各企事业单位、高等院校及科研院所： 随着国务院颁布了《新一代人工智能发展规划》，相关部委以及各省陆续出台了新一代人工智能发展规划的相关配套政策，明确了人工智能的战略地位和战略目标，要求大力推进产学研用一体化以促进实施创新驱动的发展战略，把创新成果转化为现实生产力，分三步达成人工智能核心产业超过万亿规模，带动相关产业规模超过 10 万亿规模。在人工智能迎来史无前例的重大发展机遇的同时，从微观技术单元的层面上来讲，人工智能 AI的落地应用及技术人才的储备升级也空前紧迫的摆在了各个机构和组织面前，基于此，中国管理科学研究院职业资格认证培训中心 特举办“深度学习落地应用技术实操培训班”。本次培训将以实战训练为主要手段，提供统一数据、训练模型、计算资源，旨在让大家亲自动手获得实战经验积累，具体相关事宜通知如下：承办单位：北京宏盛元亨文化交流中心培训目标：1、免费赠送深度学习基础应用课程。2、三天会议实操为每位学员提供全天的计算资源服务平台。 3、四大主要模型演练，精度均可达 90%以上，助力新手上路。4、实战模型演练直观体验深度学习核心技能。5、深度学习模型迁移方法讲解、指导。6、深度学习模型、算法、训练过程技巧解析。7、每位学员免费赠送 5 天 GPU 的训练资源及视频课程，以巩固学习成果。时间地点: 2020 年 06 月 12 日—2020 年 06 月 15 日北 京 (第一天全天报到，培训三天)中国管理科学研究院职业资格认证培训中心 2020 年 5 月 6 日一、课程详情：关键点 1. 人工智能、深度学习的发展历程。2. 自动编码机 VAE、限制玻尔兹曼机 RBM、深度置信网络 DBN、反向传播 BP3. 卷积神经网络，卷积核、池化、步长；4. 循环神经网络，长短时记忆 LSTM、门控循环单元 GRU5. 参数初始化方法、损失函数 Loss、过拟合6. 对抗生成网络 GAN、对抗样本、迁移学习 TL、增强学习 RF一、算法和场景融合理解 1. 结构化数据，DNN 算法2.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。典型的应用场景有3.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，典型的场景有案例摘要讲解1.1 N 个传感器的数据，判断炼钢锅炉的运行状态，可以抽象成 DNN 算法。1.2 流行疾病、肿瘤等相关疾病预测，数据可以抽象成多列数据的场景2.1 遥感影像中的场景识别2.2 医学影像中的肿瘤、血栓位置检测2.3 石油勘探中的石油油粒大小检测2.4 机场、道路的密集人流检测2.5 大洋底层生物、化学环境识别3.1 智能对话系统、智能机器人。3.2 公交车运行到站时间3.3 海洋气象三维场随时间的变化3.4 空气动力中，发动机的热效应随时间变化二、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 结合往期学员的一些项目，简单介绍一下解决一个具体问题的思路。1.遥感成像中，地块农作物种类的识别。2.实时的公交车到站时间预测实操解析与训练一 实验： 1.Tensorflow 中 Tensor、DataFlowGraph、Placeholder、Session、Tensorboard 等基本概念理解。2.使用 Tensorflow 搭建一个简单的 DNN 网络。3.一个可以训练的神经网络高频问题：1.Tensorboard 无法显示。2.模型设计的过程中的参数个数与数据规模的关系。3.为何输入模型的数据范围是[-1, 1]。关键点：1.掌握 Tensorflow 的几个基本概念。2.学会使用 Tensorflow 搭建简单的神经网络结构。3.使用 Tensorflow 设计一个可以训练的基本设计原理。实操解析与训练二 实验：1.把现有的数据集转化成 Tensorflow 推荐的数据格式—TFrecord。 2.TFrecord 可视化，并把数据输入到计算图。3.Tensorflow 训练模型时的基本设计原理。高频问题：1.TFRecord 可视化时出现的 Exception。 2.此设计原理的通用性。关键点：1.掌握如何将 row data 转化成 TFRecord。 2.如何验证转化之后的 TFRecord 的正确性。3.一个良好的 Tensorflow 训练预测代码的设计原理。实操解析与训练三 实验：1.使用 CNN 搭建 LeNet 解决图像分类问题。2.使用 RNN 处理评论信息中情感倾向问题。3.Tensorflow 目前开源的模型以及适用的问题总结。高频问题：1.CNN 更复杂的模型在哪里可以找到代码？2.RNN 训练速度如何提升。3.Tensorflow 的 API 文档一般在哪里查看。关键点：1.使用卷积神经网络做图像分类。2.NLP 中情感分析初步入门。3.常见开源代码以及适用的问题。视频课1.深度学习开源框架介绍2.Tensorflow 开发环境安装2.模型参数及正则化3.深度网络构建及训练策略4.模型输出可视化及评估5.深度神经网络 DNN 运算原理 1.正确安装 Tensorflow 环境。2.使用 Tensorflow 搭建神经网络，并可视化。3.编写一个简单的 DNN 网络，根据初始化参数可以运算得出中间结果。关键点：1.对 Tensorflow 使用初步了解。2.理解 DNN 前向传播运算的运算原理。二、平台介绍： 1、课后每位学员免费赠送课后 5 天的平台训练以帮助学员巩固学习成果。（算力说明：NVIDIARTX2080Ti * n，11G 大显存，Turing 架构，3860 CUDA 核心。）2、训练平台相关资源介绍，学员可以根据自己的实际需求进行以下安排： （1）、算法、模型配置了解 AI 实践应用相关模型，为相关课题提出具有针对性的具体的问题给出确实可行的技术实现方案，最大限度地减少试错成本，快速完成技术路径设计。（2）、技术路径的快速验证平台支持目前从卷积神经网络、循环神经网络、对抗生成网络等全部主流深度学习模型；另外还支持如 SVM、随机森林、决策树等传统的机器学习算法，几乎所有的具体场景都可以很方便地在云平台上进行快速验证。（3）、任务分解、实际检测有科研需求的用户，可以对算法进行模块分拆，任务分解，在平台上进行关键节点的任务完成情况测试，以便快速纠偏。 （4）、可自主根据自身实际状况安排学习和应用。（5）、如有个性化的使用需求请来电洽商。三、参会费用：每人 4580（含培训费、公开理论及实战课、5 天 GPU 训练资源使用、证书、午餐费） 注：住宿可统一由会务组进行安排，费用自理。四、颁发证书：由中国管理科学研究院职业资格认证培训中心颁发的《深度学习开发与应用工程师》（高级）专业技能资格证书，官方网站查询。 五、联系方式：联系人:朱安宁 手机：15810191373（微信同号）