西安*线上
【四天实践教学、提供全部资料及回放】
前言
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：培训方式
网络直播+现场会议同步进行
主讲专家
来自中国重点科研院校，长期从事人工智能（AI）与大数据分析领域等相关研究，，致力于将人工智能技术与相关领域的前沿应用相融合，推动跨学科研究的发展，团队在科研工作中长期应用AI大语言模型积累了丰富的实践经验。
导师随行
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；
教学特色
1、原理深入浅出的讲解；
2、技巧方法讲解，提供所有案例数据及代码；
3、与项目案例相结合讲解实现方法，对接实际工作应用 ；
4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；
5、课程结束专属助学群辅助巩固学习及实际工作应用交流，不定期召开线上答疑；
证书及学时
参加培训的学员可以获得《深度学习技术》专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址：www.aishangyanxiu.com注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员。发票开具
培训费、会议费、资料费、技术咨询费，配有盖章文件，用于参会人员报销使用；
培训费用
非会员费用：3980元
Ai尚研修会员费用：会员政策参会
【优惠活动】：1：学生凭学生证有效证件参会可享受85折优惠。2：分享朋友圈设置公开集赞20枚立减100元。课程安排
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里程碑）。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：键值对注意力机制（Key-Value Attention）、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）、自适应注意力（Adaptive Attention）、动态注意力机制（Dynamic Attention）、跨模态注意力机制（Cross-Modal 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、实操练习第二章自然语言处理（NLP）领域的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模型的进化之路（RCTM→RNN Encoder-Decoder→Bahdanau Attention→Luong Attention→Self Attention）3、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）4、Transformer模型工作原理（输入数据的Embedding、位置编码、层规范化、带掩码的自注意力层、编码器到解码器的多头注意力层、编码器的完整工作流程、解码器的完整工作流程、Transformer模型的损失函数）5、BERT模型的工作原理（输入表示、多层Transformer编码器、掩码语言模型MLM、下一句预测NSP）6、GPT系列模型（GPT-1 / GPT-2 / GPT-3 / GPT-3.5 / GPT-4）的工作原理（单向语言模型、预训练、自回归生成、Zero-shot Learning、上下文学习、RLHF人类反馈强化学习、多模态架构）7、案例演示 8、实操练习第三章计算视觉（CV）领域的Transformer模型详解1、ViT模型（提出的背景、基本架构、与传统CNN的比较、输入图像的分块处理、位置编码、Transformer编码器、分类头、ViT模型的训练与优化、ViT模型的Python代码实现）2、Swin Transformer模型（提出的背景、基本架构、与ViT模型的比较、分层架构、窗口机制、位置编码、Transformer编码器、模型的训练与优化、模型的Python代码实现）3、DETR模型（提出的背景、基本架构、与RCNN、YOLO系列模型的比较、双向匹配损失与匈牙利匹配算法、匹配损失与框架损失、模型的训练与优化、模型的Python代码实现）4、案例演示 5、实操练习第四章时间序列建模与预测的大语言模型1、时间序列建模的大语言模型技术细节（基于Transformer的时间序列预测原理、自注意力机制、编码器-解码器结构、位置编码）2、时间序列建模的大语言模型训练3、Time-LLM模型详解（拓扑结构简介、重新编程时间序列输入、Prompt-as-Prefix (PaP)等）4、基于TimeGPT的时间序列预测（TimeGPT工作原理详解、TimeGPT库的安装与使用）5、案例演示与实操练习第五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、实操练习第六章目标检测的大语言模型1、基于大语言模型的目标检测的工作原理（输入图像的特征提取、文本嵌入的生成、视觉和语言特征的融合、目标检测与输出）2、目标检测领域的大语言模型概述（Pix2Seq、Grounding DINO、Lenna等）3、案例演示与实操练习第七章语义分割的大语言模型1、基于大语言模型的语义分割的工作原理（图像特征提取、文本嵌入生成、跨模态融合、分割预测）2、语义分割领域的大语言模型概述（ProLab、Segment Anything Model、CLIPSeg、Segment Everything Everywhere Model等）3、案例演示与实操练习第八章LlaVA多模态大语言模型详解1、LLaVA的核心技术与工作原理（模型拓扑结构讲解）2、LLaVA与其他多模态模型的区别（LLaVA模型的优势有哪些？）3、LLaVA的架构与训练（LLaVA的多模态输入处理与特征表示、视觉编码器与语言模型的结合、LLaVA的训练数据与预训练过程）4、LLaVA的典型应用场景（图像问答、图像生成与描述等）5、案例演示与实操练习第九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、案例演示 4、实操练习第十章生成式模型详解1、变分自编码器VAE（自编码器的基本结构与工作原理、降噪自编码器、掩码自编码器、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、对抗样本的构造方法）。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、实操练习第十一章自监督学习模型详解1、自监督学习的基本概念（自监督学习的发展背景、自监督学习定义、与有监督学习和无监督学习的区别）2、经典的自监督学习模型的基本原理、模型架构及训练过程（对比学习: SimCLR、MoCo；生成式方法：AutoEncoder、GPT；预文本任务：BERT掩码语言模型）3、自监督学习模型的Python代码实现4、案例演示 5、实操练习第十二章图神经网络详解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、实操练习第十三章强化学习详解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、实操练习第十四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、实操练习第十五章神经架构搜索（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、实操练习第十六章讨论与答疑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注：请提前自备电脑及安装所需软件。
报名方式
详细报名流程，请联系课程负责人宋鹏：15383025520（微电）QQ咨询：676741493云导师【点亮科研简学践行、您的随行导师平台】
会员专享
如何成为会员：
1.凡参加Ai尚研修收费课程即为会员；2.充值3500元即可成为会员(费用直接使用)。
会员特权：
1.参加直播、视频课程费用累积进行折扣，享8.5折-7.5折 (一阶会员8.5折，高阶会员8折，尊享会员7.5折)；2.参与课程组织与报名，推荐者可获得课程5%推荐现金；3.免费享受Ai尚研修会议平台中“会员免费”视频教程；4.长期免费参与针对各领域简学实用公开课（无门槛）；5.免费参与开设的导师面对面线上答疑交流；6.Ai尚研修资源站分享中数据免费下载。
【报名方式】宋鹏：15383025520（微信）
声明： 本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。
