客服咨询
意见反馈
课程概述
人工智能场景实战是关于人工智能研究领域的重要课程之一，是学习者在掌握一定人工智能相关课程的前提下，进一步强化对人工智能相关算法的理解和复现，使学习者能够理解人工智能在日常生活中的应用及原理，能够使用深度学习开发框架TensorFlow搭建模型解决实际问题。本课程包含人工智能三个热门领域项目应用：计算机视觉中的目标检测、光学字符识别和自然语言处理中的机器翻译。通过对本课程的学习，学习者可以具备应对在相关领域中设计和实施实验的能力，以及掌握实际应用开发和问题解决能力，为学习者今后走向相关岗位打下坚实的基础。
课程目标
1.理解计算机视觉中目标检测的概念、常用的检测算法和目标检测的评价指标，并且通过实战效果掌握目标检测热门深度学习模型YOLO的应用； 2.理解OCR文字识别的概念，掌握基于深度学习的文字检测和识别的主要算法，并理解文字识别过程的代码执行过程；了解自然语言处理的基本知识以及自然语言处理中的注意力机制，并能使用seq2seq架构实现机器翻译。
考核评价
讲师介绍
详细介绍
第一章 目标检测项目实战（5学时）
教学目标：
了解目标检测的基本概念，掌握常用的基于候选区域和回归的目标检测算法，理解目标检测算法的评价指标，掌握对不同目标检测算法进行性能比较的方法。掌握使用YOLO算法进行目标检测的方法。
教学内容：
1.目标检测基础知识；
2.基于候选区域的目标检测算法；
3.基于回归的目标检测算法；
4.目标检测算法的评价指标；
5.目标检测项目实战——行人检测。
【本章重点】理解基于候选区域和回归的目标检测算法的异同，并能在之后的场景中选择合适的检测算法完成任务。
【本章难点】理解基于候选区域和回归的目标检测算法的原理。
第二章 OCR文字识别（5学时）
教学目标：
了解OCR文字识别的基本概念，掌握文字识别的基本流程，理解文字检测和识别在文字识别过程中的作用，并掌握使用Tensorflow框架实现文字识别的方法。
教学内容：
1.OCR文字识别基础知识；
2.文字检测算法；
3.文字识别算法；
4.项目实战。
【本章重点】理解介绍 CTPN 和 CRAFT 两种文本检测算法和DenseNet + LSTM + CTC 的文本识别算法，并掌握该算法在识别证件文件场景下的实践应用。
【本章难点】理解文字检测和识别算法。
第三章 自然语言处理项目实战（6学时）
教学目标：
了解自然语言处理的基本知识，掌握自然语言处理常用模型，理解自然语言处理中的注意力机制内容，掌握使用seq2seq框架实现机器翻译的方法。
教学内容：
1.自然语言处理基本知识；
2.自然语言处理的算法；
3.项目实战——机器翻译。
【本章重点】掌握自然语言处理常用算法，并掌握seq2seq模型架构在机器翻译场景下的应用。
【本章难点】理解自然语言处理与注意力机制相关的算法。
（680s）
（877s）
（716s）
（686s）
（641s）
（751s）
（773s）
（1172s）
（1019s）
（662s）
（842s）
（1014s）
（1024s）
（1050s）
（788s）
（1169s）
（627s）
（603s）
（751s）
（675s）
（863s）
（695s）
（777s）
（842s）
（1129s）
（1171s）
（1018s）
（610s）
（782s）
（1126s）
（620s）
（682s）
（1082s）
（997s）
（1009s）
（1039s）
工信教考
1069
门课
28073
人报名学习
承办单位：工业和信息化部教育与考试中心 技术支持：杭州沃土教育科技股份有限公司
