日期

主题

内容

第一天

人工智能基础与概述

1.AI技术的理论基础、历史概述

2.人工智能的产业应用概述

3.人工智能发展现状及趋势概述

4.人工智能热点问题和前沿研究介绍

人工智能的行业应用与发展

1.人工智能在生活和工作中的应用

2.人工智能结合大数据的行业应用案例

3.人工智能在“互联网+”领域的应用

4.人工智能在制造业领域的应用

5.人工智能在医疗健康领域的应用

6.人工智能在教育领域中的应用

7.人工智能在科研领域中的应用

人工智能技术实现环境与编程语言

1.python概述

2.python编程软件安装

3.python基础数据结构

4.python的循环与判断结构

5.函数定义、类的定义

6.第三方库的使用：numpy、pandas、matplotlib

7.图像/视频处理、语音处理、自然语言处理等领域的介绍

第二天

人工智能机器学习的算法模型的应用实践

1.机器学习基本概念

2.特征工程和训练数据集的构建

3.机器学习经典算法特点及sklearn实践

  线性回归、逻辑回归

  多层感知器

  支持向量机

  朴素贝叶斯

  KNN算法

  决策树算法

  集成学习：随机森林、梯度提升

  聚类算法：kmeans

  降维算法：PCA、T-SNE

4.模型评估方法：准确率、召回率、混淆矩阵、F1分数、AUC指标、ROC曲线、MSE、RMSE、MAE、MAPE

5.模型的调参方法：交叉验证和参数网格搜索

6.机器学习建模实战，利用不同算法构建乳腺癌诊断模型，并进行调参练习

7.神经网络基础与实践

人工神经元

感知器的结构

激活函数

多层感知器与前向传播

神经网络输出层设计

神经网络训练方法

损失函数与梯度下降

反向传播算法

模型调优方法

优化器的原理

正则化的调优方法

第三天

人工智能深度学习的算法应用实践

1.深度学习算法概述

  案例：基于全链接前馈神经网络的鸢尾花分类

2.卷积神经网络算法及其应用

  案例：基于CNN的肺结节图像分类

  案例：CNN结合随机森林的Cifar图像分类

  案例：基于ResNet的手写数字识别分类

  案例：使用Keras框架搭建Unet实现细胞分割

3.循环神经网络及其应用

  案例：使用Tensorflow方法搭建文本分类程序

4.图神经网络算法及其应用

  案例：基于图神经网络的文献分类

  案例：利用Tensorflow框架搭建算法实现节点分类

5.基于注意力机制的神经网络及其应用

  案例：基于Transformer的分类案例实践

  案例：基于Vision Transformer的医学图像分类

6.深度学习算法常见的评估方法：目标识别交并比、图像分割交并比

人工智能实验平台的部署与案例实践

1.深度学习框架运行的基本软硬件环境要求

2.深度学习框架的安装

3.验证环境安装的正确性

4.常用深度学习框架介绍与案例演示

Pytorch

Tensorflow

Keras

第四天

Pytorch人工智能平台应用实践

1.Pytorch人工智能平台概述

2.Pytorch AI平台的部署与配置

3.Pytorch技术实现与工作机制

4.Pytorch实验案例操作

5.基于Pytorch的深度学习案例实践

项目实践

1.利用学过的知识，使用Python编程实现基本的人脸识别或AI读片等实验项目

2.讲师提供项目指导手册，带着学员完成，学员独立完成后，讲师答疑

综合实践与分享讨论

1.根据讲师布置的实际应用案例，开展人工智能和大数据完整项目部署设计和应用开发实践、应用实施以及解决方案分享咨询与交流讨论