深度学习无人驾驶工程师,成为未来稀缺人才

就业岗位及岗位薪资

深度学习的经典应用

5个深度学习在生活中的典型案例,带你揭开“高大上”背后的神秘外衣

无人驾驶技术

人脸识别 身份验证

AlphaGo 智能机器人

语音合成 同声翻译

自然语言处理(NLP)情感分析

"大而全,广而深" 深度学习课程内容,我们这里有

技术深

  • 神经网络
    神经网络

    神经网络

    1、梯度下降、反向传播、多层感知器、CNN、RNN、和Gans网络
    2、深度神经网络、卷积神经网络CNN、自编码器学习、VGGnet进行迁移学习
    3、循环神经网络RNN: LSTM\字符RNN\序列Lstm、word2vec、时间序列
    4、对抗网络GANS: MINST生成对抗网络\深度卷积生成对抗网络\对抗网络应用于半监督学习
    5、基于TensorFlow实现的神经网络、基于PyTorch实现的神经网络、基于Karas实现的神经网络

  • 车辆检测和跟踪
    车辆检测和跟踪

    车辆检测和跟踪

    1、交通标志识别、LeNet模型、图像识别
    2、高斯NB验证和测试\支持向量机 SVM\决策树
    3、物体检测\滑步窗口应用\假阳性检测--热力图

  • 计算机视觉
    计算机视觉

    计算机视觉

    1、基础:颜色选择、区域掩码、Canny边缘检测、Hough转换
    2、进阶:校准失真图片、车道线弯曲曲率问题、鸟瞰图转换找到车道线、滑动窗口搜索、评估车道线曲率、车道进阶检测

  • PaddlePaddle
    PaddlePaddle

    PaddlePaddle

    1、深度学习的核心应用: 语音、图像、自然语言处理、推荐、预测、机器翻译

  • 端到端的克隆(迁移学习)
    端到端的克隆(迁移学习)

    端到端的克隆(迁移学习)

    1、Alexnet网络\imagenet\交通识别推理
    2、VGG、GoogleNet、Resnet、cifar10特征提取器
    3、行为克隆、模拟器使用、数据增广技术
    4、摄像头数据处理、图片裁剪、可视化损失、生成器
    5、自动驾驶模式生成视频

框架全

"行业多,应用广" 深度学习项目实战,我们这里有

  • 应用广泛
  • 行业多广
  • 人脸检测

  • 用户画像

  • 语音识别

  • 图像分类

  • 推荐系统

  • 计算机视觉

  • 自然语言处理

  • 无人驾驶

  • 智能预测

  • 农业

  • 互联网

  • 人力资源

  • 餐饮

  • 金融

  • 房地产

  • 自动化控制

  • 无人机
    技术应用

  • 零售

深度学习应用核心技术课程及项目实战

本课程将从深度学习的基本概念和常见算法着手,详细讲解了深度学习的核心技术,包括但不限于:神经网络、对抗网络、迁移学习、半监督学习、端到端学习等时兴深度学习技术,框架涉及:Sk-Learn、TensorFlow 、Karas、PyTorch、 PaddlePaddle、自动驾驶开发模拟器等。整套课程共5大阶段,28门课程,10+个商业项目,可谓是深度学习领域内行业应用最广,技术涉及最新、最全、最深入的深度学习课程了

第一阶段
第二阶段
第三阶段
第四阶段
第五阶段

深度学习入门篇

课程时长:全日制1.5个月,周末班:2.5个月(100到120课时)

授课方式:线下周末班+在线网课+同步直播

  • 课程一 深度学习扫盲与开发环境配置
    收起
    展开
    • 1、课程简介
    • 2、课程目标
    • 3、项目描述
    • 4、深度学习前沿应用展示
    • 5、所需用到的数学知识和编程工具简介
    • 6、anaconda开发工具的安装与使用
    • 7、回归模型:简单线性回归
    • 8、回归模型:多元线性回归
  • 课程二 神经网络理论与快速案例上手
    展开
    收起
    • 1、矩阵数学和Numpy复习
    • 2、神经网络入门、感知器、梯度下降、多层感知器、反向传播
    • 3、项目实战:神经网络项目实战:共享单车骑行分析
    • 4、模型评估和验证
    • 5、影评情感分析项目
    • 6、miniflow:sigmoid函数--损失函数--随机梯度下降---SGD解决方案

深度学习深入篇

课程时长:全日制1.5个月,周末班:2.5个月(100到120课时)

授课方式:线下周末班+在线网课+同步直播

  • 课程三、卷积神经网络CNN
    收起
    展开
    • 1、tensorflow入门
    • 2、深度神经网络
    • 3、卷积神经网络CNN及池化机制
    • 4、权重初始化
    • 5、图像分类项目全代码实现
    • 6、自编码器学习
    • 7、迁移学习
  • 课程四、循环神经网络RNN
    展开
    收起
    • 1、循环神经网络入门
    • 2、超参数的设置
    • 3、单词嵌入和word2vec
    • 4、项目:情绪预测RNN网络
    • 5、项目:用RNN网络生成电视剧本集新的剧本
    • 6、序列到序列:应用于翻译等
    • 7、语言翻译项目
  • 课程五、生成对抗网络GANS
    展开
    收起
    • 1、生成对抗网络原理
    • 2、MINST-生成对抗网络
    • 3、深度卷积生成对抗网络
    • 4、项目:人脸生成
    • 5、生成对抗网络应用于半监督学习。

深度学习框架篇

课程时长:全日制1.5个月,周末班:2.5个月(100到120课时)

授课方式:线下周末班+在线网课+同步直播

  • 课程六、深度学习框架篇 - TensorFlow 从上手到项目实战
    收起
    展开
    • 1、TensorFlow的背景介绍,安装、基本环境
    • 2、TensorFlow常见API、方法的使用
    • 3、TensorFlow高级使用介绍:过拟合(Overfitting),归档与提取,迁移学习等
    • 4、项目实战:利用TensorFlow实战-构造CNN实现手写识别系统
  • 课程七、深度学习框架篇 - Keras 从入门到实战(卷积、循环神经网络、图像识别、情感分析)
    展开
    收起
    • 1、 科普: 人工神经网络 VS 生物神经网络
    • 2、 什么是神经网络 (Neural Network)
    • 3、 神经网络 梯度下降
    • 4、 科普: 神经网络的黑盒不黑
    • 5、 Why Keras、Keras 安装
    • 6、 Regressor 回归、Classifier 分类
    • 7、 CNN 卷积神经网络
    • 8、 LSTM 循环神经网络与 RNN Classifier循环神经网络
    • 9、 RNN Regressor 循环神经网络
    • 10、Autoencoder 自编码
  • 课程八、深度学习框架篇 - 实战 PyTorch
    展开
    收起
    • 1、PyTorch课程介绍及基础环境搭建
    • 2、PyTorch基础
    • 3、PyTorch神经网络
    • 4、PyTorch可视化与持久化
    • 5、PyTorch实战-卷积神经网络
    • 6、PyTorch实战-循环神经网络
    • 7、PyTorch实战-风格迁移
    • 8、课程总结
  • 课程九、最适合中国开发者的深度学习平台 - PaddlePaddle
    展开
    收起
    • 1、 新手入门(线性回归)
    • 2、 识别手写数字
    • 3、 图像分类
    • 4、词向量
    • 5、 个性化推荐
    • 6、 情感分析
    • 7、 语义角色标注
    • 8、 机器翻译

深度学习实战篇

课程时长:全日制1.5个月,周末班:2.5个月(100到120课时)

授课方式:线下周末班+在线网课+同步直播

  • 课程十、项目01 - 基于Tensorflow 的新闻阅读与个性化搜索
    收起
    展开
    • 1、深度学习基础知识精讲
    • 2、项目背景与开发运行环境
    • 3、word2vec词向量的原理
    • 4、word2vec的神经网络模型
    • 5、word2vec代码剖析之cbow
    • 6、word2vec代码剖析之skip-gram (上)
    • 7、word2vec代码剖析之skip-gram (中)
    • 8、word2vec代码剖析之skip-gram(下)
    • 9、项目代码运行及结果分析
    • 10、项目总结
  • 课程十一、项目02 - 基于Tensorflow 深度学习实现的人脸识别系统
    展开
    收起
    • 1 项目简介
    • 2 TensorFlow基础
    • 3 神经网络基础
    • 4 神经网络(多层)实战
    • 5 卷积神经网络架构及原理
    • 6 卷积神经网络-人脸识别实战案例
    • 7 项目小结
  • 课程十二、项目03 - 基于人脸检测/语音识别深度学习技术实现的 “ 视频面试 ” 商业应用
    展开
    收起
  • 课程介绍

    • 需求讲解 (打开网页,进行一段虚拟面试。结束后系统自动打分,比较简单的实现,即使用程序自动过滤掉明显不合格的视频)
    • 环境搭建(安装 git, python, nodejs , 其他依赖等)
    • Git 以及 github 介绍,编程工作流介绍(如何管理代码,提交代码等;简单测试代码编写演示)

    网页端程序编写

    • Node JS 介绍、以及编写一个网页应用需要用到的后端框架如 Koa Js、Express Js 的介绍
    • React Js 前端框架介绍、Semantic UI 页面样式组件框架介绍
    • TDD 测试驱动开发简介
    • 网页端使用 JavaScript 打开摄像头,回显,录像功能
    • 录像控制(暂停、停止、保存)功能
    • 视频文件上传到服务器端

    微服务端程序编写

    • Python 简介
    • 使用 Python Bottle 框架搭建一个Restful API 微服务
    • ffmpeg 工具介绍
    • 音频转码接口实现
    • 视频转码接口实现
    • 语音识别 Sphinx 模块简介
    • 语音转文字接口实现
    • 通过关键字提取,过滤掉不相关的回答的面试视频(即打 0 分)
    • 人脸识别模块Dlib简介
    • 通过人脸识别,过滤掉没有人脸出现、或者有多个人脸出现的视频(即给这样的视频打0分)

    联调

    • 同时启动网页端和微服务端,互相调用调试

    课程总结

    • 可以改进优化的方向
  • 课程十三、项目04 - 农业领域的深度学习应用 : 智能桃子分拣机(图像分类模型)
    展开
    收起
  • 解决问题

    • 桃子采摘后需要根据其品质进行筛选,这项工作主要靠人工完成
    • 人工筛选质量无法得到保证
    • 耗费大量人工和时间成本

    商业价值

    • 智能桃子分拣机可以为桃农节省雇人、组织工作等环节的时间精力
    • 提升桃子分拣准确率至90%以上
    • 节省90%人力成本,每年为桃农直接节省3万元

    实现细节

    • 人工进行桃子分类,获取训练样本数据
    • 使用深度学习图像分类模型,进行桃子智能分类模型训练
    • 机械自动化采集样本数据,将模型训练总时长从3个月缩短至6小时
  • 课程十四、项目05 - 零售行业的深度学习应用 : 生鲜进货量智能预测(DNN神经网络)
    展开
    收起
  • 解决问题

    • 生鲜产品保质期极短,需要丰富进货经验才能降低货物过期报损率
    • 店长经验参差不齐,不能保证全部店铺的进货量准确性
    • 销量预估花费店长大量时间成本

    商业价值

    • 比对历史销售数据,模型预测比店长预测更为准确
    • 整体报损降低30%+
    • 模型进货净利润较店长进货有提升

    实现细节

    • 利用商超生鲜的历史销售数据,提取出多个影响销量的条件
    • 使用DNN神经网络建立销量预测模型
    • 使用到包括位置、时段、节假日、天气等70个维度,200+特征
  • 课程十五、项目06 - 人力资源方向深度学习应用 : 智能招聘-人力资源AI解决方案(自然语言处理、门禁卷积神经网络算法)
    展开
    收起
  • 解决问题

    • 通过人工智能模拟求职者投递和企业简历初筛过程,有效解决中小企业投递量不足、大企业筛选困难和求职者信息安全的问题
    • 帮助招聘企业和求职者实现精准高效的需求匹配,提升招聘效率

    商业价值

    • 开发“首席AI人才官”、“技能意向测评”、“人才发展图谱”等产品
    • 解决实习僧在招聘培训等多方面的需求,确立实习僧在行业内先行地位

    实现细节

    • 基于自然语言处理技术、门禁卷积神经网络算法
    • 使用企业历史投递、面试、招聘、绩效考核和评价等标记数据
    • 使用求职者档案信息、简历/职位文本内容、招聘投递等历史数据
  • 课程十六、项目07 - 互联网行业深度学习应用 : 推荐系统中的点击率预估模型(DNN模型、推荐内容模型)
    展开
    收起
  • 解决问题

    • 推荐业务下,各个特征召回数据后,如何综合比较这些从不同来源召回数据对最终推荐效果的影响是比较困难的一件事情
    • 传统算法极度依赖特征工程与算法工程师的经验,耗费人力物力巨

    商业价值

    • 比对采用传统算法,推荐点击率提高15%

    实现细节

    • 使用用户即时兴趣,内容分类,性别年龄等1000+维度,20w+特征
    • 基于深度学习DNN模型,建立推荐内容模型
  • 课程十七、项目08 - 互联网行业深度学习应用 : 基于CTR模型的舆情热点预估系统(基于因子分解机的深度神经网络模型)
    展开
    收起
  • 解决问题

    • 人工筛选互联网中质量好,热度高的内容耗费大量的人力与时间
    • 热点时效性较强,很可能热点被发现时已经开始降温了

    商业价值

    • 通过深度学习技术,可以自动的完成对文本内容质量的初步判定
    • 使用推荐系统后可以通过别的数据迅速验证
    • 节约编辑团队每天人肉筛选优质内容的工作,保证热点能够迅速被发现

    实现细节

    • 使用内容分类,内容来源,舆情热点等60+维度,10w+特征
    • 基于深度学习DNN模型,训练得到热点预估模型
  • 课程十八、项目09 - 互联网行业深度学习应用 : 基于LSTM模型实现的文本分类系统(NLP、DNN、CNN)
    展开
    收起
  • 解决问题

    • 传统分类算法极度依赖特征工程与算法工程师的经验
    • 模型调优需要耗费大量的人力,精力

    商业价值

    • 使用深度学习可以很好的发现随着时间推移在变化的特征
    • 比对采用传统分类算法,准确率提高9%

    实现细节

    • 使用Bi-LSTM模型,以标记完的数据训练,得到文本分类模型
  • 课程十九、项目10 - 餐饮行业深度学习应用 : 智能消费预测(菜品推荐预测)
    展开
    收起
  • 解决问题

    • 提前掌握店铺人流量、订单数对店铺库存管理有重要意义
    • 对流水进行提前预测对餐饮企业经营有重要指导价值
    • 通过对客户进行偏好菜品推荐,能够提升客户体验

    商业价值

    • 充分发挥餐饮企业存量数据价值
    • 提供实时精准的推荐菜品,有效提升用户体验
    • 通过对菜品销量的预测实现智能的采购管理

    实现细节

    • 从历史运营数据中提取商品特征、订单流水、销量
    • 建设客流、节假日、商圈信息等数据
    • 使用深度学习算法,构建商品推荐和采购预测模型
  • 课程二十、项目11 - 房地产行业深度学习应用 : 楼宇机电系统智能调控(故障预警、保养提醒、智能运营)
    展开
    收起
  • 解决问题

    • 设备工况运行调控依赖人工,运行效率不高
    • 由于运维专业水平不齐,导致能源浪费
    • 无法及时根据外界环境变化来调整系统输出,楼宇内用户体验不好

    商业价值

    • 目标楼宇日均节电20%+
    • 年节电约100万度
    • 节约电费30%+

    实现细节

    • 数字化改造暖通侧设备,进行设备状态和关键点位数据采集和标准化
    • 结合设备效率公式以及高效率为输出结果对监控时序数据建模
    • 根据最进行模型建设和训练,最终得到最合适系统输出指标
  • 课程二十一、项目12 - 金融行业深度学习应用 : 银行营销智能大脑(用户画像、推荐预测)
    展开
    收起
  • 解决问题

    • 银行堆积的大量历史数据,没有发挥出应有的价值
    • 现有客户画像,在复杂多变的客户群体中并不能很好的使用
    • 经验模型无法客户需求,难以有针对性的匹配进行产品推荐

    商业价值

    • 帮助银行最大化数据价值
    • 为银行营销工作精准匹配客户
    • 实现最全面的客户管理

    实现细节

    • 使用DNN神经网络,利用客户购买行为预测其对不同理财产品偏好
    • 使用用户的个人属性,理财产品属性等几十个维度,几千维特征

深度学习高级篇 : 无人驾驶

课程时长:全日制1.5个月,周末班:2.5个月(100到120课时)

授课方式:线下周末班+在线网课+同步直播

  • 课程二十二、无人驾驶技术初探
    收起
    展开
    • 无人驾驶行业简介
    • 无人驾驶技术简介
    • 本课程简介
    • 学习本课程必备技能简介
  • 课程二十三、无人驾驶技术 - 计算机视觉基础
    展开
    收起
    • 计算机视觉基础
    • 颜色选择
    • 区域掩码
    • Canny边缘检测
    • Hough转换
    • 项目:寻找车道线
    • 项目环境搭建和项目简介
    • 项目辅导
  • 课程二十四、无人驾驶技术 - 卷积神经网络:图片识别
    展开
    收起
  • 1、神经网络基础

    • 线性回归
    • 逻辑回归
    • 感知机
    • 损失函数:logistic损失函数和softmax损失、独热编码
    • 最大似然估计算法
    • 交叉熵
    • 梯度下降
    • 典型神经网络架构
    • 反向传播

    2、tensorflow基础

    • tensorflow的安装
    • tensorflow的输入
    • tensorflow中数学运算
    • tensorflow中线性函数
    • tensorflow中softmax
    • tensorflow中独热编码
    • tensorflow中交叉熵
    • 归一化输入和权重初始化
    • 欠拟合和过拟合
    • 数据集的划分:验证和测试
    • 随机梯度下降:动量和学习率
    • 超参数设置:批次;迭代次数
    • tensorflow神经网络小项目展示。

    3、深度神经网络

    • 激活函数:RELU和 渗漏RELU
    • 练习:tensorflow RELU激活函数
    • 链式法则和反向传播
    • tensorflow深度神经网络 小项目应用
    • 保存和恢复。
    • 参数微调
    • 正则化技术:丢弃
    • 练习:丢弃。

    4、卷积神经网络

    • 统计不变性
    • 直观解释卷积
    • 滤波器
    • 特征图
    • 参数解释
    • 卷积输出维度测试
    • 卷积参数计算--权重共享参数计算
    • 卷积网络可视化展示
    • tensorflow卷积网络
    • tensorflow最大池化,平均池化--池化练习
    • 卷积神经网络tensorflow代码--以及练习
    • tensorflow搭建的LeNet

    5、图像分类项目:无人驾驶中交通标志识别

    • LeNet模型结构介绍--应用--训练代码--验证代码--测试代码--LeNet用于交通标识识别
    • 项目环境要求介绍--项目介绍解读---项目辅导
  • 课程二十五、无人驾驶技术 - 计算机视觉进阶
    展开
    收起
  • 1、计算机视觉进阶

    • 图像失真介绍
    • 图像失真原理--针孔摄像头
    • 校准失真图片--找到图片中直角
    • 校准
    • 车道线弯曲曲率问题
    • 鸟瞰图转换--转换一个交通标识(演示)
    • 校准失真图片--并做鸟瞰图转换
    • Sobel操作(图像梯度)
    • sobel应用(代码)
    • 梯度大小--梯度方向
    • 梯度融合
    • 颜色空间--颜色阈值
    • HLS颜色通道和阈值--小测试
    • 利用上述技术处理图片演示
    • 找到车道线
    • 滑动窗口搜索
    • 评估车道线曲率

    2、视觉进阶项目:车道进阶检测

    • 项目介绍
    • 项目辅导
  • 课程二十六、无人驾驶技术 - 车辆检测和跟踪
    展开
    收起
  • 1、无人驾驶中的机器学习基础

    • 无人驾驶中机器学习案例
    • sklearn中使用高斯NB--代码演示
    • 高斯NB验证和测试

    2、支持向量机 SVM

    • SVM原理
    • 非线性SVM
    • SVM通过sklearn实现(代码)
    • 核函数技巧
    • 参数:gamma和C设置

    3、决策树

    • 决策树原理--参数设置
    • 数据纯度和熵
    • 熵和基尼的计算
    • 偏差和方差的权衡

    4、物体检测

    • 手动检测图片中的车辆
    • 图片特征
    • 图片样例匹配
    • 图片:直方图特征--以及比较
    • 颜色的空间分级
    • HOG特征--车辆和非车辆hog特征展示
    • sikit-image HOG代码使用
    • 特征融合以及归一化
    • 训练分类器
    • 颜色分类--HOG分类
    • 滑步窗口应用--多重区域检测
    • 搜索和分类
    • 假阳性检测--热力图

    5、项目应用:车辆检测和跟踪

  • 课程二十七、无人驾驶技术 - 端到端的克隆(迁移学习)
    展开
    收起
  • 1、Keras基础

    • keras神经网络搭建
    • keras卷积网络搭建
    • keras池化--dropout--测试 搭建

    2、迁移学习

    • 迁移学习介绍
    • Alexnet网络介绍--代码搭建
    • imagenet和交通识别推理演示
    • 交通识别推理代码演示
    • 特征提取代码演示
    • 训练特征提取器
    • VGG--GoogleNet--Resnet简介
    • 练习:使用上述网络作为cifar10特征提取器
    • 利用特征提取器进行推理
  • 课程二十八、无人驾驶项目实战
    展开
    收起
    • 项目介绍
    • 模拟器使用
    • 数据收集和收集技巧
    • 收集数据介绍和解析
    • 训练网络--运行网络
    • 数据预处理
    • 数据增广技术
    • 使用多个摄像头数据
    • 使用keras对图片进行裁剪
    • 可视化损失
    • 生成器代码
    • 自动驾驶模式生成视频
    • 项目辅导
查看课程详情

PROJECT

好项目成就好作品,每个项目结合每一阶段知识要点,让你亲身体验项目实战!

  • 项目一:用RNN网络生成电视剧本

    简介:使用 RNN 来生成《辛普森一家》剧集剧本。使用该剧27季中的部分剧本作为数据集。RNN具有“记忆”能力,具体到《权辛普森一家》剧本的生成,正式因为在前27季作品的训练过程中的“循环”和“记忆”,让模型具备“预测”新场景作品的能力。

  • 项目二:神经网络项目实战

    简介:很多共享单车公司的单车都有GPS定位,能够实现动态化地检测车辆数据、骑行分布数据,进而对单车作出全天候供需预测,为车辆投放、调度和运维提供指引。

  • 项目三:语言翻译项目

    简介:基于神经网络的机器翻译模型的一个最大的优点就在于它不需要我们用复杂的特征工程去设计其过程中的环节,也就是所谓的End2End(端到端)的模型。这种模型设计还可以避免中间环节的误差累计

  • 项目四:寻找车道线

    简介:无人驾驶技术近些年发展迅速。无人车若想实现自动驾驶,从视觉的角度上讲其要先学会观察道路,具体来说,就是检测车道线。包括识别车道线与车的位置关系,是实线还是虚线等。本文将简单介绍车道线检测的基本技术,包括Canny Edges、Hough Transform等。

小班授课,保证品质

名额有限,预约优先占座

温馨提示:请保持手机畅通,咨询老师将为您提供1对1报名服务

Copyright © 2008-2018 上海容大教育培训有限公司 备案号:沪ICP备12015846号-1

地址:上海市普陀区中山北路3553号 伸大厦401