练数据，例如：图像识别、翻译、解析、图像字幕和语音识别。它由Google Brain团队维护。在这个由讲师指导的现场培训中，参与者将学习如何准备深度学习模型来解决多项任务。

在本次培训结束时，参与者将能够：-安装tensor2tensor，选择数据集，并训练和评估AI模型-使用Tensor2Tensor中包含的工具和组件自定义开发环境-创建并使用单个模型同时学习来自多个领域的多个任务-使用该模型从具有大量训练数据的任务中学习，并将这些知识应用于数据所在的任务limited-使用单个GPU获得满意的处理结果经验-开发人员-数据科学家课程形式-部分讲座、部分讨论、练习和繁重的动手练习

OpenFace：创建面部识别系统

14小时，OpenFace是基于Python和Torch的开源实时面部识别软件，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的组件来创建和部署示例面部识别应用程序。在本次培训结束时，参与者将能够：-使用OpenFace的组件，包括dlib、OpenVC、Torch和nn4，以实现人脸检测、对齐和转换-将OpenFace应用于实际应用，例如监控、身份验证、虚拟现实、游戏和识别回头客等。受众-开发人员-数据科学家课程形式-部分讲座、部分讨论、练习和大量的动手练习

使用R进行高级机器学习

21小时，在这个由讲师指导的现场培训中，参与者将在逐步创建实际应用程序时学习使用R进行机器学习的高级技术。在本次培训结束时，参与者将能够：-理解和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。-可视化数据以准确地获得见解、做出决策并进一步完善分析。-使用超参数调整提高机器学习模型的性能。-将模型投入生产以用于更大的应用程序。-应用先进的机器学习技术来回答问题涉及社交网络数据、大数据等。

Matlab：用于深度学习

14小时，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

面向金融的深度学习（使用R）

28小时，机器学习是人工智能的一个分支，其中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（例如神经网络）的方法。R是金融行业流行的编程语言。它用于从核心交易程序到风险管理系统的金融应用。在这个由讲师指导的现场培训中，参与者将学习如何在逐步创建深度学习股票价格预测模型时使用R实现金融深度学习模型。在本次培训结束时，参与者将能够：-了解深度学习的基本概念-学习深度学习在金融中的应用和用途-使用R创建金融深度学习模型-使用RAudience构建自己的深度学习股价预测模型-开发人员-数据科学家课程形式-部分讲座，部分讨论、练习和繁重的动手练习

银行业深度学习（带R）

28小时，机器学习是人工智能的一个分支，其中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（例如神经网络）的方法。R是金融行业流行的编程语言。它用于从核心交易程序到风险管理系统的金融应用。在这个由讲师指导的现场培训中，参与者将学习如何在逐步创建深度学习信用风险模型时使用R为银行业实施深度学习模型。在本次培训结束时，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R创建银行深度学习模型-使用RAudience构建自己的深度学习信用风险模型-开发人员-数据科学家课程形式-部分讲座，部分讨论，练习和繁重的动手练习

面向高管、开发人员和经理的深度学习人工智能技术

21小时，简介：深度学习正在成为未来产品设计的主要组成部分，他们希望将人工智能纳入其模型的核心。在未来5到10年内，深度学习开发工具、库和语言将成为每个软件开发工具包的标准组件。到目前为止，谷歌、销售人员、Facebook、亚马逊已经成功地使用深度学习人工智能来促进他们的业务发展。应用范围包括自动机器翻译、图像分析、视频分析、运动分析、生成有针对性的广告等等。本课程面向那些希望将深度学习作为其产品或服务战略中非常重要的一部分的组织。以下是深度学习课程的大纲，我们可以为组织中不同级别的员工/利益相关者定制。目标受众：（根据目标受众，课程材料将定制）高管人工智能的总体概述及其如何融入企业战略，并举办有关战略规划、技术路线图和资源分配的分组会议，以确保最大价值。项目经理如何规划AI项目，包括数据收集和评估、数据清理和验证、概念验证模型的开发、集成到业务流程中以及整个组织的交付。开发人员深入的技术培训，重点关注神经网络和深度学习、图像和视频分析（CNN）、声音和文本分析（NLP），以及将AI引入现有应用程序。销售人员人工智能的总体概述以及它如何满足客户需求、各种产品和服务的价值主张，以及如何减轻恐惧并促进人工智能的好处。

神经计算–数据科学

14小时，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以及案例研究练习，以使用相关的神经和深度网络库进行

医学深度学习

14小时，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，它试图模仿人脑在决策时的工作原理。它使用数据进行训练，以便自动提供问题的解决方案。深度学习为坐拥数据金矿的医疗行业提供了巨大的机会。在这个由讲师指导的现场培训中，参与者将参加一系列讨论、练习和案例研究分析，以了解深度学习的基础知识。将评估最重要的深度学习工具和技术，并进行练习，让参与者做好准备，以便在其组织内对深度学习解决方案进行自己的评估和实施。

在本次培训结束时，参与者将能够：-了解深度学习的基础知识-学习深度学习技术及其在行业中的应用-研究深度学习技术可以解决的医学问题-探索医学中的深度学习案例研究-制定采用深度学习最新技术解决医学问题的策略受众-经理-担任领导角色的医疗专业人员课程形式-部分讲座、部分讨论、练习和繁重的动手练习注意-要请求本课程的定制培训，请联系我们进行安排。

硬件加速视频分析

14小时，这项由讲师指导的中国现场培训（在线或现场）面向希望构建硬件加速对象检测和跟踪模型以分析流视频数据的开发人员。

在培训结束时，参与者将能够：-安装和配置必要的开发环境、软件和库以开始开发。-构建、训练和部署深度学习模型以分析实时视频源。-识别、跟踪、分割和预测视频帧中的不同对象。-优化对象检测和跟踪模型。-部署智能视频分析（IVA）应用程序。

面向医疗保健的深度学习

14小时，这项由讲师指导的中国现场培训（在线或现场）面向希望将卷积神经网络（CNN）应用于MRI扫描分析的开发人员和数据科学家。

在本次培训结束时，参与者将能够：-安装和配置必要的开发环境、软件和库以开始开发。-使用CNN等深度学习技术分析MRI图像。-通过MRI扫描分析检测潜在的健康状况，例如心脏病。-应用图像分割和CNN训练等技术来识别潜在疾病。-使用放射组学识别疾病的基因组学。-构建和部署旨在医疗保健图像分析的深度学习应用程序。

面向企业的深度学习

14小时，这项由讲师指导的中国现场培训（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。-通过机器学习和DL深入了解商业和工业的未来。-使用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。