一、培訓簡述
強調動手操作：內容以代碼落地為主，以理論講解為根。課程講解機器學習和深度學習的模型理論和代碼實踐，梳理機器學習、深度學習、計算機視覺的技術框架，從根本上解決如何使用模型、優化模型的問題。

二、培訓特色
通過課程學習，可以理解機器學習和深度學習的思維方式和關鍵技術；了解深度學習和機器學習在當前工業界的落地應用；能夠根據數據分布選擇合適的算法模型并書寫代碼，初步勝任使用Python進行數據挖掘、機器學習、深度學習等工作。
課程重視代碼實踐，使用金融、氣象、農業、交通、安防等工業界實際數據（數據已脫敏）進行機器學習和深度學習的模型落地應用，將實際工作中遇到的行業應用和痛點做最直觀切實的展示；重視算法模型的同時，更強調實際問題中應該如何模型選擇、特征選擇和調參。

三、培訓時長
共計5天，每天6課時

四、培訓大綱

《深度學習與圖像處理》
預 備 知 識	Python數據分析   解釋器Python3.7與IDE：Anaconda/Pycharm   列表/元組/字典/類/文件   numpy/scipy/matplotlib/pandas的介紹和典型使用   scikit-learn的介紹和典型使用   TensorFlow典型應用   典型圖像處理   多種數學曲線   多項式擬合   快速傅里葉變換FFT   奇異值分解SVD   Soble/Prewitt/Laplacian算子與卷積網絡 代碼和案例實踐：   卷積與(指數)移動平均線   股票數據分析   缺失數據的處理   環境數據異常檢測和分析
第 一 節	卷積神經網絡： 神經網絡結構，濾波器，卷積 池化，激活函數，反向傳播 目標分類與識別、目標檢測與追蹤 AlexNet、VGGNet、GoogleLeNet Inception-V3/V4 ResNet、DenseNet 代碼和案例實踐： 數字圖片分類 卷積核與特征提取 以圖搜圖 人證合一 卷積神經網絡調參經驗分享
第 二 節	卷積神經網絡高級應用、遷移學習： 使用遷移學習實現蒙古文識別 Keras的使用 獲取中間隱層的特征及可視化 隱層特征的意義和使用 遷移學習的trick 學習率、衰減、凍結等問題 代碼和案例實踐： 貓狗大戰詳解 海量蒙古文識別 隱特征可視化及其應用
第 三 節	OpenCV圖像處理 Skimage/OpenCV來源、簡介與安裝 將視頻轉換為圖像序列 圖像可視化與幾何作圖 HSV、RGB與圖像顏色空間的轉換 圖像增強與(局部)直方圖均衡化 給予邊緣和區域的圖像分割 gamma矯正和對數矯正 亮度區域檢測與前景提取 圖像邊緣檢測/特征提取與圖像算子 Gabor/Laplace/Prewitt/Roberts Scharr/Sobel/Niblack/Wiener 圖像形態學：開/閉/凸包/膨脹/腐蝕 雙邊濾波器/小波降噪/wiener濾波 角點檢：Harris，Shi-Tomasi SIFT、SURF算法 視頻分析：Meanshift 和 Camshift 算法 代碼和案例實踐： 不同算子下的圖像卷積 圖像邊緣檢測與提取 前景分割與圖像融合 regional maxima檢測與應用 HAAR/HOG/LBP等特征應用 視頻前景背景分析與異物檢測 圖像形態學與海報生成的應用 光流跟蹤與車輛跟蹤
第 四 節	圖像分割與定位 視頻關鍵幀處理 卷積的位置不變形與圖像定位的關系 物體檢測與定位 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN YOLOv4、SSD UNet及其與殘差網絡的結合 FaceNet與特征 EfficientNet、EfficientDet 代碼和案例實踐： 人臉檢測 OCR字體定位和識別 睿客識云 氣象識別
第 五 節	生成對抗網絡GAN 生成與判別 生成模型：貝葉斯、HMM到深度生成模型 GAN對抗生成神經網絡 DCGAN Conditional GAN InfoGan Wasserstein GAN 代碼和案例實踐： 圖片生成 看圖說話 對抗生成神經網絡調參經驗分享
第 六 節	視頻分類模型實例 視頻幀的目標定位 YOLOv4、SSD 時空卷積網絡 SlowFast 代碼和案例實踐： 視頻分類的trick 政務大廳視頻監控的真實系統
第 七 節	RNN循環神經網絡 RNN基本原理 LSTM、GRU Attention CNN+LSTM模型 Bi-LSTM雙向循環神經網絡結構 編碼器與解碼器結構 特征提取：word2vec Seq2seq模型 代碼和案例實踐： 看圖說話 藏頭詩生成 問答對話系統 OCR 循環神經網絡調參經驗分享

 
（注：大綱還可根據需求進行調整）