人工智能趋势
人工智能是当前乃至未来时代热门的技术之一，已在全球范围内掀起了研究与学习热潮。人工智能连续四年成为大学最热门专业！！！ 课程知识体系完备，从简明的python语言开始，到机器学习，再到AI的两大应用方向：计算机视觉（CV）和自然语言处理（NLP），几乎包含了当下AI就业市场的全部需求。同时，课程学习曲线设计平滑，根据学习者对知识的消化吸收情况，循序渐进增强自身的AI技能。
学完收获：
实战项目：
本项目可通过摄像头实时采集视频人脸数据，也可批量图片输入自动化识别人脸；本项目对视频可实现人脸的跟踪，并标注姓名、性别、情绪（开心、生气、自然）等信息并能对进入视频的陌生人报警，通过对人眼状态的监测对疲劳驾驶发出警报，并能通过对深度神经网络的训练，进行活体检测。
项目架构图:
智能文本分类系统是一款toB类型的应用, 解决泛娱乐领域公司内部对文本分类的需求, 用以支持推荐系统, 精准营销系统等, 它能够将各类非结构化文本进行精确分类，打上一个或多个适合的标签.从系统本身角度: 系统内包含很多NLP基础任务的处理，比如分词任务，命名实体识别任务等，又是机器翻译，文本生成工作的基础。因此，智能文本分类任务是学习NLP的必经之路。
项目展示:
项目亮点
1.搭建多模型训练服务,保证在训练过程中,进行资源监控和分配,得以高效率在有限资源内进行模型训练。
2.搭建多线程并行预测服务,为了满足性能要求,这里我们将利用多线程的方式,并对每一个获得结果做最 后综合处理。
3.图谱权重更新,随着模型的预测完成,将使用预测概率更新在该路径权重,最后根据权重计算规则,
获得最后结果。
4.使用n-gram特征工程,来捕捉词序对结果的影响。
5.使用fasttext模型,适应在语料变化大,模型数量规模大,模型上下线频繁的场景。
汽车的日益普及在给人们带来极大便利的同时，也导致了拥堵的交通路况，以及更为频发的交通事故。智能交通技术已成为推动现代技术交通技术发展的重要力量，智能交通不仅能够提供实时的交通路况信息，帮助交通管理者规划管理策略，而且还能优化出行者的出行策略。还可以减轻交通道路的堵塞情况，降低交通事故的发生概率，提高道路运行的安全系数。智慧交通项目利用深度学习技术，跟踪路面实时车辆通行状况，并逐帧记录不同行车道车流量数目。车辆自动计数系统由计数系统、图像抓拍系统、实时监控录像系统组成，可在视频看出每个车辆的连续帧路径。该项目可拓展性强，可根据企业业务，外接计费结算系统、LED显示系统、语音播报系统、供电防雷系统等
项目展示：智慧交通技术架构图
在线医生是一款toC类型的应用, 以微信公众号为依托, 用户通过微信扫码与在线AI医生进行交流，通过循序渐进描述自己的症状, 在线医生将逐步确定病情，同时也支持部分的闲聊功能，提升用户
项目展示：
项目亮点:
1. 基于医疗知识图谱的实体检索技术。
2. 基于bert迁移学习的命名实体审核技术
3. 基于BiLSTM+CRF的命名实体识别技术
4. 基于微信公众号和flask的模型部署服务
市场价值:
综合运用计算机视觉及图像处理相关技术，并将其用于企业业务场景及工业检测如场景识别，手势姿态识别，画风迁移及生成，人体姿态估计等多方应用案例，通过案例实践，能够熟悉深度学习主要及前沿网络模型的架构原理及在实际业务场景中的应用，结合实践掌握深度学习在计算机视觉中的应用。
学习内容:
1.视频中场景识别案例
通过卷积神经网络实现场景识别，与传统的人工特征SIFT, HOG形成鲜明对比，通过训练模型，提取图片中的特征，组合出更的特征，最终实现场景识别，是前沿的场景识别方法，通过本案例，可牢固掌握Deep Learning的网络结构、数据集增强方法，掌握CNN提取图像特征和组合特征的特点并学习卷积神经网络提高模型容量和降低模型过拟合的方法。
2.垃圾图片分类案例
纸巾再湿也是干垃圾？瓜子皮再干也是湿垃圾？你是否傻傻分不清？通过这个案例，你不仅能无障碍分类垃圾，
更能学会一系列深度学习技能，例如:
1,掌握EfficientNet等最新的深度神经网络模型;
2,掌握图片分类问题高分优化技巧;
3,学会使用分布式任务队列Celery构建企业级应用等。
3.Flappy Bird的深度强化学习
本案例将完成如下游戏场景：障碍物以一定速度往左前行，小鸟拍打翅膀向上或向下飞翔来避开障碍物，如果碰
到障碍物，游戏就GAME OVER！而我们通过强化学习能够使小鸟能够自动识别障碍物，做出正确的动作（向上
或向下飞翔）。
通过这个案例，你将学会：
1，深度强化学习模型训练及马尔科夫决策原理
2，强化学习原理及贝尔曼优化
3，将一个游戏决策问题转换成对瞬时多维图像的分类识别问题并运用卷积神经网络来进行策略优化
4.画风融合和迁移
通过深度学习网络实现画风Style与内容Content融合，最小化损失函数根据迭代最终生成手绘风格图像，其他案
例如建筑物变化为梵高风格，狗狗变成梵高风格图片等，都是基于深度神经网络自动生成。
通过这个案例，你将学会：
1，基于深度神经网络完成图像融合重构及画风迁移
2、通过双损失函数调节实现风格内容的比例制衡
3，神经网络自适应匹配不同风格画作与写实画风融合，真正实现AI的艺术创作
5.画风融合及生成
通过生成对抗网络网络DCGAN等实现二次元图片的自动生成，通过这个案例，你将学会：
1，掌握非监督图像的生成技术及风格迁移
2、了解深度卷积生成对抗网络原理及其变体
3，掌握CycleGAN及特征解耦图像生成技术
6.姿态估计及处理
手势识别，人体姿态是人机交互领域一个重要的研究方向，本案例通过预测手势或姿态进行人机交互的技术其商用
前景广泛，通过这个案例，你将学会：
1，自底向上的方法：检测图像中的所有部件（即所有人的肢体关节），然后将属于不同人的部件进行关联/分组。
2，自顶向下的方法：加入一个人体检测器，然后分别估计各个部件，最后再计算每个人的姿态。
3，OpenPose，DeepCut，动作捕捉和增强现实等相关原理及方法
1.MSCOCO图像说明生成
案例介绍
输入为一张图片，输出该图片的说明描述文本。使用MSCOCO图像数据集，基于seq2seq的模型架构，编码器使用InceptionV3的迁移预训练模型，在此基础上进行微调，提取图像的表征。解码器使用带有attention机制的GRU模型，结合图片表征循环生成文本，其中包含多个工程技巧。
2.IMDB影评情感分析
案例介绍
输入为一段影评文本，输出为该段文本情感倾向。在这个案例中我们将使用多个不同隐层的RNN进行效果对比，以获得在IMDB标注数据集上的最有表现，同时调节不同超参数，印证它们带来的不同模型效果。
3.莎士比亚风格的文本生成
案例介绍
输入为任意文本，循环输出指定长度的莎士比亚风格的文本。以莎士比亚的剧作为训练样本，使用GRU模型直接生成概率分布，通过random categorical进行结果选择，找到最有可能的生成方案。
4.西班牙语到英语的机器翻译
案例介绍
输入为一段西班牙语，输出为对应同义的英文。以典型的西班牙语到英语的翻译文本为语料，使用带有attention机制的RNN模型，对Attention的效果进行可视化分析，并不断探寻这种机制的原理与改进方案。
5.模型并行与分布式的实践
案例介绍
如何加快模型的训练和预测速度，使得在象牙塔中的理想模型能够应用于实际，促进商业化发展，一直是困扰公司技术团队的关键问题。该案例将从模型并行与分布式基本理论开始，阐述这种技术方案如何改善以上问题，并通过一系列实验对比结果论证方法的可行性。
6.应用于bert模型的动态量化技术
案例介绍
随着大型模型的出现,各项任务的指标都有了突飞猛进,但是如何将其部署在计算性能有限的场景下,如移动设备,个人终端等,成为阻碍模型应用的瓶颈,因此,模型压缩技术开始在工业界普及,尤其以能够快速操作的动,静态量化技术为主,该案例将详细介绍在大型模型bert上的动态量化技术,对比量化后模型的性能情况。
