一、培訓(xùn)簡述
強(qiáng)調(diào)動(dòng)手操作：內(nèi)容以代碼落地為主，以理論講解為根。課程講解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的模型理論和代碼實(shí)踐，梳理機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺的技術(shù)框架，從根本上解決如何使用模型、優(yōu)化模型的問題。

二、培訓(xùn)特色
通過課程學(xué)習(xí)，可以理解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的思維方式和關(guān)鍵技術(shù)；了解深度學(xué)習(xí)和機(jī)器學(xué)習(xí)在當(dāng)前工業(yè)界的落地應(yīng)用；能夠根據(jù)數(shù)據(jù)分布選擇合適的算法模型并書寫代碼，初步勝任使用Python進(jìn)行數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等工作。
課程重視代碼實(shí)踐，使用金融、氣象、農(nóng)業(yè)、交通、安防等工業(yè)界實(shí)際數(shù)據(jù)（數(shù)據(jù)已脫敏）進(jìn)行機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的模型落地應(yīng)用，將實(shí)際工作中遇到的行業(yè)應(yīng)用和痛點(diǎn)做最直觀切實(shí)的展示；重視算法模型的同時(shí)，更強(qiáng)調(diào)實(shí)際問題中應(yīng)該如何模型選擇、特征選擇和調(diào)參。

三、培訓(xùn)時(shí)長
共計(jì)5天，每天6課時(shí)

四、培訓(xùn)大綱

《深度學(xué)習(xí)與圖像處理》
預(yù) 備 知 識(shí)	Python數(shù)據(jù)分析   解釋器Python3.7與IDE：Anaconda/Pycharm   列表/元組/字典/類/文件   numpy/scipy/matplotlib/pandas的介紹和典型使用   scikit-learn的介紹和典型使用   TensorFlow典型應(yīng)用   典型圖像處理   多種數(shù)學(xué)曲線   多項(xiàng)式擬合   快速傅里葉變換FFT   奇異值分解SVD   Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) 代碼和案例實(shí)踐：   卷積與(指數(shù))移動(dòng)平均線   股票數(shù)據(jù)分析   缺失數(shù)據(jù)的處理   環(huán)境數(shù)據(jù)異常檢測和分析
第 一 節(jié)	卷積神經(jīng)網(wǎng)絡(luò)： 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測與追蹤 AlexNet、VGGNet、GoogleLeNet Inception-V3/V4 ResNet、DenseNet 代碼和案例實(shí)踐： 數(shù)字圖片分類 卷積核與特征提取 以圖搜圖 人證合一 卷積神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享
第 二 節(jié)	卷積神經(jīng)網(wǎng)絡(luò)高級(jí)應(yīng)用、遷移學(xué)習(xí)： 使用遷移學(xué)習(xí)實(shí)現(xiàn)蒙古文識(shí)別 Keras的使用 獲取中間隱層的特征及可視化 隱層特征的意義和使用 遷移學(xué)習(xí)的trick 學(xué)習(xí)率、衰減、凍結(jié)等問題 代碼和案例實(shí)踐： 貓狗大戰(zhàn)詳解 海量蒙古文識(shí)別 隱特征可視化及其應(yīng)用
第 三 節(jié)	OpenCV圖像處理 Skimage/OpenCV來源、簡介與安裝 將視頻轉(zhuǎn)換為圖像序列 圖像可視化與幾何作圖 HSV、RGB與圖像顏色空間的轉(zhuǎn)換 圖像增強(qiáng)與(局部)直方圖均衡化 給予邊緣和區(qū)域的圖像分割 gamma矯正和對(duì)數(shù)矯正 亮度區(qū)域檢測與前景提取 圖像邊緣檢測/特征提取與圖像算子 Gabor/Laplace/Prewitt/Roberts Scharr/Sobel/Niblack/Wiener 圖像形態(tài)學(xué)：開/閉/凸包/膨脹/腐蝕 雙邊濾波器/小波降噪/wiener濾波 角點(diǎn)檢：Harris，Shi-Tomasi SIFT、SURF算法 視頻分析：Meanshift 和 Camshift 算法 代碼和案例實(shí)踐： 不同算子下的圖像卷積 圖像邊緣檢測與提取 前景分割與圖像融合 regional maxima檢測與應(yīng)用 HAAR/HOG/LBP等特征應(yīng)用 視頻前景背景分析與異物檢測 圖像形態(tài)學(xué)與海報(bào)生成的應(yīng)用 光流跟蹤與車輛跟蹤
第 四 節(jié)	圖像分割與定位 視頻關(guān)鍵幀處理 卷積的位置不變形與圖像定位的關(guān)系 物體檢測與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLOv4、SSD UNet及其與殘差網(wǎng)絡(luò)的結(jié)合 FaceNet與特征 EfficientNet、EfficientDet 代碼和案例實(shí)踐： 人臉檢測 OCR字體定位和識(shí)別 睿客識(shí)云 氣象識(shí)別
第 五 節(jié)	生成對(duì)抗網(wǎng)絡(luò)GAN 生成與判別 生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN 代碼和案例實(shí)踐： 圖片生成 看圖說話 對(duì)抗生成神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享
第 六 節(jié)	視頻分類模型實(shí)例 視頻幀的目標(biāo)定位 YOLOv4、SSD 時(shí)空卷積網(wǎng)絡(luò) SlowFast 代碼和案例實(shí)踐： 視頻分類的trick 政務(wù)大廳視頻監(jiān)控的真實(shí)系統(tǒng)
第 七 節(jié)	RNN循環(huán)神經(jīng)網(wǎng)絡(luò) RNN基本原理 LSTM、GRU Attention CNN+LSTM模型 Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 編碼器與解碼器結(jié)構(gòu) 特征提取：word2vec Seq2seq模型 代碼和案例實(shí)踐： 看圖說話 藏頭詩生成 問答對(duì)話系統(tǒng) OCR 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享

 
（注：大綱還可根據(jù)需求進(jìn)行調(diào)整）