課程費用

7800.00 /人

課程時長

4

成為教練

課程簡介

圖像識別與深度學習

目標收益

培訓對象

課程大綱

第一節(jié):Python Package與TensorFlow綜合應用 Numpy/Scipy/Pandas/Matplotlib/Seaborn庫
Numpy索引
Numpy數(shù)學運算與常用分布
Pandas數(shù)據(jù)處理與分析
Pandas文件讀寫和個性化控制
Pandas的concat與merge
Matplotlib 基本圖結(jié)構介紹
基于Matplotlib繪制散點圖、柱狀圖、等高線圖、3D圖等
多圖合并與圖片文件存取
Seaborn/PyEcharts等包的使用
scikit-learn的介紹和典型使用
TensorFlow經(jīng)典應用
多元高斯分布
典型圖像處理
多種數(shù)學曲線
多項式擬合
代碼和案例實踐 快速傅里葉變換FFT與信號處理
Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡
卷積與(指數(shù))移動平均線
股票數(shù)據(jù)分析
缺失數(shù)據(jù)的處理和預測
環(huán)境數(shù)據(jù)異常檢測和分析
快速傅里葉變換FFT
圖像處理與奇異值分解SVD
第二節(jié):基于skimage和OpenCV的圖像處理 Skimage和OpenCV的簡介與安裝
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:開/閉/凸包/膨脹/腐蝕
雙邊濾波器/小波降噪/wiener濾波
代碼和案例實踐 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檢測與應用
HAAR/HOG/LBP等特征應用
第三節(jié):回歸分析 線性回歸
Logistic/Softmax回歸
廣義線性回歸
L1/L2正則化
Ridge與LASSO
Elastic Net
梯度下降算法:BGD與SGD
特征選擇與過擬合
Softmax回歸的概念源頭
最大熵模型
K-L散度
代碼和案例實踐 股票數(shù)據(jù)的特征提取和應用
泰坦尼克號乘客缺失數(shù)據(jù)處理和存活率預測
環(huán)境檢測數(shù)據(jù)異常分析和預測
模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法
PCA與鳶尾花數(shù)據(jù)分類
二手車數(shù)據(jù)特征選擇與算法模型比較
廣告投入與銷售額回歸分析
鳶尾花數(shù)據(jù)集的分類
TensorFlow實現(xiàn)線性回歸
TensorFlow實現(xiàn)Logistic回歸
第四節(jié):決策樹、隨機森林、SVM 熵、聯(lián)合熵、條件熵、KL散度、互信息
最大似然估計與最大熵模型
ID3、C4.5、CART詳解
決策樹的正則化
預剪枝和后剪枝
Bagging
不平衡數(shù)據(jù)集的處理
利用隨機森林做特征選擇
使用隨機森林計算樣本相似度
線性可分支持向量機
軟間隔
損失函數(shù)的理解
核函數(shù)的原理和選擇
SMO算法
支持向量回歸SVR
多分類SVM
代碼和案例實踐 隨機森林與特征選擇
決策樹應用于回歸
多標記的決策樹回歸
決策樹和隨機森林的可視化
葡萄酒數(shù)據(jù)集的決策樹/隨機森林分類
泰坦尼克乘客存活率估計
葡萄酒數(shù)據(jù)分類
數(shù)字圖像的手寫體識別
MNIST手寫體識別
SVR用于時間序列曲線預測
SVM、Logistic回歸、隨機森林三者的橫向比較
第五節(jié):卷積神經(jīng)網(wǎng)絡CNN 神經(jīng)網(wǎng)絡結(jié)構,濾波器,卷積
池化,激活函數(shù),反向傳播
目標分類與識別、目標檢測與追蹤
AlexNet、VGGNet、GoogleLeNet
Inception-V3/V4
ResNet、DenseNet
代碼和案例實踐 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)絡調(diào)參經(jīng)驗分享
第六節(jié):圖像視頻的定位與識別 視頻關鍵幀處理
物體檢測與定位
RCNN,F(xiàn)ast-RCNN,F(xiàn)aster-RCNN,MaskRCNN
YOLO
FaceNet
代碼和案例實踐 遷移學習
人臉檢測
OCR字體定位和識別
??妥R云
氣象識別
第七節(jié):循環(huán)神經(jīng)網(wǎng)絡RNN RNN基本原理
LSTM、GRU
Attention
CNN+LSTM模型
Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡結(jié)構
編碼器與解碼器結(jié)構
特征提?。簑ord2vec
Seq2seq模型
代碼和案例實踐 看圖說話
視頻理解
藏頭詩生成
問答對話系統(tǒng)
OCR
循環(huán)神經(jīng)網(wǎng)絡調(diào)參經(jīng)驗分享
第八節(jié):生成對抗網(wǎng)絡GAN 生成與判別
生成模型:貝葉斯、HMM到深度生成模型
GAN對抗生成神經(jīng)網(wǎng)絡
DCGAN
Conditional GAN
InfoGan
Wasserstein GAN
代碼和案例實踐 代碼和案例實踐
第一節(jié):Python Package與TensorFlow綜合應用
Numpy/Scipy/Pandas/Matplotlib/Seaborn庫
Numpy索引
Numpy數(shù)學運算與常用分布
Pandas數(shù)據(jù)處理與分析
Pandas文件讀寫和個性化控制
Pandas的concat與merge
Matplotlib 基本圖結(jié)構介紹
基于Matplotlib繪制散點圖、柱狀圖、等高線圖、3D圖等
多圖合并與圖片文件存取
Seaborn/PyEcharts等包的使用
scikit-learn的介紹和典型使用
TensorFlow經(jīng)典應用
多元高斯分布
典型圖像處理
多種數(shù)學曲線
多項式擬合
代碼和案例實踐
快速傅里葉變換FFT與信號處理
Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡
卷積與(指數(shù))移動平均線
股票數(shù)據(jù)分析
缺失數(shù)據(jù)的處理和預測
環(huán)境數(shù)據(jù)異常檢測和分析
快速傅里葉變換FFT
圖像處理與奇異值分解SVD
第二節(jié):基于skimage和OpenCV的圖像處理
Skimage和OpenCV的簡介與安裝
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:開/閉/凸包/膨脹/腐蝕
雙邊濾波器/小波降噪/wiener濾波
代碼和案例實踐
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檢測與應用
HAAR/HOG/LBP等特征應用
第三節(jié):回歸分析
線性回歸
Logistic/Softmax回歸
廣義線性回歸
L1/L2正則化
Ridge與LASSO
Elastic Net
梯度下降算法:BGD與SGD
特征選擇與過擬合
Softmax回歸的概念源頭
最大熵模型
K-L散度
代碼和案例實踐
股票數(shù)據(jù)的特征提取和應用
泰坦尼克號乘客缺失數(shù)據(jù)處理和存活率預測
環(huán)境檢測數(shù)據(jù)異常分析和預測
模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法
PCA與鳶尾花數(shù)據(jù)分類
二手車數(shù)據(jù)特征選擇與算法模型比較
廣告投入與銷售額回歸分析
鳶尾花數(shù)據(jù)集的分類
TensorFlow實現(xiàn)線性回歸
TensorFlow實現(xiàn)Logistic回歸
第四節(jié):決策樹、隨機森林、SVM
熵、聯(lián)合熵、條件熵、KL散度、互信息
最大似然估計與最大熵模型
ID3、C4.5、CART詳解
決策樹的正則化
預剪枝和后剪枝
Bagging
不平衡數(shù)據(jù)集的處理
利用隨機森林做特征選擇
使用隨機森林計算樣本相似度
線性可分支持向量機
軟間隔
損失函數(shù)的理解
核函數(shù)的原理和選擇
SMO算法
支持向量回歸SVR
多分類SVM
代碼和案例實踐
隨機森林與特征選擇
決策樹應用于回歸
多標記的決策樹回歸
決策樹和隨機森林的可視化
葡萄酒數(shù)據(jù)集的決策樹/隨機森林分類
泰坦尼克乘客存活率估計
葡萄酒數(shù)據(jù)分類
數(shù)字圖像的手寫體識別
MNIST手寫體識別
SVR用于時間序列曲線預測
SVM、Logistic回歸、隨機森林三者的橫向比較
第五節(jié):卷積神經(jīng)網(wǎng)絡CNN
神經(jīng)網(wǎng)絡結(jié)構,濾波器,卷積
池化,激活函數(shù),反向傳播
目標分類與識別、目標檢測與追蹤
AlexNet、VGGNet、GoogleLeNet
Inception-V3/V4
ResNet、DenseNet
代碼和案例實踐
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)絡調(diào)參經(jīng)驗分享
第六節(jié):圖像視頻的定位與識別
視頻關鍵幀處理
物體檢測與定位
RCNN,F(xiàn)ast-RCNN,F(xiàn)aster-RCNN,MaskRCNN
YOLO
FaceNet
代碼和案例實踐
遷移學習
人臉檢測
OCR字體定位和識別
??妥R云
氣象識別
第七節(jié):循環(huán)神經(jīng)網(wǎng)絡RNN
RNN基本原理
LSTM、GRU
Attention
CNN+LSTM模型
Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡結(jié)構
編碼器與解碼器結(jié)構
特征提?。簑ord2vec
Seq2seq模型
代碼和案例實踐
看圖說話
視頻理解
藏頭詩生成
問答對話系統(tǒng)
OCR
循環(huán)神經(jīng)網(wǎng)絡調(diào)參經(jīng)驗分享
第八節(jié):生成對抗網(wǎng)絡GAN
生成與判別
生成模型:貝葉斯、HMM到深度生成模型
GAN對抗生成神經(jīng)網(wǎng)絡
DCGAN
Conditional GAN
InfoGan
Wasserstein GAN
代碼和案例實踐
代碼和案例實踐

課程費用

7800.00 /人

課程時長

4

預約體驗票 我要分享

近期公開課推薦

近期公開課推薦

活動詳情

提交需求