让一部分企业先学到真知识！
讲师网 企业内训 课程详情

叶梓：Python、知识图谱与深度学习培训

叶梓老师叶梓 注册讲师 319查看

课程概要

培训时长 : 8天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 9987

面议联系老师

适用对象

计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。

课程介绍

【课程简介】

人工智能的浪潮正在席卷全球，各种培训课程应运而生，但真正能让学员系统、全面掌握知识点，并且能学以致用的实战课程并不多见。本课程包含基于python的数据分析、深度学习、知识图谱和的重要概念及常用算法（决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等），以及人工智能领域当前的热点。通过8天的系统学习、案例讲解和动手实践，让学员能初步迈入机器学习、深度学习和知识图谱的知识殿堂。

【课程收益】

  • 掌握Python开发技能；
  • 掌握深度学习工具：TensorFlow、Keras、pytorch等；
  • 掌握基于python的数据分析知识；
  • 掌握数据挖掘与机器学习进阶知识；
  • 掌握深度学习的理论与实践；
  • 掌握知识图谱基本知识；
  • 为学员的后续项目应用提供针对性的建议。

【课程特点】

本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。

【课程对象】

计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。

【主讲专家】

叶梓，博士、高级工程师。2005年上海交通大学计算机专业博士毕业，主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。曾主持设计并搭建上海市卫计委卫生大数据平台、无锡市卫生大数据平台，在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇，在中文核心期刊上发表论文近20篇，并被百度学术收录。2011年获中国医院协会科技创新一等奖。

【学员基础】

具备初步的IT基础知识

【课程大纲】（培训内容可根据客户需求调整）

 

时间内容案例实践与练习

Day1上午

基于python的实验环境

 

实验环境搭建

  1. anaconda包的安装
  2. pip install的技巧
  3. 通过anaconda配置多个环境
  4. Jupyter Notebook的使用
  5. 绘图工具包matplotlib
  6. opencv的安装
  7. Tensorflow的安装
  8. Pytorch的安装
  9. paddlepaddle的安装

 

案例实践：

  1. python安装
  2. opencv安装与验证
  3. Tensorflow安装与验证
  4. Pytorch安装与验证
  5. paddlepaddle安装与验证

 

Day1下午

Python基础

 

Python开发概述

  1. Python的基本语法
  2. 引入外部包
  3. 常用的数据结构
  4. 定义函数
  5. Python中的面向对象编程
  6. 文件读写
  7. 访问数据库

 

数据预处理

  1. 数据清理
  2. 规范化
  3. 模糊集
  4. 粗糙集
  5. 无标签时：PCA
  6. 有标签时：Fisher线性判别
  7. 数据压缩（DFT、小波变换）

 

回归与时序分析

  1. 线性回归
  2. 非线性回归
  3. logistics回归

 

案例实践：

  1. PCA的实验
  2. DFT的实验
  3. 回归的实验

 

Day2上午

基于python的数据分析

 

决策树模型

  1. 分类和预测
  2. 熵减过程与贪心法
  3. ID3
  4. C4.5
  5. 其他改进方法
  6. 决策树剪枝

 

聚类

  1. 监督学习与无监督学习
  2. K-means与k-medoids
  3. 层次的方法
  4. 基于密度的方法
  5. 基于网格的方法
  6. 孤立点分析

 

案例实践：

  1. 决策树的实验
  2. 鸢尾花数据的聚类
  3. 手肘法分析NBA球队的最佳聚类个数
  4. 各种聚类方式的图形化展示

 

Day2下午

基于python实现的经典算法

 

关联规则

  1. 频繁项集
  2. 支持度与置信度
  3. 提升度
  4. Apriori性质
  5. 连接与剪枝

 

性能评价指标（5）

  1. 精确率；
  2. P、R与F1
  3. ROC与AUC
  4. 对数损失
  5. 泛化性能评价：k折验证验证

 

案例实践：

  1. 超市购物篮——关联规则分析
  2. 朴素贝叶斯案例：皮马印第安人患糖尿病的风险

Day3上午

知识图谱概念

 

知识图谱综述

  1. 自然语言处理概念回顾
  2. 知识表示与知识抽取
  3. 面向非结构化的数据知识抽取
  4. 实体消歧与链接
  5. 图数据库介绍
  6. 实体对齐方法
  7. 知识融合
  8. 知识推理、搜索与知识问答

 

早期知识图谱概念

  1. 知识推理
  2. 本体推理方法
  3. 本体推理工具
  4. 语义搜索
  5. RDF与RDFS
  6. OWL与OWL2
  7. SPARQL

 

实践：

  1. Neo4j的安装
  2. 知识推理模型

 

Day3下午

知识图谱存储

 

知识图谱存储

  1. 知识存储模型
  2. 图数据库选型
  3. Neo4j开发环境部署
  4. Neo4j-可视化操作
  5. Neo4j-CQL语法基础
  6. Neo4j-完整案例操作实战
  7. Neo4j系统管理
  8. Python与Neo4j的集成

 

实践：

  1. Neo4j的安装
  2. Neo4j的基本操作
  3. 基于Neo4j的查询
  4. Python与Neo4j的集成

Day4上午

知识图谱自动抽取

 

知识图谱自动抽取

  1. 面向文本的知识抽取
  2. DeepDive关系抽取实践
  3. 开放域关系抽取
  4. 实体消歧与链接
  5. 知识规则挖掘
  6. 知识图谱表示学习

 

基于DL的知识图谱自动抽取

  1. 基于深度学习的实体识别
  2. 基于深度学习的属性链接

 

实践：

  1. 基于百科数据的知识抽取
  2. 知识抽取的DL模型

 

Day4下午

KBQA完整体系

 

KBQA完整体系

  1. 知识问答系统
  2. 知识问答系统基本流程
  3. 知识问答系统主流方法
  4. 开源的问答系统
  5. 基于知识图谱问答系统

 

综合案例

  1. 完整的基于KG的问答系统（KBQA）

Day5上午

深度学习基础

 

BP神经网络

  1. 人工神经元及感知机模型
  2. Sigmoid激活函数
  3. 前向神经网络的架构
  4. 梯度下降
  5. 误差反向传播详解

 

支持向量机

  1. “双螺旋”问题
  2. 基本模型与惩罚项
  3. 求解对偶问题
  4. 核函数：映射到高维
  5. 从二分类到多分类
  6. 用于连续值预测的支持向量机

 

案例实践：

  1. 皮马印第安人糖尿病风险：验证多种模型
  2. 绘制ROC并计算AUC
  3. 手算神经网络BP算法
  4. 只用numpy，手推BPNN

 

Day5下午

深度学习基础与CNN

 

深度学习基础

  1. 连接主义的兴衰
  2. 深度学习与神经网络的区别与联系
  3. 目标函数与激励函数
  4. 学习步长
  5. 权重初始化
  6. 权重衰减（Weight Decay）
  7. 梯度下降的方法：Adagrad \ RMSprop \ Adam
  8. 避免过适应

 

图像分类CNN

  1. 图像分类概述
  2. AlexNet与ZF-Net
  3. 卷积层的误差反向传播
  4. 池化层的误差反向传播
  5. VGG（5层变为5组）
  6. 迁移学习
  7. GoogLenet和Inception模块
  8. 模型退化与ResNet
  9. DenseNet（充分利用特征）
  10. 最新的efficientnet

 

案例实践：

  1. SVM实现人脸识别应用
  2. 通过深度BP网络实现手写数字的识别
  3. 各种梯度下降方法的实战效果
  4. Batch normalization的实战效果

 

案例实践：

  1. VGG各层的可视化展现
  2. 迁移学习：识别猫和狗
  3. Resnet用于图像分类

 

 

Day6上午

目标检测

 

二阶段目标检测

  1. 目标检测项目介绍
  2. R-CNN
  3. SPPNET（全图卷积、SPP层）
  4. Fast-RCNN（多任务）
  5. Faster-RCNN（RPN）
  6. R-FCN

 

一阶段目标检测（2）

  1. SSD
  2. YOLO-v1（一切都是回归）
  3. YOLO -v2（9000）
  4. YOLO -v3（多尺度）
  5. YOLO -v4
  6. YOLO -v5

 

案例实践：

  1. 基于Faster-RCNN的通用目标检测示例
  2. 改造成“血细胞识别”系统

 

Day6下午

图像分割与NLP初步

 

图像分割（3）

  1. 全卷积网络（FCN）
  2. 上采样的三种实现方式
  3. 膨胀卷积
  4. CRF
  5. DeepLab V1~V3

 

自然语言处理初步（2）

  1. 语言模型
  2. Bi-Gram与N-Gram
  3. 机械分词与统计分词
  4. 词性标注
  5. 命名实体识别
  6. 情感分析；

案例实践：

  1. 基于YOLO v3的通用目标快速检测示例
  2. 基于YOLO v3的视频检测
  3. 基于YOLO v5的目标检测
  4. DeepLab的示例

 

Day7上午

RNN与W2V

 

 

循环神经网络（1）

  1. RNN基本原理
  2. LSTM、GRU
  3. 双向循环神经网络
  4. 编码器与解码器结构
  5. seq2seq模型
  6. Attention
  7. NIC模型

 

词向量（3）

  1. W2V:CBOW
  2. W2V:skip-gram
  3. W2V:Hierachical Softmax
  4. W2V:Negative Sampling

 

案例实践：

  1. 股票交易数据的预测；
  2. 藏头诗生成；
  3. 《绝代双骄》中，谁和小鱼儿最相似？
  4. SnowNLP：褒义的中性词
  5. Word2vec代码解读

 

 

Day7下午

预训练模型基础

 

Transformer

  1. 所有你需要的仅仅是“注意力”
  2. Transformer中的block
  3. 自注意力机制
  4. 多头注意力
  5. 位置编码（抛弃RNN）
  6. Batch Norm与Layer Norm
  7. 解码器的构造

 

BERT

  1. BERT整体架构
  2. Masked-LM
  3. Next Sentence Prediction
  4. 改造下游任务
  5. WordPiece作为输入
  6. 哪些改进起作用？

 

案例实践：

  1. 手推Transformer
  2. BERT代码解读
  3. BERT下游任务的改造

 

Day8上午

GPT、GAN

 

GPT

  1. “独角兽”的威力
  2. GPT的内部架构
  3. 基于Transformer的改造
  4. 自注意力机制的改进
  5. GPT的应用场景
  6. 最新的GPT-3

 

GAN

  1. 生成对抗网络（GAN）
  2. KL散度与JS散度
  3. 改进的GAN：DCGAN
  4. 加上约束：infoGAN
  5. 根本上解决：Wasserstein GAN

案例实践：

  1. 实现一个对话机器人
  2. 让GPT写一篇散文

 

案例实践：

  1. 计算机想象的数字
  2. 特朗普的孩子

 

Day8下午

强化学习

 

 

强化学习初步

  1. agent的属性
  2. 马尔科夫奖励/决策过程
  3. exploration and exploitation
  4. 状态行为值函数
  5. Bellman期望方程
  6. 最优策略
  7. 策略迭代与价值迭代
  8. 蒙特卡洛
  9. 时序差分法

 

深度强化学习

  1. 值函数的参数化表示
  2. 值函数的估计过程
  3. 深度学习与强化学习的结合
  4. 基础的DQN 方法
  5. Double DQN
  6. Prioritized Replay
  7. Dueling Network

 

案例实践：

  1. 格子世界
  2. 机器人走迷宫
  3. 谷底的小车
  4. 倒立摆
  5. 笨鸟先飞：DQN

 

 

【授课环境】

讲课环境要能上网

叶梓老师的其他课程

• 叶梓：ChatGPT原理与实践
【课程简介】本课程旨在通过实际案例展示ChatGPT相关模型的具体应用场景及实践技巧，从而帮助学习者深入了解和掌握ChatGPT的概念和更广泛的应用，深入理解其工作方式，包括其基础知识、核心算法和实现方式，掌握其在各行业领域中的应用情况等。该课程适合于对ChatGPT技术感兴趣的学习者，从初学者到进阶者均可受益。经过本课程的学习，获得相关技术实战经验，通过一系列的实践案例提高利用chatGPT解决实际问题能力。【课程时长】2天（6小时/天）【课程对象】理工科本科及以上，且至少了解一门编程语言。【课程大纲】（培训内容可根据客户需求调整）Day1上午Transformer基础1、你需要的仅仅是“注意力”2、Transformer中的block3、自注意力机制4、多头注意力5、位置编码（抛弃RNN）6、Batch Norm与Layer Norm7、解码器的构造初代GPT“独角兽”的威力GPT的内部架构基于Transformer的改造自注意力机制的改进GPT的演进1、GPT22、GPT33、GPT3.5案例实践与练习Day1下午强化学习基础马尔科夫奖励/决策过程状态行为值函数Bellman方程DP、MC、TD三者的关系策略梯度方法信赖域系方法背景PPO方法chatGPT的原理介绍1、指示学习与InstructGPT2、相关数据集3、有监督微调（SFT）4、从人类反馈中RL的思路5、奖励建模（RM）6、PPO案例实践与练习Day2上午训练自用的chatGPT1、基于chatGLM的微调2、LoRA3、Prefix Tuning4、P-Tuning5、Prompt Tuning6、权重量化7、构建训练数据集羊驼系列大模型1、LLaMA2、Alpaca3、BELLE4、RedPajama 数据集Day2下午chatGPT及其各种仿制品1、chatGPT的实测效果2、文心一言与文心一格3、ChatGPT的其他平替4、ChatExcel5、ChatPDFchatGPT的领域应用1、IT领域2、金融、保险领域3、医疗卫生领域4、教育领域
• 叶梓：基于人工智能的内容生成（AIGC）
【课程简介】无论是火遍全网的AI绘画，还是震惊世人的ChatGPT，都属于AIGC（基于人工智能的内容生成）这一概念。AIGC并不是一个全新的概念，它最早出现在深度学习模型“对抗生成网络”GAN的应用中，被誉为“21世纪最强大的算法模型之一” ，后续发展起来的扩散模型，以及自然语言领域BERT、GPT等都是典型的AIGC模型。本课程以AIGC发展历程为主线，由浅入深介绍了AIGC相关模型的技术和应用场景，可以作为AIGC领域学习者的入门到进阶级课程。【课程时长】6天（6小时/天）【课程对象】理工科本科及以上，且至少了解一门编程语言。【课程大纲】（培训内容可根据客户需求调整）时间内容案例实践与练习Day1上午综述与准备 AIGC综述AIGC的概念AIGC的应用场景AIGC的知识地图 准备工作概念与术语Python（Anaconda）的安装Pycharm的安装与使用Jupyter Notebook的安装与使用Tensorflow与pytorch的安装Opencv、Sklearn工具包的运用 案例实践：Anaconda安装Pip install的技巧Tensorflow-GPU的安装pytorch的安装Jupyter Notebook的使用Opencv的基本例子Day1下午基础模型 基础的基础：神经网络人工神经元及感知机模型Sigmoid激活函数前向神经网络的架构梯度下降误差反向传播详解 基础的基础：性能评价指标（5）精确率；P、R与F1ROC与AUC对数损失泛化性能评价：k折验证验证案例实践：手算神经网络BP算法只用numpy，手推BPNN Day2上午深度学习基础深度学习基础连接主义的兴衰深度学习与神经网络的区别与联系目标函数与激励函数学习步长权重初始化权重衰减（Weight Decay）梯度下降的方法避免过适应 图像处理基础：用于分类的CNN图像分类概述AlexNetZF-Net卷积层的误差反向传播池化层的误差反向传播VGG（5层变为5组）迁移学习GoogLenet和Inception模块模型退化与ResNetDenseNet（充分利用特征）最新的efficientnet 案例实践：通过深度BP网络实现手写数字的识别各种梯度下降方法的实战效果Batch normalization的实战效果VGG各层的可视化展现迁移学习：识别猫和狗Resnet用于图像分类Day2下午图像生成模型 VAEGAN早期图像生成模型：VAE图像生成模型AEVAEDAE 图像生成经典模型：GAN生成对抗网络（GAN）KL散度与JS散度改进的GAN：DCGAN加上约束：infoGAN根本上解决：Wasserstein GANZoo of GAN案例实践：GAN生成的数字VAE生成的数字babyGAN：特朗普的孩子？styleGAN：查无此人 Day3上午图像分类 CNN 图像分类CNN自然语言处理基础（1）语言模型Bi-Gram与N-Gram机械分词与统计分词词性标注命名实体识别情感分析 自然语言生成基础：RNNRNN基本原理LSTM、GRU双向循环神经网络编码器与解码器结构seq2seq模型Attention图片->文字的生成：NIC 案例实践：jieba的分词效果交易数据的预测；《绝代双骄》人物关系分析SnowNLP：褒义的中性词Show and tell模型效果Day4上午自然语言处理  自然语言生成基础：词向量W2V:CBOWW2V:skip-gramW2V:Hierachical SoftmaxW2V:Negative Sampling 自然语言生成进阶：Transformer所需的仅仅是“注意力”Transformer中的block自注意力机制多头注意力位置编码（抛弃RNN）Batch Norm与Layer Norm解码器的构造 案例实践：藏头诗生成；《绝代双骄》分析SnowNLP：褒义的中性词Word2vec代码解读手撕TransformerDay4下午预训练模型基础 自然语言生成进阶：BERTBERT整体架构Masked-LMNext Sentence Prediction改造下游任务WordPiece作为输入哪些改进起作用？ 自然语言生成进阶：GPT“独角兽”的威力GPT的内部架构基于Transformer的改造自注意力机制的改进GPT的应用场景GPT-3最新的GPT-3.5 基于图像补全的模型：MAEiGPTVision Transformer（ViT）BEiTMAE令人惊奇的效果MAE详解案例实践：BERT代码解读BERT下游任务的改造让GPT写一篇散文GPT会做小学应用题吗？MAE的效果 Day5上午强化学习强化学习基础agent的属性马尔科夫奖励/决策过程exploration and exploitation状态行为值函数Bellman期望方程最优策略 强化学习经典方法策略迭代与价值迭代蒙特卡洛法时序差分法DP、MC、TD的关系 案例实践：格子世界谷底的小车倒立摆blackjackDay5下午深度强化学习深度强化学习值函数的参数化表示值函数的估计过程深度学习与强化学习的结合基础的DQN 方法Double DQNPrioritized ReplayDueling Network 基于信赖域的深度强化学习信赖域系方法背景信赖域系方法发展路线图TRPO方法PPO方法 案例实践：井字棋笨鸟先飞：DQNDay6上午最新生成模型 扩散模型（图像生成最新模型）综述1、扩散模型与GAN、VAE的关系2、扩散模型常用算法3、扩散模型的应用领域 扩散模型之DDPM1、整体流程2、前向与还原步骤3、训练与采样过程4、模型结构5、实验效果 扩散模型之DDIM1、前提条件2、优化推理与优化前置条件4、实验效果 扩散模型之CLIP1、基本概念2、模型架构3、实验效果 案例实践：DDPM的效果CLIP的效果Day6下午最新生成模型及chatGPT 扩散模型之DALLE-21、整体架构2、PIROR模块与DECODER模块4、效果对比 扩散模型之Stable-Diffusion1、整体架构2、潜在表达得生成模型3、条件化机制4、实验效果 chatGPT（自然语言生成最新模型）1、技术背景2、主要特点3、ChatGPT的训练过程4、InstructGPT与PPO5、WebGPT和CICERO6、chatGPT的应用领域7、chatGPT引发的讨论案例实践：异想天开的DALL-E 2匪夷所思的chatGPT其他生成模型效果演示 
• 叶梓：Python深度学习与知识图谱培训 （基础部分）
【课程简介】人工智能的浪潮正在席卷全球，各种培训课程应运而生，但真正能让学员系统、全面掌握知识点，并且能学以致用的实战课程并不多见。本课程包含基于python的数据分析、深度学习的重要概念及常用算法（决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN等），以及人工智能领域当前的热点。通过3天的系统学习、案例讲解和动手实践，让学员能初步迈入机器学习、深度学习的知识殿堂。【课程收益】掌握Python开发技能；掌握深度学习工具：TensorFlow、Keras、pytorch等；掌握基于python的数据分析知识；掌握数据挖掘与机器学习进阶知识；掌握深度学习的基础理论与实践；【课程特点】本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。【课程对象】计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。【主讲专家】叶梓，博士、高级工程师。2005年上海交通大学计算机专业博士毕业，主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇，在中文核心期刊上发表论文近20篇，并被百度学术收录。【学员基础】具备初步的IT基础知识【课程大纲】（培训内容可根据客户需求调整）时间内容案例实践与练习Day1上午基于python的实验环境 实验环境搭建anaconda包的安装pip install的技巧通过anaconda配置多个环境Jupyter Notebook的使用绘图工具包matplotlibopencv的安装Tensorflow的安装Pytorch的安装paddlepaddle的安装 案例实践：python安装opencv安装与验证Tensorflow安装与验证Pytorch安装与验证paddlepaddle安装与验证 Day1下午Python基础 Python开发概述Python的基本语法引入外部包常用的数据结构定义函数Python中的面向对象编程文件读写访问数据库 数据预处理数据清理规范化无标签时：PCA有标签时：Fisher线性判别数据压缩（DFT、小波变换） 回归与时序分析线性回归非线性回归logistics回归 案例实践： 元组、列表、字典、集合PCA的实验DFT的实验回归的实验Day2上午基于python的数据分析 决策树模型分类和预测熵减过程与贪心法ID3C4.5其他改进方法决策树剪枝 聚类监督学习与无监督学习K-means与k-medoids层次的方法基于密度的方法基于网格的方法孤立点分析 案例实践：决策树的实验鸢尾花数据的聚类手肘法分析NBA球队的最佳聚类个数各种聚类方式的图形化展示 Day2下午基于python实现的经典算法 关联规则频繁项集支持度与置信度提升度Apriori性质连接与剪枝 性能评价指标（5）精确率；P、R与F1ROC与AUC对数损失泛化性能评价：k折验证验证 案例实践：超市购物篮——关联规则分析皮马印第安人患糖尿病的风险Day3上午深度学习基础 BP神经网络人工神经元及感知机模型Sigmoid激活函数前向神经网络的架构梯度下降误差反向传播详解 支持向量机“双螺旋”问题基本模型与惩罚项求解对偶问题核函数：映射到高维从二分类到多分类用于连续值预测的支持向量机 案例实践：皮马印第安人糖尿病风险：验证多种模型绘制ROC并计算AUC手算神经网络BP算法只用numpy，手推BPNNSVM实现人脸识别应用  Day3下午深度学习基础与CNN 深度学习基础连接主义的兴衰深度学习与神经网络的区别与联系目标函数与激励函数学习步长权重初始化权重衰减（Weight Decay）梯度下降的方法：Adagrad \ RMSprop \ Adam避免过适应 图像分类CNN图像分类概述AlexNet与ZF-NetVGG（5层变为5组）迁移学习GoogLenet和Inception模块模型退化与ResNetDenseNet（充分利用特征）最新的efficientnet 案例实践：通过深度BP网络实现手写数字的识别各种梯度下降方法的实战效果Batch normalization的效果 案例实践：VGG各层的可视化展现迁移学习：猫狗大战Resnet用于图像分类【授课环境】讲课环境要能上网

相关课程

添加企业微信

1V1服务，高效匹配老师
欢迎各种培训合作扫码联系，我们将竭诚为您服务
返回顶部