--- 关于举办 2022年数字信息化培训项目系列 ---

深度学习核心技术实践与图神经网络新技术应用研修班的通知

各企、事业单位：

党中央国务院高度重视人工智能人才发展工作，为贯彻落实《国务院关于推行终身职业技能培训制度的意见》提出的“紧跟新技术、新职业发展变化，建立职业分类动态调整机制，加快职业标准开发工作”要求，加快构建与国际接轨、符合我国国情的现代职业分类体系，人社部办公厅2019年4月1日发布了包括人工智能新职业信息的十三个工种。为推进人工智能人才发展工作，中国管理科学研究院职业资格认证培训中心积极实施国家专业技术人才知识更新工程和人工智能人才发展中长期规划，开展对从事人工智能算法研究、设计、应用、优化等相关工作的专业技术人员进行专业岗位知识技能培训，推动本领域形成一支高素质、职业化的人工智能算法专业技术队伍，以适应新时期人工智能建设的需要。

为积极响应科研及工作人员需求，根据国务院《国家中长期人才发展规划纲要（2010-2020年）》和人社部《专业技术人才知识更新工程实施方案（2010-2020年）》，中国管理科学研究院职业资格认证培训中心（http://www.cnzgrz.cn）特举办“深度学习核心技术实践与图神经网络新技术应用研修班”。本次培训采用全实战培训模式。

本次培训由北京龙腾亚太教育咨询有限公司、北京龙腾智元信息技术有限公司承办，并进行相关费用收取及发票开具。具体通知如下：

一、培训专家:

中国科学院计算技术研究所、清华大学、北京理工大学等科研机构和大学的高级专家，拥有丰富的科研及工程技术经验，长期从事人工智能、机器学习、深度学习、大数据分析等领域的教学与研究工作。

二、时间地点:

2022年2月24日 — 2022年2月28日 北京（同时转线上直播）

（24日报到，25日-28日上课）

三、培训特色：

1、采用深入浅出的方法，结合实例并配以大量代码练习，重点讲解深度学习框架模型、科学算法、训练过程技巧。

2、能够把握深度学习的技术发展趋势，可以熟练掌握深度学习核心技术、实践技巧，同时针对工作中存在的疑难问题进行分析讲解和专题讨论，有效的提升学员解决复杂问题的能力；

3、掌握深度学习平台Tensorflow训练网络搭建与配置、掌握数据价值的深度挖掘。

4、掌握图神经网络模型及框架PyTorch

5、实践手写字体识别、叶片分类等案例，动手练习让AI自己玩游戏。

6、根据自己的科研项目及课题研究，灵活掌握应用深度学习五大框架模型。

注：其它开源的公开数据集：ImageNet、MS-COCO、UCF101、HMDB51、PASCAL VOC、Open Images等。

四、参会对象：

各省市、自治区从事人工智能、深度学习、计算机视觉、人脸识别、图像处理、行人检测、自然语言处理等领域相关的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员，以及深度学习、计算机视觉广大爱好者。

五、费用标准：

5680元/人（含报名费、培训费、资料费、证书费），食宿可统一安排，费用自理。

1、培训费由组织培训班的施教机构负责收取并提供培训发票。

2、上课前一周汇款可享受9折优惠，或报名5人以上可享受9折优惠，两个优惠不同时享用。报名8人以上享受8.8折优惠。

3、参加线上、线下培训学员均可享受视频录播回放权益。

六、颁发证书：

参加相关培训并通过考核的学员，由中国管理科学研究院职业资格认证培训中心颁发《深度学习开发与应用工程师》（高级）专业能力认证证书，可通过官方网站查询，该证书可作为有关单位专业技术人员能力评价、考核和任职的重要依据。

注：报到时请提交电子版彩照（大于20KB，红蓝底皆可）、身份证复印件和学历证明复印件各一份。

七、注意事项

1、指定报名邮箱：2044115758@qq.com。

2、报名成功后，会务组在报到前一周发具体报到通知及行车路线，并电话告知。

3、学员需自备电脑一台，配置win10、64位系统、8G及以上内存、100G硬盘。

附件1：具体课程安排

关键点

1. 人工智能、深度学习的发展历程

2. 深度学习框架

3. 神经网络训练方法

4. 卷积神经网络，卷积核、池化、通道、激活函数

5. 循环神经网络，长短时记忆LSTM、门控循环单元GRU

6. 参数初始化方法、损失函数Loss、过拟合

7. 对抗生成网络GAN

8. 迁移学习TL

9. 强化学习RF

10. 图神经网络GNN

一、算法和场景融合理解

1.空间相关性的非结构化数据，CNN算法。典型的图像数据，像素点之间具有空间相关性，例如图像的分类、分割、检测都是CNN算法。

2.时间相关性的非结构化数据，RNN算法。这类场景普遍的一个现象就是数据之间具有时序相关性，也就是数据之间存在先后依赖关系。例如自然语言处理、语音相关算法都是基于RNN算法。

3.非欧氏数据结构， GNN。这类场景典型的可以用图来表示。例如社交网络等。

案例摘要讲解

医疗领域：如流行疾病、肿瘤等相关疾病检测

遥感领域：如遥感影像中的场景识别

石油勘探：如石油油粒大小检测

轨道交通：如地铁密集人流检测

检测领域：如故障检测

公安领域：如犯罪行为分析

国防领域：目标检测、信号分析、态势感知、路径规划…

经济领域：如股票预测

网络安全：漏洞挖掘、APT攻击检测

二、数据理解及处理

分析典型场景中的典型数据，结合具体的算法，对数据进行处理

1.结构化数据，如何对数据进行读取，进行组织。

2.图像数据，在实际应用过程中的处理方法，怎样做数据的预处理、进行数据增强等。

3.时序信号，将单点的数据如何组合成一个序列，以及对序列数据处理的基本方法。

三、技术路径设计

针对具体的场景设计特定的神经网络模型，对典型数据适配的网络结构进介绍。

1.DNN模型搭建的基本原则

2.CNN模型中常见的网络结构，以及参数分析。

3.RNN中支持的一些基本算子，如何对序列数据进行组织。

四、模型验证及问题排查

简单的算法或者模型对典型的场景进行快速验证，并且针对一些频发的问题进行讲解。

1. 模型收敛状态不佳

2. 分类任务重最后一层激活函数对模型的影响

五、高级-模型优化的原理

不同的模型需要采用的优化函数以及反向传播中参数的优化方法

1.模型优化的算法介绍，基于随机梯度下降的算法介绍。

2.不同场景适应的损失函数介绍。

3.针对典型场景的反向传播梯度的推到过程。

六、高级-定制化思路

1.项目预研报告编制；

2.常规算法应用，定制化算法、模型开发；

3.大规模训练平台（可接受委托训练）。训练平台可训练科目有图像分类、图像分割、图像细粒度分类、图像转文本、目标检测、人脸识别等。最大限度的减少试错成本，快速完成技术路径设计！大显存，Turing架构，3860 CUDA核心。

算力说明：NVIDIA RTX2080Ti * n，11G

实操解析与训练一

实验：神经网络实践

1.神经网络中基本概念理解：epoch、batch size、学习率、正则、噪声、激活函数等。

2.不同的数据生成模型、调整网络参数、调整网络规模

3.神经网络分类问题

4.不同数据特征的作用分析、隐含层神经元数目

5.过拟合

高频问题：

1.输入数据与数据特征 2.模型设计的过程中的参数与功能的关系。

关键点：

1.掌握神经网络的基本概念。 2.学会搭建简单的神经网络结构。

3.理解神经网络参数。

实操解析与训练二

实验：Keras实践

1.理解Keras基本原理。 2.学会Keras编程思想。

3.三种不同的深度神经网络构建编程方式。

4.给定数据集，采用Keras独立完成实际的工程项目

高频问题：

1.如何编程实现深度神经网络。 2.三种开发方式的具体使用。

关键点：

1.掌握Keras编程思相。 2.采用三种不同方式编写深度神经网络。

实操解析与训练三

实验：图像分类

1.使用CNN解决图像分类问题。 2.搭建AlexNet 3.VGG16/19 4.GoogleNet

5.ResNet

高频问题：

1.CNN更复杂的模型在哪里可以找到代码？

关键点：

1.使用卷积神经网络做图像分类。 2.常见开源代码以及适用的问题。

实操解析与训练四

实验：图像标题生成

结合计算机视觉和机器翻译的最新进展，利用深度神经网络生成真实的图像标题。

1.掌握Encoder-Decoder结构 2.学会Seq2seq结构

3.图像CNN +文本RNN 4.图像标题生成模型

高频问题：

1.如何能够根据图像生成文本？

关键点：

1.提取图像特征CNN，生成文本RNN 2.构建Encoder-Decoder结构

实操解析与训练五

实验：视频人物行为识别

1.基于C3D的视频行为识别方法 2.基于LSTM的视频行为识别方法

3.基于Attention的视频行为识别方

高频问题：

1.2D卷积与3D卷积 2.视频的时空特征

关键点：

1.C3D网络的构建 2.Attention机制

实操解析与训练六

实验：图像风格迁移

1.图像风格迁移原理

2.图像风格迁移网络的构建：转换网络、损失网络

高频问题：

1.损失网络设计

关键点：

1.转换网络 2.损失网络

实操解析与训练七

实验：目标检测

1.目标检测发展现状及代表性方法 2.两阶段目标检测方法：R-CNN系列模型

3.一阶段目标检测方法：YOLO系列模型

高频问题：

1.提名与分类 2.BBOX实现策略 3.YOLO Loss函数

关键点：

1.提名方法 2.ROI Pooling 3.SPP Net

4.RPN 5.YOLO

实操解析与训练八

实验：去噪分析

1.自编码器 2.去噪自编码器

高频问题：

1.噪声的引入与去除

关键点：

1.设计去噪自编码器

实操解析与训练九

实验：股票预测

1.股票数据分析 2.同步预测 3.异步预测

高频问题：

1.历史数据的使用

关键点：

1.构建RNN 2.采用Keras编程实现

实操解析与训练十

实验：游戏分析

1.游戏场景分析 2.强化学习的要素分析 3.深度强化学习

高频问题：

1.DNN 与DQN 2.探索与利用

关键点：

1.深度强化学习的原理 2.根据实际需求，设计深度强化学习模型

实操解析与训练十一

实验：艺术家作品生成

1. 生成对抗网络原理 2.GAN的生成模型、判别模型的设计

高频问题：

1.生成模型与判别模型的博弈过程

关键点：

1.掌握GAN的思想与原理 2.根据需求学会设计生成模型与判别模型

实操解析与训练十二

实验：社交网络分析

1.图神经网络的原理 2.图卷积神经网络的思想

3.设计图卷积神经网络进行社交网络分析

高频问题：

1.如何从图神经网络的原理转化到实际编程

关键点：

1. 掌握图神经网络原理 2. 图卷积神经网络编程实现

联系人：张 杰

手 机：13401149170（微信同号）

电 话：010-81311930

报名邮箱：204415758@qq.com