為 AI 從業者/研究生/研究員專門定制的全網唯一高端 AI 訓練營

加入AI行業拿到高薪僅僅是職業生涯的開始。現階段AI人才結構在不斷升級，這也意味著如果目前仍然停留在調用一些函數庫，則在未來1-2年內很大概率上會失去核心競爭力的。幾年前如果熟練使用TensorFlow，同時掌握基本的AI算法就可以很容易找到一份高薪的工作，但現在不一樣了，AI崗位的要求越來越高，對知識的深度也提出了更高的要求。

如果現在一個面試官讓你從零推導SVM的Dual、從零實現CRF、推導LDA、設計一個QP問題、從零編寫XLNet、編寫GCN/GNN、改造SkipGram模型、用一天時間復現一篇頂級會議....?這些要求一點都不過分。相反，連這些基本內容都有些吃力，就需要重新審視一下自己的核心技術壁壘了。

目前AI人才競爭越來越激烈，調參俠的時代已慢慢過去，這些事情其實根本不需要AI工程師來做，未來的研發工程師就可以承擔這些了！

從事AI行業多年，但技術上總感覺不夠深入，而且很難再有提升；

對每個技術點了解，但不具備體系化的認知，無法把它們串起來；

停留在使用模型/工具上，很難基于業務場景來提出新的模型；

對于機器學習背后的優化理論、前沿的技術不夠深入；

計劃從事尖端的科研、研究工作、申請AI領域研究生、博士生；

打算進入最頂尖的AI公司比如Google，Facebook，Amazon， 阿里，頭條等；

01

課程大綱

第一階段 機器學習基礎與凸優化

【核心知識點】

【部分案例講解】

第二階段 SVM與集成模型

【核心知識點】

-?Max-Margin與線性SVM構建

- Slack Variable以及條件的松弛

- SVM的Dual、Kernelized SVM

- Kernel Functions, Mercer'定理

- Kernelized LR/KNN/K-Means/PCA

- Bagging, Boosting, Stacking

- 信息論與決策樹

- 隨機森林，完全隨機森林

- 基于殘差的提升樹訓練思想

- GBDT與XGBoost

- 集成不同類型的模型

- VC理論， PAC Learning

【部分案例講解】

第三階段 無監督學習與序列模型

【核心知識點】

-?K-means、GMM以及EM

- 層次聚類，DCSCAN，Spectral聚類算法

- 隱變量與隱變量模型、Partition函數

- 條件獨立、D-Separation、Markov性質

- HMM以及基于Viterbi的Decoding

- Forward/Backward算法

- 基于EM算法的參數估計

- 有向圖與無向圖模型區別

- Log-Linear Model，邏輯回歸，特征函數

- MEMM與Label Bias問題

- Linear CRF以及參數估計

【部分案例講解】

第四階段 深度學習

本階段主要講解深度學習理論以及常見的模型。這里包括BP算法、卷積神經網絡、RNN/LSTM、BERT、XLNet、ALBERT以及各類深度學習圖模型。另外，也會涉及到深度相關的優化以及調參技術。

【核心知識點】

【部分案例講解】

-?基于Seq2Seq和注意力機制的機器翻譯

- 基于TransE和GCN的知識圖譜推理

- 基于CNN的人臉關鍵點檢測

第五階段 推薦系統與在線學習

推薦系統一直是機器學習領域的核心，所以在本階段重點來學習推薦系統領域主流的算法以及在線學習的技術、包括如何使用增強學習來做推薦系統。?在線學習算法很深具有很漂亮的理論基礎，在本階段你都會一一體會到！

【核心知識點】

【部分案例講解】

第六階段 貝葉斯模型

本階段重點講解貝葉斯模型。貝葉斯派區別于頻率派，主要的任務是估計后驗概率的方式來做預測。我們重點講解主題模型以及不同的算法包括吉布采樣、變分法、SGLD等，以及如何把貝葉斯的框架結合在深度學習模型里使用，這就會衍生出Bayesian LSTM的模型。貝葉斯部分的學習需要一定的門檻，但我們會讓每個人聽懂所有細節！

【核心知識點】

【部分案例講解】

第七階段 增強學習與其他前沿主題

【核心知識點】

【部分案例講解】

02

部分項目作業

課程設計緊密圍繞學術界最新進展以及工業界的需求，涵蓋了所有核心知識點，并且結合了大量實戰項目，培養學員的動手能力，解決問題能力。

基于Kernel PCA的思路, 實現 Kernel LDA(Linear Discriminant Analysis). 使用Kernel LDA進行人臉識別

基于HMM和GMM從零搭建一個語音識別系統，這個語音識別系統可用于IOT的場景中來識別各類命令。在項目中也需要使用常見的語音的特征如MFCC。

在基于CNN人臉關鍵點檢測的基礎上, 實現一個人臉美化的算法, 給一副照片中的人臉加上墨鏡。

從零搭建一個中英機器翻譯系統。項目中需要使用LSTM以及注意力機制，并結合Bert等詞向量技術。

使用Gradient Boost Machine預測用戶點擊廣告的概率CTR, 用于廣告推薦系統。

基于LDA模型做改造并應用在情感分析。在此項目中需要完成：1. 改造原始的LDA模型。2. 對于改造后的模型做求解 3. 實現模型并識別文本中的情感。

項目7：打乒乓球

使用Policy Gradient 的思路, 實現基于深度神經網絡的強化學習系統, 讓系統能夠在乒乓球游戲中戰勝機器。

基于VAE搭建一個文本風格遷移模型。對于給定的一句話，按照一定的風格去改造文本。

03

授課講解

直播授課，現場推導演示

區別于劣質的PPT講解，導師全程現場推導，讓你在學習中有清晰的思路，深刻的理解算法模型背后推導的每個細節。更重要的是可以清晰地看到各種模型之間的關系！幫助你打通六脈！

▲源自：CRF與Log-Linear模型講解

▲源自：CRF與Log-Linear模型講解

▲源自：Convex Optimization?講解

▲源自：Convergence Analysis?講解

不管你在學習過程中遇到多少阻礙，你都可以通過以下4種方式解決：

1、直接在線問導師；

2、記錄到共享文檔中，每日固定時間的直播答疑；

3、學習社群中全職助教，24h隨時提問答疑

4、共同的問題在Review Session里面做講解

注：每次答疑，班主任都會進行記錄，以便學員實時查閱。

04

課程適合誰？

對機器學習算法有基礎了解，具備編程能力；

對數據結構與算法比較熟悉；

想申請國外名校AI相關專業的碩士/博士；

已從事AI領域工作，想要升職加薪；

想從事頂級AI公司；

05

課程安排

高強度學習，魔鬼式訓練

請掃描下方二維碼咨詢課程

專業的AI咨詢師幫你解答

人工智能

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。