22-AI深度学习算法模型与平台应用 (2)

人工智能和深度学习算法模型、平台应用实践

一、   课程简介

近年来，随着人工智能（ AI）和深度学习的发展，深度学习技术已经逐步地应用到新兴互联网

企业（如电子商务网站、搜索引擎、社交网站、互联网广告服务提供商等），应用在这些企业中的

文本分析、图像识别、自然语言处理、社交用户网络行为分析等领域，给这些领域的应用和研究带

来了很好的效果。

本课程重点讲解深度学习的模型，包括 CNN卷积神经网络、RNN循环神经网络（LSTM）模型的

算 法 及 其 应 用 、 Connectionist Temporal   Classification 算 法 及 其 应 用 ， 如 GoogleNet ，  Fully

Convolutional  Networks模型深入理解与应用，以及深度学习训练数据集的准备，深度学习的发展趋

势，文字检测与识别算法的发展历程，以及文本分析在深度学习技术下的新应用。在深度学习实践

方面，本课程基于Caffe和Tensorflow深度学习平台开展实践教学，对算法的具体内涵和应用场景进

行深度剖析和讲解。

本课程在实践方面，结合Spark  MLlib、DL4J实现分布式并行深度学习平台的实践，并结合 Caffe

和TensorFlow结合Spark平台，实现深度学习的并行处理与高精度处理。

本课程采用技术原理与项目实战相结合的方式进行教学，在讲授原理的过程中，穿插实际的系

统操作，本课程讲师也精心准备的实际的应用案例供学员动手训练。

二、   培训目标

1.   本课程让学员充分掌握深度学习算法与模型，深度学习的发展趋势，以及技术应用。

2.   让学员掌握目前研究界和工业界使用的Spark  MLlib、Caffe和Tensorflow深度学习平台，部署

这两个平台，并基于这两个平台运行深度学习算法模型（CNN、LSTM、CTC等），以及应用

案例，包括文本分析和图片识别案例。

三、   培训人群

1.  大数据分析挖掘应用开发工程师

2.  大数据分析挖掘项目的规划咨询管理人员

3.  大数据分析挖掘平台架构师

四、   培训特色

定制授课+ 实战案例训练+ 互动咨询讨论，共 2 天，本课程采用目前业界主流的 Caffe  和

Tensorflow  深度学习平台开展实践训练。

五、   详细大纲与培训内容

专题

详细内容

实践训练

1.  深度学习的发展历程

人工智能 和深度学 习   2.  深度学习的应用场景

概述

3.  深度学习在  Google、、IBM  中的应用

趋势和热点投资领域

4. 基于  Spark  MLlib  的大数据机器学习分析与数

据挖掘平台的方案剖析

5. Spark MLlib 在电商平台、互联网金融平台中针   Spark  MLlib  机器学

对用户行为分析、客户分析、个性化推荐、广     习（深度学习）平台

告精准投放、产品营销应用场景下常用的数据     构建方案

建模方法、建模过程、匹配算法、并行数据挖

Spark  MLlib 机器学习

平台应用

掘算法、技术原理及其项目应用

1.   神经网络算法   Neural Network  的实现方法和

挖掘模型应用

2.   深度学习的基本思想：人脑视觉机理和特征

3.   浅层学习（Shallow     Learning）和深度学习

（Deep Learning）

4.   深度学习的训练过程

a)   传统神经网络的训练方法

b)   Deep Learning  的训练方法

5.   深度学习的常用模型和方法

c)    Auto Encoder  自动编码器

深度学习 模型及算 法

实现

d)   Sparse Coding  稀疏编码

深度学习算法模型及

e)   Restricted   Boltzmann  Machine(RBM)    其应用案例分析

波尔兹曼机

f)

Deep Belief Networks  深信度网络

g)   CNN（Convolutional  Neural  Network）卷

积神经网络

h)   RNN（Recurrent  Neural Network）循环神

经网络模型

i)

LSTM（Long-Short  Term  Memory）RNN

模型

j)

CTC

（

Connectionist

Temporal

Classification）序列标注模型

6.   基于  Caffe  实现  CNN 模型应用，以及算法部

署，算法调优，处理效率提升之道

基于 Caffe 的深度学习   7.   基于  Caffe  实现  RNN（LSTM）模型应用，以        利用  Caffe   运行深度

平台应用实践

及算法部署，算法调优，处理效率提升之道                 学习算法及应用案例

8.   基于  Caffe  实现  CTC  模型应用，以及算法部

署，算法调优，处理效率提升之道

9.   基于  Tensorflow 实现 CNN   模型应用，以及算

法部署，算法调优，处理效率提升之道

10.  基于  Tensorflow  实现  RNN（LSTM）模型应        利用   Tensorflow  运

基于  Tensorflow  的深

用，以及算法部署，算法调优，处理效率提升             行深度学习算法及应用

                                                                                 案例

度学习平台应用实践

之道

11.  基于 Tensorflow  实现 CTC   模型应用，以及算

法部署，算法调优，处理效率提升之道

12.  业 界 主 流 的   Java   深 度 学 习 平 台   DL4J

（ DeepLearning4Java）

13.  DL4J 与 GPU  的交互

                              DL4J  与    Spark  的集

      成深度学习平台的      应用操作 

DL4J 与  Spark  深度学 14.  DL4J  深度学习算法的应用操作

习应用实践

15.  DL4J  卷积网络进行图像分类

16.  DL4J  的深度学习任务的并行处理机制

17.  Spark+DL4J 的 Java  深度学习程序开发

18.  Spark+DL4J 的 Scala  深度学习程序开发

19.  人工智能和深度学习算法与模型讨论

20.  AI  和深度学习（机器学习）工程师素养

21.  AI  和深度学习平台的构建方案讨论

课程总结

     交流讨论