伊人狼人影院-伊人猫咪-伊人毛片-伊人免费-免费一级肉体全黄毛片高清-免费一级特黄欧美大片久久网

  • 0

    消息 標記為已讀

    沒有消息

    查看全部
  • 登錄/注冊
  • 我的班級
  • AI人工智能職業(yè)課程

    教學服務
    365
    視頻時長
    261小時
    學習人數(shù)
    136
    中國人保教育培訓險
    開始學習
    有位老師想跟你聊一聊

    Hi,我是你的學習規(guī)劃師

    不知道選什么課?和我聊聊吧!

    規(guī)劃學習路徑
    • 學習中
    • 已學完
    • 未學習
    • 即將上線

    人工智能開發(fā)基礎理論

    39課時61小時33分

    L1
    Python程序設計

    Python程序設計課程服務于機器學習、深度學習等人工智能核心課程,詳細介紹了python面向過程編程的基礎語法,如變量、表達式、語句、函數(shù)等概念;對Python程序中特有的列表、元組、字典、集合、字符串等容器類型的典型操作給出了詳盡的示例;闡述了面向?qū)ο缶幊痰幕靖拍睿约胺庋b、繼承、多態(tài)三大面向?qū)ο缶幊痰暮诵奶匦裕辉诖嘶A上深化了模塊與包、函數(shù)重寫、迭代器與生成器、函數(shù)式編程等python編程

    D1 Python入門 免費 D2 變量和簡單數(shù)據(jù)類型 免費 D3 語句 免費
    D4 列表與元組 免費 D5 字符串 免費 D6 字典與集合 免費
    D7 函數(shù) D8 類與對象 D9 封裝
    D10 繼承 D11 多態(tài) D12 程序結構
    D13 異常 D14 函數(shù)的重寫與重載 D15 迭代器與生成器
    D16 函數(shù)式編程 D17 文件IO
    L2
    矩陣運算

    Numpy庫是Python中用于科學計算、數(shù)據(jù)分析和機器學習的底層庫,補充了Python語言所欠缺的數(shù)值計算能力。本課程中詳細介紹了一維、二維數(shù)組的創(chuàng)建、索引訪問、切片訪問的使用技巧,同時對Numpy中一寫常見功能函數(shù)做了實例演示,結合課堂的編程作業(yè),可以幫助學習者快速入門Numpy程序設計。為后續(xù)機器學習、深度學習課程操作數(shù)組打下良好基礎。

    D1 Numpy基礎 D2 二維數(shù)組 D3 數(shù)組的訪問
    D4 數(shù)組操作 D5 Numpy中的函數(shù) D6 線性代數(shù)
    D7 高維數(shù)組
    L3
    Python的第三方庫

    掌握Python的第三方庫

    D1 Matplotlib基礎 D2 基本使用 D3 繪制圖形
    D4 Pandas基礎 D5 Series & DataFrame D6 數(shù)據(jù)清洗與繪圖
    L4
    Python的數(shù)據(jù)結構

    該階段課程介紹了數(shù)據(jù)結構與算法的基本概念,主要內(nèi)容包括Python面向?qū)ο蟪绦蛟O計,普通線性表、棧和隊列、二叉樹等數(shù)據(jù)結構的Python實現(xiàn),常見排序算法、查找算法的原理與實現(xiàn)等基本知識。

    D1 數(shù)據(jù)結構與算法基礎 D2 線性結構 D3 樹型結構
    D4 排序算法 D5 查找算法
    L5
    Git使用與學習

    掌握Git使用與學習

    D1 Git教程導學 D2 Git教程練習 D3 GitHub操作
    D4 Pycharm集成Git、GitHub和碼云

    人工智能基礎開發(fā)核心課程

    66課時77小時31分

    L6
    人工智能的微積分基礎

    熟悉人工智能中常見的微積分的知識點,為機器學習和深度學習打下基礎。

    D1 為什么要學微積分、導數(shù)的含義、斜率的極值和極小值 D2 常見的導數(shù)、不可微函數(shù)、導數(shù)的性質(zhì)、切平面和偏導數(shù)、梯度
    L7
    人工智能行業(yè)發(fā)展與虛擬仿真平臺搭建
    免費

    人工智能行業(yè)發(fā)展與虛擬仿真平臺搭建

    D1 人工智能的認知與介紹 D2 人工智能工具環(huán)境介紹-學習環(huán)境介紹
    L8
    圖像認知與OpenCV

    了解圖像認知與OpenCV,掌握圖像識別與檢測的實現(xiàn)。

    D1 計算機眼中的圖像 D2 灰度化 D3 二值化
    D4 自適應二值化 D5 形態(tài)學變換 D6 圖片顏色識別
    D7 圖像顏色替換 D8 ROI切割 D9 圖像旋轉
    D10 圖像鏡像旋轉 D11 圖像縮放 D12 圖像矯正
    D13 圖像添加水印 D14 圖像噪點消除 D15 圖像梯度處理
    D16 圖像邊緣檢測 D17 繪制圖像輪廓 D18 凸包特征檢測
    D19 模板匹配 D20 圖像輪廓特征查找 D21 直方圖均衡化
    D22 圖像亮度變換 D23 霍夫變換
    L9
    視覺項目實踐

    視覺項目實踐

    D1 自動駕駛簡介 D2 3D場景的介紹 D3 獲取3D場景的數(shù)據(jù)
    D4 透視變換 D5 提取車道線 D6 車道線擬合
    D7 車道線顯示 D8 車道線檢測與自動駕駛(選修)
    L10
    機器學習算法原理與實踐-入門

    機器學習算法原理與實踐-入門

    D1 機器學習介紹與定義 D2 KNN決策邊界 D3 距離計算方式
    D4 使用數(shù)學方法實現(xiàn)KNN D5 前向傳播與損失函數(shù) D6 反向傳播的學習率與梯度下降
    D7 自求導的方法實現(xiàn)線性回歸算法 D8 深度學習框架PyTorch的tensor(1) D9 深度學習框架PyTorch的tensor(2)
    D10 基于PyTorch框架的線性回歸原理 D11 PyTorch技巧與模型查看 D12 基于TensorFlow框架的線性回歸
    D13 TensorFlow技巧與模型查看 D14 基于PaddlePaddle框架的線性回歸 D15 PaddlePaddle技巧與模型查看
    D16 【項目】基于PyTorch的房價預測 D17 【作業(yè)】基于PyTorch的鮑魚年齡判定 D18 【作業(yè)】基于sklearn共享單車租賃預測
    L11
    概率論與統(tǒng)計

    掌握數(shù)學的方法實現(xiàn)線性回歸

    D1 概率與事件 D2 生日問題與概率的反直覺、條件概率 D3 貝葉斯與樸素貝葉斯
    D4 隨機變量與離散分布 D5 連續(xù)概率分布與數(shù)學概念 D6 貝葉斯分類案例
    D7 貝葉斯多分類案例
    L12
    機器學習算法原理與實踐-深化

    掌握深度學習算法和框架

    D1 曲線擬合與非線性化、階躍函數(shù) D2 sigmoid、tanh、ReLU、Softmax激活函數(shù) D3 leaky ReLU、PReLU、ELU激活函數(shù)
    D4 極大似然估計與交叉熵損失函數(shù) D5 邏輯回歸與二分類問題 D6 邏輯回歸項目實現(xiàn)與練習

    人工智能深度開發(fā)核心課程

    58課時50小時59分

    L13
    深度學習基礎與實踐

    掌握深度學習基礎與實踐

    D1 全連接與鏈式求導法則 D2 Softmax與交叉熵 D3 優(yōu)化器和優(yōu)化方法
    D4 神經(jīng)網(wǎng)絡的可解釋性與欠擬合 D5 神經(jīng)網(wǎng)絡的過擬合 D6 神經(jīng)網(wǎng)絡的正則化
    D7 神經(jīng)網(wǎng)絡的過擬合解決方案 D8 深度學習回顧與任務 D9 深度學習基礎
    D10 知識回顧
    L14
    CV-卷積神經(jīng)網(wǎng)絡

    CV-卷積神經(jīng)網(wǎng)絡

    D1 計算機眼中的圖像 D2 卷積為什么能識別圖像原理 D3 卷積為什么能識別圖像練習
    D4 池化為什么能增強特征 D5 多通道卷積、偏置過程 D6 CUDA與CuDNN安裝
    D7 LeNet-5原理與算法基礎 D8 【項目】LeNet-5的手寫體識別項目 D9 分類算法的評估標準
    D10 簡單入門項目-數(shù)字識別 D11 視覺-CNN基礎
    L15
    視覺經(jīng)典神經(jīng)網(wǎng)絡

    掌握視覺經(jīng)典神經(jīng)網(wǎng)絡

    D1 圖像識別的歷史發(fā)展 D2 AlexNet原理和結構 D3 基于AlexNet的貓狗分類項目
    D4 VggNet原理和結構 D5 GoogLeNet原理和結構 D6 ResNet殘差網(wǎng)絡原理與結構
    D7 ResNet網(wǎng)絡代碼復現(xiàn)練習 D8 MobileNetV1原理與結構 D9 MobileNetV2原理與結構
    D10 MobileNetV3網(wǎng)絡代碼復現(xiàn)練習
    L16
    NLP-循環(huán)神經(jīng)網(wǎng)絡

    掌握NLP-循環(huán)神經(jīng)網(wǎng)絡

    D1 基于DNN實現(xiàn)風電功率預測項目 D2 DNN的時序預測與缺陷 D3 RNN為什么能做時序預測?RNN相比與DNN的網(wǎng)絡結構與優(yōu)勢
    D4 基于RNN實現(xiàn)風電功率預測項目 D5 RNN的梯度消失和梯度爆炸 D6 WordEmbedding詞嵌入
    D7 Word2Vec D8 Word2Vec優(yōu)化 D9 LSTM長-短期記憶網(wǎng)絡的結構和函數(shù)
    D10 BiLSTM的結構和函數(shù) D11 門控循環(huán)單元
    L17
    Transformer

    掌握Transformer

    D1 Encoder-Decoder結構 D2 注意力機制的引入 D3 注意力機制
    D4 soft-attention D5 位置編碼 D6 Layer Normalization
    D7 Attention中的mask D8 Transformer D9 【代碼】手寫Transformer網(wǎng)絡
    D10 【項目】手寫GPT網(wǎng)絡與使用
    L18
    語音場景與認識聲音

    掌握語音場景與認識聲音

    D1 基礎語音3D應用場景的介紹與應用 D2 認識模擬聲音與數(shù)字聲音 D3 聲音時域與頻域轉換原理與步驟
    D4 聲音時域與頻域轉換代碼生成與運行 D5 聲音的Mel譜特征抽取原理與步驟 D6 聲音的Mel譜特征抽取生成與運行

    進階實戰(zhàn)

    78課時68小時50分

    L19
    工業(yè)流水線產(chǎn)品分類(圖像分類、包含Linux的常用命令)

    掌握工業(yè)流水線產(chǎn)品分類(圖像分類、包含Linux的常用命令)

    D1 3D分揀場景介紹與數(shù)據(jù)通信 D2 3D場景數(shù)據(jù)采集 D3 使用分類算法訓練數(shù)據(jù)集
    D4 網(wǎng)絡fine-tuning 整個網(wǎng)絡與某幾層 D5 基于分類算法3D場景分類算法項目部署
    L20
    數(shù)據(jù)集標注與制作

    掌握數(shù)據(jù)集標注與制作

    D1 目標檢測簡介 D2 目標檢測的數(shù)據(jù)集-Pascal VOC D3 目標檢測的數(shù)據(jù)集-MS COCO
    D4 目標檢測的數(shù)據(jù)集-YOLO D5 目標檢測的評價指標 D6 目標檢測的挑戰(zhàn)
    L21
    工業(yè)流水線產(chǎn)品實時檢測(目標檢測兩階段與單階段)

    掌握工業(yè)流水線產(chǎn)品實時檢測(目標檢測兩階段與單階段)

    D1 R-CNN原理 D2 Fast R-CNN原理 D3 Faster R-CNN原理
    D4 SSD的原理與網(wǎng)絡結構分析 D5 YOLO簡介與快速上手使用-預測篇 D6 YOLO簡介與快速上手使用-訓練篇
    D7 YOLOV1的原理與網(wǎng)絡結構 D8 YOLOV2的原理與網(wǎng)絡結構 D9 YOLOV3的原理與網(wǎng)絡結構
    D10 YOLOV4的原理與網(wǎng)絡結構 D11 YOLOV5的原理與網(wǎng)絡結構 D12 YOLOV5的使用與代碼精講-預測部分
    D13 YOLOV5的使用與代碼精講-網(wǎng)絡搭建 D14 YOLOV5的使用與代碼精講-訓練部分 D15 YOLOV8的原理與網(wǎng)絡結構
    D16 基于YOLO的3D場景分類算法項目部署
    L22
    Linux學習與使用(選修)

    Linux學習與使用(選修)

    D1 Linux系統(tǒng)介紹 D2 Ubuntu基本命令
    L23
    初見大模型

    初見大模型

    D1 常見大模型介紹 D2 大模型與人工智能關系 D3 大模型的基礎原理
    D4 大語言模型的“前世今生”與發(fā)展 D5 LLM預測過程與提示工程 D6 如何高效地使用Prompt
    L24
    大模型的部署與應用基礎

    大模型的部署與應用基礎

    D1 大模型的部署與應用基礎章節(jié)介紹 D2 RESTfuI風格api D3 使用api接口調(diào)用大模型
    D4 大模型相關庫與概念 D5 Windows本地部署與GPU并行-Qwen2.5 D6 Windows本地部署-Chatglm3-6B
    D7 ollama本地運行大模型 D8 autodl的GPU部署大模型 D9 Windows環(huán)境-wsl2環(huán)境安裝
    D10 Ubuntu下CUDA和cuDNN安裝-wsl D11 Windows環(huán)境-wsl的docker部署 D12 Ubuntu下CUDA和cuDNN安裝-Docker
    D13 vllm進行推理加速優(yōu)化 D14 多輪對話機器人實現(xiàn) D15 入門FastAPI
    D16 基于fastapi構建對話機器人 D17 對話機器人WEBUI-Streamlit D18 對話機器人WEBUI-gradio
    D19 temperature和top_p參數(shù)常見設置
    L25
    大模型的RAG與Agent設計

    大模型的RAG與Agent設計

    D1 Langchain部署本地大模型 D2 Langchain-Prompt提示詞 D3 Langchain-輸出解析器
    D4 Langchain-chain鏈 D5 Langchain-memory記憶 D6 【項目】LangChain-代理實現(xiàn)天氣預報
    D7 RAG的介紹 D8 RAG的文本加載 D9 RAG的文本分割
    L26
    大模型部署與微調(diào)

    大模型部署與微調(diào)

    D1 大模型部署與微調(diào)
    L27
    PyQT課程

    掌握PyQT課程

    D1 PyQT5概念 D2 創(chuàng)建PyQT5的第一個窗口 D3 故宮介紹——通過兩種方式實現(xiàn)
    D4 繪制注冊界面,實現(xiàn)注冊功能 D5 圖像顯示 D6 定時器-Qtimer的使用
    D7 進度條 QProgressBar D8 PyQT的界面切換 D9 記事本實現(xiàn)--QMainWindows
    D10 文件瀏覽器、多媒體 D11 多媒體的實現(xiàn) D12 事件
    D13 PyQT中多線程 D14 打包PyQt5軟件
    主站蜘蛛池模板: 久久性久久性久久久爽 | 国产伦一区二区三区免费 | 噜噜吧噜噜色 | 国产精品美乳在线观看 | 视频一区日韩 | 操欧美女人 | 很很鲁在线视频播放影院 | 色多多视频在线观看 | 国产男靠女免费视频网站 | 亚洲色图日韩精品 | 毛片爽爽爽免费看 | xxxx日本黄色 | 免费观看四虎精品国产永久 | cijilu刺激 国产免费的 | 免费看一毛一级毛片视频 | sis色中色 | 在线天堂中文有限公司 | 日韩欧美成人乱码一在线 | 欧美成人精品欧美一级乱黄 | 亚洲综合资源 | 欧美一卡二三卡四卡不卡 | 毛片网此 | 久久精品夜色国产 | 恐怖片大全恐怖片免费观看好看的恐怖片 | 免费毛片大全 | 磁力bt种子搜索在线 | 理论片人人51 | 国外免费精品视频在线观看 | 五月婷婷视频在线 | 日本动漫在线看 | 国产精品毛片天天看片 | 97超频国产在线公开免费视频 | 精品三级三级三级三级三级 | 亚洲免费视频一区 | 韩日成人 | 三级aa久久 | 久久香蕉国产线看观看精品yw | 美女一级牲交毛片视频 | 国产精品美女久久久 | 在线免费视频手机版 | 天堂中文字幕在线 |