人工智能培训班
特定目标车辆跟踪Siamese系列模型的解决方案SORT/DeepSORT算法多目标车辆跟踪解决方案
建立交通流系统状态和观测状态的解决方案车辆检测、计数和分类解决方案
图像去畸变的解决方案实时车道线检测的解决方案
实时采集摄像头人脸视频的解决方案利用深度学习方法进行人脸属性提取的解决方案
动态图像人脸定位的解决方案利用深度神经网络进行人脸实时识别跟踪的解决方案
医学影像格式转换的解决方案肺部实质形态分割的解决方案
利用深度学习模型进行肺结节检测及分割的解决方案可疑病灶区域标记及预诊断的解决方案
基于多模型级联学习的场景识别解决方案浅CNN模型和深CNN模型集成学习
mlp模型组合预判场景解决方案在线图片识别-商品检测项目（CV）
基于端到端算法的目标检测解决方案模型训练中数据增强的解决方案
基于LabelImage的图像标注的解决方案知识图谱的双画像关系存储解决方案
动态/静态标签的AI属性方案实时响应的AI金字塔召回方案
wide-deep模型的排序模型方案医疗领域NER解决方案
对话主题相关解决方案微信端服务部署解决方案
对话管理系统与AI结合解决方案大规模快速文本分类解决方案
多模型并行预测解决方案分布式模型训练解决方案
多标签知识图谱构建解决方案基于Flume+Kafka的实时数据采集解决方案
基于词频、词向量的文章画像抽取解决方案离线定时任务多路召回的解决方案
wide&deep深度神经网络模型的排序方案双通道redis&hbase的实时请求服务解决方案
推荐系统冷启动解决方案中文分词和向量化的解决方案
基于神经网络端到端的解决方案语言模型调优与注意力机制优化的方案
《人工智能导论》教学大纲（含课程思政内容）
05
教学内容和课时安排（含课程思政内容）
（一）课程学时分配
（二）课程思政参考内容
（三）课程教学内容与重点难点
第1章人工智能导引
教学目的：了解人工智能的概念、学习人工智能的目的和意义、应用；了解人工智能的分支。
教学内容：人工智能的概念、应用场合；人工智能的分支。
重点难点：重点是了解人工智能的分支，难点是人工智能各个分支之间的关系。
第2章Python基础知识
教学目的：了解Python在不同环境下的安装；熟练使用python的基本编程，包括各种数据结构；掌握第三方模块的安装和使用，文件的读写；掌握NumPy包的熟练使用；掌握Python的绘图基础。
教学内容：编程基础（列表、元组及字典、基本语句；函数）；模块的安装与使用；文件的读写；NumPy的使用；Python的绘图基础。
重点难点：重点是使用Python进行相关的编程，如NumPy的编程，绘图基础等。难点是使用NumPy进行较为复杂的开发与绘图。
第3章机器学习初步
教学目的：了解机器学习的概念、其与人工智能的关系、机器学习的分类；了解数据预处理与特征工程，包括数据清洗、数据变化、过滤、特征工程；熟练使用Sklearn包；熟练使用回归分析。掌握聚类的基本原理与常见的聚类算法。
教学内容：机器学习及其工作流程；机器学习的分类；数据预处理与特征工程；Sklearn库的使用；逻辑回归分类和线性回归预测；聚类的原理与K-Means聚类算法。
重点难点：重点是机器学习的流程与Sklearn的实践。难点是聚类算法及其调优。
第4章自然语言处理
教学目的：了解自然语言处理的概念；掌握文本分词与词汇还原的方法；掌握文本分块与词袋模型；熟练使用TF-IDF算法，并据此构建文档类别预测器。
教学内容：自然语言处理的概念；文本分词与词汇还原；文本分块与词袋模型；文档类别预测；语义分析器；主题模型。
重点难点：重点是文本分词及其文档类别判断的方法。难点是语义分析器的理解与实现。
教学目的：了解处理语音信号的方式，可视化处理的过程；掌握处理语音信号的的相关技术；能够独立建立一个英文的语音识别系统。
教学内容：处理语音信号；可视化音频信号；音频信号从时域转换到频域；生成音频信号的方法；提取语音特征；构建语音识别系统。
重点难点：重点是语音特征的提取策略和方法；难点是构建语音识别系统，尤其是适当结合深度学习机制进行语音信号的识别。
第6章计算机视觉
教学目的：了解什么是计算机视觉,掌握安装流行的计算机视觉库—OpenCV。了解利用帧间差分法检测视频中的移动部分。掌握使用色彩空间和背景差分法来跟踪对象,使用CAMShift算法来构建一个目标跟踪器,并学习光流的基本知识。熟悉人脸检测的相关概念,构造一个人脸检测和跟踪器。
教学内容：计算机视觉的概念；OpenCV介绍；视频中移动物体检测方法；目标跟踪器的构建；基于光流的跟踪；Harr级联和积分图；人脸检测与跟踪。
重点难点：重点是熟悉基于OpenCV进行的各种视觉处理方法，为进一步深入视觉学习奠定基础。难点是人脸检测和跟踪，尤其是复杂的场景，如戴口罩情况下。
第7章人工神经网络
教学目的：了解什么是人工神经网络，熟悉如何建立人工神经网络；了解感知器，掌握基于感知器构建一个分类器；掌握单层和多层神经网络；掌握循环神经网路。
教学内容：神经网络的概念；建立和训练人工神经网络；感知器；构建单层人工神经网络和多层人工神经网络；循环人工神经网络；构建光学字符识别引擎。
重点难点：重点是熟悉构建单层、多层以及循环神经网络；难点是神经网络的使用，如利用神经网络来构建一个光学自负识别引擎。
第8章强化学习与深度学习
教学目的：掌握强化学习的概念及其表现；了解深度学习以及卷积神经网络；熟练使用卷积神经网络构建简单的应用。
教学内容：强化学习的概念；深度学习的概念；卷积神经网络；利用卷积神经网络建立图像分类器。
重点难点：重点是深度学习及其使用；难点是利用卷积神经网络进行实际的应用开发，尤其是其可解释性问题是需要学生简单了解的。
第9章区块链
教学目的：了解区块链的基本概念；掌握区块链和人工智能的关系；了解如何利用人工智能技术对区块链进一步优化。
教学内容：区块链概念；人工智能与区块链；在区块链中使用朴素贝叶斯；优化区块链。
重点难点：重点是区块链概念的理解，产生的原因的深入分析；难点是如何充分的利用区块链技术进行多方向（领域）融合的设计与开发，包括在教育领域、知识产权保护等等。
第10章人工智能算法
教学目的：了解人工智能常用的启发式算法；掌握其基本的思想方法；掌握遗传算法、模拟退火算法、蚁群算法等。
教学内容：启发式搜索算法；遗传算法；模拟退火算法；蚁群算法。
重点难点：重点是掌握典型的启发式算法，如遗传算法、模拟退火等；难点是这些算法优化的特定目标和适用的场景；同时，也希望同学能够探索一些其它的启发式算法，并进一步比较分析，这也是本章的另一个难点。
06
课程教学方法
本课程教学采用以多媒体教学为主，以板书为辅的教学方式，并加强图示教学和实例教学以增强学生的学习兴趣并加深学生对重点知识以及理论与实际工程问题相结合的理解。
1、教师课堂讲授：基本概念和核心知识内容的传授，由主讲教师完成。
2、课堂讨论：要求学生以小组的形式对所学的知识点进行现场讨论。
3、MOOC：对课程的一些知识点采用国内外知名专家学者的视频公开课进行知识的传授。
4、SPOC：对于授课难点问题尤其是实际运用的问题时，采用翻转课堂的形式积极引导学生的参与意识，提高学生的创新能力。
5、学生/项目组讲授/表达：学生小组讨论，对于常识性的知识点的表达，提高学生的沟通和表达能力。
07
课程学习资源
1.教材
《人工智能导论（Python版）微课视频版》
ISBN：978-7-302-57239-8
作者：姜春茂
定价：49元
｜学习资源｜
500分钟视频、PPT课件、示例源码、习题答案。返回搜狐，查看更多