HCIP-AI EI Developer认证课程

 

YESLAB HCIP-AI EI Developer认证课程内容提纲

 

1.       深度学习原理

1.1 MCP模型与感知器

                1.1.1 大脑基本结构

                1.1.2 神经元

                1.1.3 突触的类型、数量、强弱

                1.1.4 神经信息处理过程

                1.1.5大脑vs计算机

                1.1.6 MCP模型

                1.1.7 激活函数

                1.1.8 模式识别初探

                1.1.9 感知器结构

                1.1.10 感知器训练算法

1.1.11凸集与多层感知器

                1.1.12 XOR问题

1.2 多层感知器原理

                1.2.1 MLP的基本结构

                1.2.2 监督训练

                1.2.3 MLP的设计实现过程

                1.2.4 BP算法

                1.2.5 极小值问题

                1.2.6 学习率

                1.2.7 批量训练

                1.2.8 欠拟合与过拟合

                1.2.9 网络容量

                1.2.10 网络拓扑

                1.2.11 收敛曲线

                1.2.12 权值连接方式

1.3 卷积神经网络原理

                1.3.1 Hubel-Wiesel实验

                1.3.2 卷积运算与相关运算

                1.3.3 卷积核与特征映射图

                1.3.4 CNN的一般结构

                1.3.5 稀疏连接

                1.3.6参数共享

                1.3.7 等变表示

                1.3.8 池化

                1.3.9 LeNet-5简介

1.4 循环神经网络原理

                1.4.1 N-Gram模型

                1.4.2 RNN简例

                1.4.3 单隐层单向RNN的前向计算过程

1.4.4 BPTT算法

                1.4.5 填空问题

                1.4.6 双向RNN

 

2. 图像处理理论和应用

2.1 图像处理概述

                2.1.1 人眼图像的形成

                2.1.2 计算机视觉、图像处理、图像工程

                2.1.3 计算机视觉的应用

                2.1.4 计算机视觉与AI

                2.1.5 图像的获取与数字化处理

                2.1.6 数字图像的数学表示

                2.1.7 RGB/HSV彩色图像

                2.1.8 彩色图像的灰度化处理

                2.1.9 像素的位置关系：邻接、连接、连通

2.1.10 像素距离的度量

                2.1.11 图像的加法与减法

                2.1.12 坐标变换：图像的平移、镜像、旋转、缩放

2.1.13 邻近插值与双线性插值

2.2 图像预处理技术

                2.2.1 灰度变化：反转、对比度增强、γ矫正

                2.2.2 灰度图像的直方图

                2.2.3 彩色图像的直方图

                2.2.4 直方图均衡化与规定化

                2.2.5 均值滤波、高斯滤波、中值滤波

                2.2.6 边缘检测

                2.2.7 图像锐化

                2.2.8 仿射变换

                2.2.9 透视变换

                2.2.10 数据增强的应用

2.3 图像识别

                2.3.1 图像的处理、分析、理解

                2.3.2 图像分类及其性能度量

                2.3.3 目标检测及其性能度量

                2.3.4 图像分割及其性能度量

                2.3.5 目标跟踪

                2.3.6 图像识别应用：文字识别、人脸识别、内容检测

        2.4 图像特征提取

                2.4.1 特征提取的作用

                2.4.2 图像二值化：阈值分割、自适应阈值分割、双峰法、大津法

                2.4.3 膨胀运算与腐蚀运算

2.4.4 开运算与闭运算

                2.4.5 模板匹配及滑动窗口法

                2.4.6 HOG特征描述子

2.4.7 LBP特征描述子

2.4.8 Haar特征描述子

        2.5 CNN与图像识别

                2.5.1 CNN的基本概念和术语

2.5.2 单通道图形的卷积计算

2.5.3 多通道图形的卷积计算

2.5.4 图像的不变性

2.5.5 局部感知与参数共享

2.5.6 卷积层、池化层、全连接层的作用

2.5.7 ImageNet、ILSVRC简介

 

3. 语音处理理论和应用

3.1 语音处理概述

                3.1.1 语音的常识

                3.1.2 声道的构造

                3.1.3 语言学与语音学

                3.1.4 语音识别与语音合成

                3.1.5 音素、音节、句子

                3.1.6 时域与频域

                3.1.7 倒谱

                3.1.8 奈奎斯特采样

                3.1.9 wav格式文件

3.1.10 共振峰

                3.1.11 信号分帧

                3.1.12 信号加窗

3.1.13 MFCC及其计算举例

3.2 传统语音模型

                3.2.1 条件概率、全概率、贝叶斯公式

                3.2.2 随机变量及概率密度函数

                3.2.3 高斯分布

                3.2.4 最大似然估计

                3.2.5 高斯混合模型

                3.2.6 EM算法

                3.2.7 马尔科夫链

                3.2.8 HMM模型

                3.2.9 HMM的三个基本问题

                3.2.10 连续语音识别系统

3.2.11 孤立词HMM识别器

3.2.12 GMM-HMM模型

3.3 神经网络与语音识别

                3.3.1 DNN

                3.3.2 DNN-HMM模型

                3.3.3 CD-DNN-HMM模型

                3.3.4 RNN

                3.3.5 LSTM

        3.4 技术前沿与未来展望

                3.4.1 技术前沿

                3.4.2 未来展望

 

4. 自然语言处理理论和应用

4.1 自然语言处理简介

                4.1.1 什么是NLP

                4.1.2 NLP的基本方法

                4.1.3 NLP的三个层面

                4.1.4 NLP的难点

                4.1.5 NLP的发展现状

4.2 预备知识

                4.2.1 N-Gram语言模型

                4.2.2 NNLM模型

                4.2.3 word2vec-CBOW模型

                4.2.4 word2vec-Skip-Gram模型

                4.2.5 doc2vec-DM模型

                4.2.6 doc2vec-DBOW模型

                4.2.7 HMM模型

                4.2.8 条件随机场

                4.2.9 RNN/LSTM/GRU

4.3 关键技术

                4.3.1 分词

                4.3.2 词性标注

                4.3.3 命名实体识别

                4.3.4 实体关系抽取

                4.3.5 句法分析

4.3.6 语义分析

        4.4 应用系统

                4.4.1 文本分类

                4.4.2 文本聚类

                4.4.3 机器翻译

                4.4.4 问答系统

                4.4.5 自动文摘

                4.4.6 信息抽取

                4.4.7 舆情分析

                4.4.8 机器写作