会议介绍
一、培训收益
-
-
- 回归算法理论与实战；
- 分类算法理论与实战；
- 降维算法理论与实战；
- 聚类算法理论与实战；
- 神经网络算法；
- TensorflowDNN CNN构建；
- 基于OpenCV计算机视觉识别；
- 从0到1完成知识图谱构建；
- 通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。
二、培训特色
会议日程
（最终日程以会议现场为准）
三、日程安排
|
|
|
- 机器学习的开发过程
- 监督学习的处理模式
- 无监督学习的处理模式
- 机器学习模型的开发步骤
- 机器学习模型开发的要点
|
|
- 分类
- 回归
- 时间序列分析
- 关联分析
- 聚类与降维
|
|
- 神经元与神经网络
- 激活函数的点火机制
- Sigmoid函数与参数优化
- 梯度下降法
- 简单感知机
- 多层感知机
- Tensorflow实现感知机
- Keras实现感知机
- PyTorch实现感知机
|
|
- 前馈神经网络
- 误差反向传播
- 创建神经网络
- Fashion-MNIST图像识别
- TensorFlow构建图像识别网络模型
- Keras构建图像识别网络模型
- PyTorch构建图像识别网络模型
|
|
- 卷积神经网络的结构
- 基于TensorFlow构建CNN
- 基于Keras构建CNN
- 基于PyTorch构建CNN
|
|
- 多分类数据集CIFAR-10介绍
- CNN识别普通物体的结构
- 基于TensorFlow +CNN构建物体识别模型
- 基于Keras +CNN构建物体识别模型
- 基于PyTorch +CNN构建物体识别模型
- 模型调优提高物体识别精度
|
|
- RNN基本结构
- LSTM文章生成
- GRU图像生成
- VEA图像生成
- GAN图像生成
|
|
- OpenCV安装
- 基于OpenCV物体检测
- 图像检测与图像保存
|
|
|
|
- 知识图谱数据库
- 知识图谱存储方法
- 基于Neo4j的知识存储实践
- 开源知识存储工具理论与实践
|
|
|
|
- GYM安装与游戏奖罚设置
- 强化学习的与众不同
- 马尔科夫性质与决策过程
- SARSA算法介绍与推导
- 蒙特卡洛多步采样
|
|
- CartPole规则与演示
- Q-Table局限性
- 爬山算法获取最优解
- DQN强化神经网络
- DQN原理分析
- 强化学习模型部署与应用
|
会议嘉宾
（最终出席嘉宾以会议现场为准）
参会指南
温馨提示酒店与住宿:为防止极端情况下活动延期或取消，建议“异地客户”与manbext客户端下载客服确认参会信息后，再安排出行与住宿。退款规则:活动各项资源需提前采购，购票后不支持退款，可以换人参加。
您可能还会关注
.png)
收藏人
暂无说明
会员折扣
该会议支持会员折扣 具体折扣标准请参见plus会员页面
会员返积分
每消费1元累积1个会员积分。 仅PC站支持。
