![]()
课程一：2024最新全流程Python编程、机器学习与深度学习实践技术应用培训班
【参加本课程,同时选择深度学习全景进阶课程学习，深度学习全景进阶课程可6折参会】
课程二：最新基于MATLAB 机器学习、深度学习实践技术应用高级培训班
课程三：深度学习全景进阶：最新Python深度学习进阶与前沿应用高级培训班
课程四：最新ChatGPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图高级培训班
课程五：AI大语言模型进阶应用及模型优化、本地化部署、从0-1搭建、智能体构建技术高级培训班
课程六：ChatGPT-4o在临床医学日常工作、论文高效撰写与项目申报、数据分析与可视化、机器学习建模中的实践应用高级培训班
咨询客服微信王老师：18591019807
2024最新全流程Python编程、机器学习与深度学习实践技术应用培训班 近年来，人工智能领域的飞速发展极大地改变了各个行业的面貌。当前最新的技术动态，如大型语言模型和深度学习技术的发展，展示了深度学习和机器学习技术的强大潜力，成为推动创新和提升竞争力的关键。特别是PyTorch，凭借其灵活性和高效性，成为科研人员和工程师的首选工具。为了帮助科研人员系统地掌握深度学习的基础理论及其在PyTorch中的实现方法，Ai尚研修特别推出了“最新PyTorch机器学习与深度学习技术方法与案例实践应用培训班”。该培训班旨在帮助学员理解和掌握深度学习的基础知识，深入了解其与经典机器学习算法的区别与联系，并系统学习包括迁移学习、循环神经网络（RNN）、长短时记忆网络（LSTM）、时间卷积网络（TCN）、生成对抗网络（GAN）、YOLO目标检测算法、自编码器等前沿技术的原理及其PyTorch编程实现。培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的教学模式，确保学员不仅理解理论知识，还能通过实践操作掌握实际应用中的关键技巧和方法。通过参加本次培训，学员将系统掌握深度学习和机器学习的基本原理和最新发展动态，熟练使用PyTorch进行模型构建、训练和优化，并将深度学习技术应用于实际问题解决，提升科研和工程项目的创新能力，助力职业发展和高水平论文的撰写。无论您是科研工作者、工程师，还是对深度学习技术有浓厚兴趣的从业者，本次培训班将为您提供全面而深入的学习体验，帮助您在人工智能领域取得更大的突破和成就
主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
【直播时间】：2024年8月29日-9月1日【腾讯会议直播】
上午：9：00-12：00 下午14：00-17：30
【参加本课程,同时选择深度学习全景进阶课程学习，深度学习全景进阶课程可6折参会】
1.建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用。2.课程结束后不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流3.学员后期可邀请导师进驻团队/课题组开展一对一的团队建设、人才培养、学术交流、学术报告、问题诊断、纵横向项目合作等多种形式的合作。1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用；Pandas常用函数简介与使用）1、深度学习框架概述（PyTorch、Tensorflow、Keras等）2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）2、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda等）3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）6、PyTorch的自动求导（Autograd）机制与计算图的理解7、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图等）2、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）3、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等）1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）4、案例讲解：Linear模型、Logistic模型、Softmax函数输出、BP神经网络6、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择等）第六章、Python决策树、随机森林、XGBoost与LightGBM1、决策树的工作原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）；决策树除了建模型之外，还可以帮我们做什么事情？2、随机森林的工作原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？）4、AdaBoost vs. Gradient Boosting的工作原理5、常用的GBDT算法框架（XGBoost、LightGBM）6、决策树、随机森林、XGBoost、LightGBM中的ChatGPT提示词库讲解7、案例讲解：利用ChatGPT4实现决策树、随机森林、XGBoost、LightGBM模型的代码自动生成与运行3、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等）4、遗传算法（Genetic Algorithm, GA）的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？选择、交叉、变异三个算子的作用分别是什么？）5、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释）1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）2、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）2、卷积神经网络的基本原理（什么是卷积核、池化核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）3、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系4、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）5、卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？）1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）3、案例讲解：猫狗大战（Dogs vs. Cats）1、生成式对抗网络GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN给我们带来的启示）3、案例讲解：GAN的PyTorch代码实现（手写数字生成）第十二章、时间卷积网络（Temporal Convolutional Network, TCN）第十三章、PyTorch目标检测
1、什么是目标检测？目标检测与目标识别的区别与联系2、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）（2）数据标注演示（LabelImage使用方法介绍）1、什么是自编码器（Auto-Encoder, AE）？2、经典的几种自编码器模型原理介绍（AE、Denoising AE, Masked AE）1、语义分割（Semantic Segmentation）简介联系人：王老师 扫码咨询
![]()
最新基于MATLAB机器学习、深度学习实践技术应用高级培训班 近年来，MATLAB在机器学习和深度学习领域的发展取得了显著成就。其强大的计算能力和灵活的编程环境使其成为科研人员和工程师的首选工具。在无人驾驶汽车、医学影像智能诊疗、ImageNet竞赛等热门领域，MATLAB提供了丰富的算法库和工具箱，极大地推动了人工智能技术的应用和创新。
系统学习机器学习和深度学习的理论知识及对应的代码实现方法，掌握图像处理的基础知识，以及经典机器学习算法和最新的深度神经网络、迁移学习、对抗生成网络等算法的基本原理及其MATLAB编程实现方法。采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出分析图像处理、机器学习和深度学习在应用时需要掌握的经验及编程技巧。主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
【培训方式】：直播+助学群辅助+导师面对面实践工作交流
每日授课：上午：9：30-12：00 下午：14：00-17：30第一章 MATLAB基础编程串讲 | 1、MATLAB 基础操作：包括矩阵操作、逻辑与流程控制、函数与脚本文件、基本绘图等2、文件导入：mat、txt、xls、csv、jpg、wav、avi等格式 |
| 1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图）2、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）3、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等） |
| 1、人工智能基本概念辨析（回归拟合问题与分类识别问题；有监督（导师）学习与无监督（无导师）学习；训练集、验证集与测试集；过拟合与欠拟合）3、数据预处理（归一化、异常值剔除、数据扩增技术等）5、模型评价与指标的选择（回归拟合问题 vs. 分类识别问题） |
| 1、支持向量机的基本原理（支持向量的本质、核函数的意义、SVM的启示等）2、决策树的基本原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）3、随机森林的基本原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”提现在哪些地方？随机森林的本质是什么？）4、知识扩展：支持向量机、决策树除了建模型之外，还可以帮我们做什么事情？怎样解读随机森林的结果？2）基于随机森林的乳腺癌良性/恶性肿瘤智能诊断模型 |
| 1、变量降维(Dimension reduction)与特征选择(Feature selection)在概念上的区别与联系7、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释） |
| 1、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）2、卷积神经网络的基本原理（什么是卷积核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）3、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系5、deepNetworkDesigner交互式设计工具演示6、预训练模型（Alexnet、Vgg-16/19、GoogLeNet、ResNet等）的下载与安装 |
| 2、优化算法（梯度下降、随机梯度下降、小批量随机梯度下降、动量法、Adam等）3、调参技巧（参数初始化、数据预处理、数据扩增、批量归一化、超参数优化、网络正则化等） |
| 1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）3、案例讲解：猫狗大战（Dogs vs. Cats） |
| |
| 时间卷积网络（Temporal Convolutional Network, TCN） | |
| 1、生成式对抗网络GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN给我们带来的启示）3、案例讲解：GAN的MATLAB代码实现（向日葵花图像的自动生成） |
| 1、什么是目标检测？目标检测与目标识别的区别与联系 |
| 1、语义分割（Semantic Segmentation）简介 |
| 2、自编码器的变种（栈式自编码器、稀疏自编码器、去噪自编码器、卷积自编码器、掩码自编码器等）及其工作原理 |
| 1、什么是模型可解释性？为什么需要对CNN模型进行解释？2、常用的可视化方法有哪些（特征图可视化、卷积核可视化、类别激活可视化等）？3、CAM（Class Activation Mapping）、LIME（Local Interpretable Model-agnostic Explanation）、GRAD-CAM等方法原理讲解 |
| 1、如何查阅文献资料？（你会使用Google Scholar、Sci-Hub、ResearchGate吗？应该去哪些地方查找与论文配套的数据和代码？）2、如何提炼与挖掘创新点？（如果在算法层面上难以做出原创性的工作，如何结合自己的实际问题提炼与挖掘创新点？）3、相关学习资料分享与拷贝（图书推荐、在线课程推荐等） |
注：（请提前配置学习所需软件）。
联系人：王老师 扫码咨询
![]()
深度学习全进阶：最新python深度学习进阶与前沿应用高级培训班 参会条件：（备注：该培训课程为进阶课程，需要学员掌握卷积神经网络、循环神经网络等前序基础知识。同时，应具备一定的Python编程基础，熟悉numpy、pandas、matplotlib、scikit-learn、pytorch等第三方模块库。）
近年来，伴随着以卷积神经网络（CNN）为代表的深度学习的快速发展，人工智能迈入了第三次发展浪潮，AI技术在各个领域中的应用越来越广泛。为了帮助广大学员更加深入地学习人工智能领域最近3-5年的新理论与新技术，Ai尚研修推出全新的“Python深度学习进阶与应用”培训课程，让你系统掌握AI新理论、新方法及其Python代码实现。课程采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出讲解注意力机制、Transformer模型（BERT、GPT-1/2/3/3.5/4、DETR、ViT、Swin Transformer等）、生成式模型（变分自编码器VAE、生成式对抗网络GAN、扩散模型Diffusion Model等）、目标检测算法（R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SDD等）、图神经网络（GCN、GAT、GIN等）、强化学习（Q-Learning、DQN等）、深度学习模型可解释性与可视化方法（CAM、Grad-CAM、LIME、t-SNE等）的基本原理及Python代码实现方法。（备注：该培训课程为进阶课程，需要学员掌握卷积神经网络、循环神经网络等前序基础知识。同时，应具备一定的Python编程基础，熟悉numpy、pandas、matplotlib、scikit-learn、pytorch等第三方模块库。）现通知如下：主办单位：Ai尚研修
承办单位：尚研修（保定）信息科技有限公司
【培训方式】：网络直播+助学群辅助+导师面对面实践工作交流
每日时间：上午：9：30：00-12：00 下午：14：00-17：30课程安排 | 课程导学 |
第一章 注意力（Attention）机制详解 | 1、注意力机制的背景和动机（为什么需要注意力机制？注意力机制的起源和发展）。 2、注意力机制的基本原理：什么是注意力机制？注意力机制的数学表达与基本公式、用机器翻译任务带你了解Attention机制、如何计算注意力权重？ 3、注意力机制的主要类型：自注意力（Self-Attention）与多头注意力（Multi-Head Attention）、Soft Attention 与 Hard Attention、全局（Global）与局部（Local）注意力 4、注意力机制的优化与变体：稀疏注意力（Sparse Attention）、加权注意力（Weighted Attention） 5、注意力机制的可解释性与可视化技术：注意力权重的可视化（权重热图） 6、案例演示 7、实操练习 |
第二章 Transformer模型详解 | 1、Transformer模型的提出背景（从RNN、LSTM到注意力机制的演进、Transformer模型的诞生背景及其在自然语言处理和计算视觉中的重要性） 2、Transformer模型拓扑结构（编码器、解码器、多头自注意力机制、前馈神经网络、层归一化和残差连接等） 2、Transformer模型工作原理（为什么Transformer模型需要位置信息？位置编码的计算方法？Transformer模型的损失函数？） 3、自然语言处理（NLP）领域的Transformer模型：BERT、GPT-1 / GPT-2 / GPT-3 / GPT-3.5 / GPT-4（模型的总体架构、输入和输出形式、预训练目标、预训练数据的选择和处理、词嵌入方法、GPT系列模型的改进与演化、……）。 4、计算视觉（CV）领域的Transformer模型：DETR / ViT / Swin Transformer（DERT：基于Transformer的检测头设计、双向匹配损失；ViT：图像如何被分割为固定大小的patches？如何将图像patches线性嵌入到向量中？Transformer在处理图像上的作用？Swin：窗口化自注意力机制、层次化的Transformer结构、如何利用位移窗口实现长范围的依赖？） 5、案例演示 6、实操练习 |
第三章 生成式模型详解 | 1、变分自编码器VAE（自编码器的基本结构与工作原理、变分推断的基本概念及其与传统贝叶斯推断的区别、VAE的编码器和解码器结构及工作原理）。 2、生成式对抗网络GAN（GAN提出的背景和动机、GAN的拓扑结构和工作原理、生成器与判别器的角色、GAN的目标函数）。 3、扩散模型Diffusion Model（扩散模型的核心概念？如何使用随机过程模拟数据生成？扩散模型的工作原理）。 4、跨模态图像生成DALL.E（什么是跨模态学习？DALL.E模型的基本架构、模型训练过程）。 5、案例演示 6、实操练习 |
第四章 目标检测算法详解 | 1. 目标检测任务与图像分类识别任务的区别与联系。 2. 两阶段（Two-stage）目标检测算法：R-CNN、Fast R-CNN、Faster R-CNN（RCNN的工作原理、Fast R-CNN和Faster R-CNN的改进之处 ）。 3. 一阶段（One-stage）目标检测算法：YOLO模型、SDD模型（拓扑结构及工作原理）。 4. 案例演示 5、实操练习 |
第五章 图神经网络详解 | 1. 图神经网络的背景和基础知识（什么是图神经网络？图神经网络的发展历程？为什么需要图神经网络？） 2. 图的基本概念和表示（图的基本组成：节点、边、属性；图的表示方法：邻接矩阵；图的类型：无向图、有向图、加权图）。 3. 图神经网络的工作原理（节点嵌入和特征传播、聚合邻居信息的方法、图神经网络的层次结构）。 4. 图卷积网络（GCN）的工作原理。 5. 图神经网络的变种和扩展：图注意力网络（GAT）、图同构网络（GIN）、图自编码器、图生成网络。 6、案例演示 7、实操练习 |
第六章 强化学习详解 | 1、强化学习的基本概念和背景（什么是强化学习？强化学习与其他机器学习方法的区别？强化学习的应用领域有哪些？ 2、Q-Learning（马尔可夫决策过程、Q-Learning的核心概念、什么是Q函数？Q-Learning的基本更新规则）。 3、深度Q网络（DQN）（为什么传统Q-Learning在高维或连续的状态空间中不再适用？如何使用神经网络代替Q表来估计Q值？目标网络的作用及如何提高DQN的稳定性？） 4、案例演示 5、实操练习 |
第七章 物理信息神经网络 （PINN） | 1、 物理信息神经网络的背景（物理信息神经网络（PINNs）的概念及其在科学计算中的重要性、传统数值模拟方法与PINNs的比较） 2、 PINN工作原理：物理定律与方程的数学表达、如何将物理定律嵌入到神经网络模型中？PINN的架构（输入层、隐含层、输出层的设计）、物理约束的形式化（如何将边界条件等物理知识融入网络？）损失函数的设计（数据驱动与物理驱动的损失项） 3、 常用的PINN库和框架介绍 4、 案例演示 5、实操练习 |
第八章 神经架构搜索（Neural Architecture Search, NAS） | 1、 NAS的背景和动机（传统的神经网络设计依赖经验和直觉，既耗时又可能达不到最优效果。通过自动搜索，可以发现传统方法难以设计的创新和高效架构。） 2、 NAS的基本流程：搜索空间定义（确定搜索的网络架构的元素，如层数、类型的层、激活函数等。）、搜索策略（随机搜索、贝叶斯优化、进化算法、强化学习等）、性能评估 3、 NAS的关键技术：进化算法（通过模拟生物进化过程，如变异、交叉和选择，来迭代改进网络架构）、强化学习（使用策略网络来生成架构，通过奖励信号来优化策略网络）、贝叶斯优化（利用贝叶斯方法对搜索空间进行高效的全局搜索，平衡探索和利用） 4、 案例演示 5、实操练习 |
第九章 深度学习模型可解释性与可视化方法详解 | 1、什么是模型可解释性？为什么需要对深度学习模型进行解释？ 2、可视化方法有哪些（特征图可视化、卷积核可视化、类别激活可视化等）？ 3、类激活映射CAM（Class Activation Mapping）、梯度类激活映射GRAD-CAM、局部可解释模型-敏感LIME（Local Interpretable Model-agnostic Explanation）、等方法原理讲解。 4、t-SNE的基本概念及使用t-SNE可视化深度学习模型的高维特征。 5、案例演示 6、实操练习 |
第十章 讨论与答疑 | 1、相关学习资料分享与拷贝（图书推荐、在线课程推荐等） 2、建立微信群，便于后期的讨论与答疑 |
上下滑动查看更多
联系人：王老师 扫码咨询
![]()
![]()
提供全套上课资料【课件、案例数据、代码、参考资料等】+课程长期有效+导师群长期辅助学习
Ai尚研修丨专注科研领域
技术推广，人才招聘推荐，科研活动服务
科研技术云导师，Easy Scientific Research
