千锋教育-做有情怀、有良心、有品质的职业教育机构

手机站
千锋教育

千锋学习站 | 随时随地免费学

千锋教育

扫一扫进入千锋手机站

领取全套视频
千锋教育小程序

关注千锋学习站小程序
随时随地免费学习课程

人工智能算法班
对标阿里P7的线上职后课
人工智能培训班 人工智能培训班 人工智能培训班
即将开课
人工智能职后提升
免费试学体验券
直通大厂
助力升职加薪
人工智能算法班
人工智能培训班
限时领取:0000000
立即领取
人工智能算法班 适合以下情况的你
从基础入门到实战,打造你的专属技术壁垒
人工智能职后课
往届或应届毕业生
想追求高薪高职
1对1帮扶
人工智能职后课
技术遇到瓶颈期
想快速突破提升
专属定制课
人工智能职后课
缺少AI思维
岗位和薪资停滞不前
测测当前水平
人工智能职后课
想快速转行为
AI开发工程师
学习提升路线
人工智能职后课
有一定开发基础
对人工智能感兴趣
领取试学名额
每一课都是突破!AI进阶职后课重磅出炉
课程
课程深度对标阿里P7技术能力。课程专注人工智能实战应用方向,涵盖机器学习,深度学习,自然语言处理,计算机视觉,推荐系统等全方位内容,持续打磨高品质课程。
项目
项目来自超一线大厂实际项目,引入50+架构实战案例,50+大厂解决方案,短视频推荐系统、智能聊天机器人、智能搜索引擎、知识图谱等,稍加改动即可用于实际生产环境。
师资
10余位资深架构师集结,北科大博士亲自上阵授课,大厂AI应用及研发经验丰富。课程采用强师自编热门书籍作为配套教材,学员预习复习更轻松。
就业
优秀学员可获得大厂直招名额及内推绿色通道,大厂技术Leader面试摸底评估,海量大厂高薪面试题解析和成功入职经验分享,定制专属职业提升方案。
服务
8大“头等舱”服务,导师带学、直播串讲、源码分享、圈内大咖交流等,从入学到入职系统化全方位服务,助力直通架构师。
技术升维!一手掌握AI开发工程师必备能力
课程技术点围绕着9大必备能力设计,沉浸式项目专项实战训练,帮你快速突破技术瓶颈
  • 经典机器学习
  • 深度学习
  • 深度学习框架的
    使用和底层优化
  • 自然语言处理
  • 计算机视觉
  • 数学思维分析
    和解决问题
  • 人工智能在互联网
    公司的应用
  • 量化投资
  • 面试指导和
    职业规划
查看更多课程技术
提升内功!硬核构筑阿里P7核心能力模型
8大维度,迅速成长为数字时代转型所需的高级复合π型AI架构人才
学习前能力
学习后能力
数据分析能力
模型技术选型能力
开源框架的使用和扩展
技术和业务结合能力
数学思维能力
计算机视觉原理与应用
深度学习原理与应用
NLP原理与应用
绘制你的能力模型
想从AI小白到高手?你需要这份 “职场武功秘籍” >>
领取职场修炼手册
垂直赋能!高校博士后亲授大厂核心技术
10余位资深架构师集结操刀,带你从企业战略层面深度理解AI人工智能
卢菁
北京大学人工智能博士后
一线名企 AI 大牛
北京科技大学博士,北京大学博士后流动站出站。曾工作于腾讯、爱奇艺等知名互联网公司,主要从事人工智能技术的应用和研发。主要研究方向为机器学习、自然语言处理、知识图谱、推荐系统等,有丰富的理论和实践经验。 具备丰富的实战经验和 AI 教学经验,著作《速通机器学习》、《速通深度学习数学基础》荣登京东热销榜。 教学内容紧贴实际需求,深知学员学习过程中的痛点和难点,擅长0基础教学和就业指导,指导学生多就业于腾讯、阿里等互联网大厂,并有多名学员在国内外知名 AI 竞赛中获奖。
双轮驱动!底层技术剖析与实践应用相结合
第一阶段
基础阶段
第二阶段
推荐系统
第三阶段
自然语言处理

一.特征向量和距离

  • 1.人工智能技术综述

    1.1 人工智能和机器学习的关系

    1.2 人工智能主要方向剖析

    1.3 人工智能学习路线规划

  • 2.特征提取:物理世界的数学描述

    2.1 onehot和multihot

    2.2 图像特征和边缘提取

    2.3 连续特征的正规化和分段

    2.4 行为类特征的向量化

    2.5 社交类特征的向量化

    2.6 离散特征的向量化

  • 3.向量之间的距离计算以及使用场景

    3.1 欧氏距离、海明距离、闵可夫斯基距离

    3.2 内积距离

    3.3 雅克比相似度和雅克比距离

    3.5 各类距离的比较以及优缺点

    3.6 numpy入门以及距离计算

二.线性回归

  • 1.线性回归概述

    1.1线性回归的定义

    1.2线性回归的适用场景

    1.3岭回归

  • 2.模型评估

    2.1线性回归的评测方法

    2.2训练集和测试集

    2.3模型的泛化能力

  • 3.模型学习方法

    3.1损失函数MSE和最小二乘法

    3.2导数的定义和计算

    3.4 极大值和极小值

    3.5梯度下降法

    3.6 从几何角度理解梯度下降法

  • 4.sklearn框架

    4.1 sklearn框架的介绍、安装方法

    4.2 使用sklearn完成线性回归模型

  • 5.深入理解线性回归

    5.1多项式回归解决非线性问题

    5.2 特征冗余和噪音特征

    5.3 线性回归和正态分布

三.逻辑回归

  • 1.分类任务和概率

    1.1多分类和二分类

    1.2 分类模型和概率模型

  • 2.逻辑回归

    2.1感知器及其局限性

    2.2 Sigmoid函数详解

    2.3 逻辑回归在分类问题上的应用

    2.4 模型的正则化

  • 3.梯度下降法

    3.1 Sigmoid函数的导数推导

    3.2 逻辑回归的损失函数KL距离

    3.3 梯度下降法在逻辑回归上的应用

    3.4 学习因子的设定

    3.5 正则项在逻辑回归中的必要性

  • 4.逻辑回归实战

    4.1 使用sklearn实现逻辑回归

    4.2 使用TensorFlow实现逻辑回归

    4.4 逻辑回归调参指南

  • 5.损失函数的选择和对比

    5.1KL距离和MSE的区别

    5.2 KL距离背后的统计学原理

    5.3 KL距离和交叉熵

  • 6.逻辑回归的统计学原理

    6.1最大似然估计和KL损失函数

    6.2.逻辑回归和正态分布

  • 7.模型的正则化

    7.1 L1正则和L2正则的异同

    7.2正则化和过拟合

    7.3 从概率的角度理解正则化

    7.4 sklearn如何进行正则化的实现

  • 8.分类模型的评价指标

    8.1 正确率,准确率和召回率

    8.2 AUC和ROC

    8.3 各类分类指标的优点、局限性

    8.4 代码实战各类指标的计算

四、无监督模型

  • 1.Kmeans模型

    1.1聚类的目的和意义

    1.2 Kmeans模型详解以及参数学习

    1.3使用sklearn进行Kmeans模型实战

    1.4 Kmeans模型的缺点

    1.5 Kmeans各类改进版本

    1.6 EM算法详解

    1.7 Kmeans算法和逻辑回归

  • 2.隐式主题模型-LDA

    2.1 LDA模型的原理

    2.2 LDA模型的求解

    2.3 LDA主题模型实战:推荐系统中的应用

    2.4 LDA模型背后的概率意义

    2.5.吉布斯采样

    2.6 LDA模型代码实战

五、因子分解模型-FM模型

  • 1.特征交叉原理和FM模型

    1.1 特征交叉的原理和意义

    1.2特征交叉的数学实现

    1.3通过内积简化特征交叉

    1.4 FM模型原理详解

    1.5 FM模型和逻辑回归异同解析

  • 2.FM模型的数学推导

    2.1 FM模型在数学上的化简

    2.2梯度下降法在FM模型中的应用

  • 3.使用python进行FM模型实战

六、深度神经网络

  • 1.深层模型的意义

    1.1特征变换和特征提取

    1.2 激活函数的意义和必要性

    1.3 深层模型架构

    1.4 softmax函数和多分类

    1.5 深度学习和神经网络

    1.6 shortcut结构详解

  • 2.常见激活函数

    2.1 sigmoid激活函数详解

    2.2 tanh激活函数详解

    2.3 relu激活函数详解

    2.4 relu函数的改进版本详解

  • 3.softmax函数和多分类

    3.1 softmax函数的推导和onehot向量的关系

    3.2 softmax的导数推导

    3.3多分类和多标签

  • 4.深度学习实战

    4.1主流机器学习框架平台介绍

    4.2 TensorFlow和keras框架详解

    4.3如何调用自己的GPU

    4.4深度学习实战:用keras搭建自己的神经网络

七、深度学习进阶

  • 1.梯度下降法

    1.1 矩阵和向量的求导法则

    1.2 矩阵和向量的链式法则

    1.3 梯度下降法在深层神经网络中的推导和应用

    1.4 梯度消失和梯度爆炸产生原因分析以及解决方案

    1.5 鞍点、局部极小、以及解决方案

  • 2. 权重初始化

    2.1权重的对称性及其危害

    2.2 随机初始化权重的方法

  • 3. 梯度下降法及其改进

    3.1传统梯度下降法的缺点

    3.2 SGD算法

    3.3动量法

    3.4 RMSprop算法

    3.5 Adam算法

    3.6改进型梯度下降法在keras中的实现

  • 4.输入的标准化

    4.1 标准化的意义

    4.2 批标准化以及keras的实现

    4.3 层标准化以及keras的实现

  • 5.深度学习的正则化

    5.1 L1正则和L2正则在深度学习中的应用

    5.2 dropout以及keras实现

八、序列神经网络

  • 1.循环神经网络

    1.1时序模型以及使用场景

    1.2 RNN模型以及keras的实现

    1.3 LSTM模型以及keras的实现

    1.3.GRU模型以及keras的实现

    1.4.时序模型代码实战

  • 2.Attention神经网络

    2.1.seq2seq架构

    2.2 Attention模型

    2.3 常见注意力算法

    2.4 self-attention

    2.5多抽头Attention

    2.6 transformer架构

    2.7 attention模型在图像中的应用

九、自然语言处理

  • 1.word2vec和fasttext

    1.1.自然语言处理和语言模型

    1.2.词向量模型word2vec

    1.3.skipgram和cbow构建方法

    1.4.霍夫曼树和负采样

    1.5.fasttext模型和文本分类

    1.6.子词模型

    1.7 word2vec和fasttext的代码实战

  • 2.大模型之Bert

    2.1.NLP的龙骨模型-Bert

    2.2.Bert模型的训练方法

    2.3.Bert模型的应用

    2.4.Bert模型实战

    2.5.Bert常见的改进方法

十、计算机视觉

  • 1.深入理解卷积层

    1.1 卷积的物理意义

    1.2 卷积层的操作方法

    1.3 卷积层步长和窗口选取技巧

    1.4卷积层的keras实现

    1.5.常见卷积改进方法

  • 2.池化层

    2.1 最大池化

    2.2 均值池化

    2.3 池化层的keras实现

  • 3.图像分类

    3.1.图像分类常用数据集介绍:coco、imagenet 等

    3.2 多层卷积神经网络在图像分类中的应用

  • 4.卷积在文本分类中的应用

    4.1 卷积在文本特征提取的方法

    4.2 textCNN详解

一. 推荐系统整体架构

  • 1.内容生产和内容理解

    1.1 推荐系统的内容生产

    1.2.内容审核和内容打标

    1.3.内容有效期预测

  • 2.内容分发

    2.1 召回阶段的目的、意义和设计思想

    2.2 排序阶段的目的、意义和设计思想

  • 3.推荐系统的评价指标

    3.1推荐系统的商业价值

    3.2 日活、CTR、人均时长等指标分析

二. 召回模型

  • 1.基于行为类的召回

    1.1 协同过滤:itemCF

    1.2 协同过滤:UserCF

    1.3 随机游走模型:node2vec

    1.4 行为类召回的优势、缺点总结

  • 2.基于内容类的召回

    1.1 基于文本embedding的召回系统

    2.2 基于标签体系的召回系统

    2.3 基于up主的召回系统

    2.4 微软DSSM双塔召回模型

    2.5 最近邻快速检索工具annoy和faiss

  • 3.YoutubeDNN召回系统

    3.1 用户行为特征、自然属性特征的提取,预处理和归一化

    3.2 Item特征提取,预处理和归一化

    3.3 负采样:NCE和sampledSoftmax

    3.4 youtubeDNN召回系统

  • 4.交叉特征召回

    4.1 FM模型在召回系统中的应用

    4.2 FFM模型在召回系统中的应用

    4.3 矩阵分解SVD在召回系统中的应用

三. 排序系统

  • 1.CTR预估

    1.1 排序指标精讲

    1.2 AUC和userAUC

  • 2. Deep & Cross

    2.1 模型结构精讲

    2.2 特征交叉详解

    2.3 使用keras实现Deep & Cross模型

  • 3.xDeepFM

    3.1 模型结构精讲

    3.2 CIN模块

    3.3 使用keras实现xDeepFM模型

  • 4.逻辑回归在排序模型中的应用

    4.1 逻辑回归精讲

    4.2 详解大规模特征工程

    4.3 逻辑回归在百度凤巢系统

  • 5.阿里巴巴DIN模型详解

    5.1 Base模型详解

    5.2 DIN模型详解

    5.3 DIEN模型详解

    5.4 DSIN模型详解

  • 6.阿里CVR预估模型ESMM

    6.1 CVR预估的场景和挑战

    6.2 ESMM模型详解

    6.3 隐式学习pCVR

    6.4 样本选择(BBS)问题的解决方案

    6.5 样本稀疏(DS)问题的解决方案

四. 推荐系统指标体系构建

  • 1.AB测试

    1.1 流量分桶的原理

    1.2 AB测试置信度计算

    1.3 基于分层的AB测试

  • 2.指标评价体系

    2.1 推荐系统的商业价值

    2.2 ctr提升的方法

    2.3 人均时长提升方法

五. 微信视频号推荐实战

  • 1.特征提取

    1.1 文本内容特征提取

    1.2 短视频内容embedding抽取

    1.3 短视频画面embedding抽取

    1.4 短视频多模态embedding抽取

  • 2.推荐系统核心代码实战

    2.1 召回系统代码实战

    2.2 排序系统代码实战

一. 序列神经网络

  • 1.循环神经网络

    1.1 时序模型以及使用场景

    1.2 RNN模型以及keras的实现

    1.3 LSTM模型以及keras的实现

    1.3 GRU模型以及keras的实现

    1.4 时序模型代码实战

  • 2.Attention神经网络

    2.1 seq2seq架构

    2.2 Attention模型

    2.3 常见注意力算法

    2.4 self-attention

    2.5 多抽头Attention

    2.6 transformer架构

    2.7 attention模型在图像中的应用

二. 自然语言处理入门

  • 1.word2vec和fasttext

    1.1 自然语言处理和语言模型

    1.2 词向量模型word2vec

    1.3 skipgram和cbow构建方法

    1.4 霍夫曼树和负采样

    1.5 Facebook 的fasttext模型和文本分类

    1.6 子词模型

    1.7 word2vec和fasttext的代码实战

  • 2.卷积在文本分类中的应用

    2.1 卷积在文本特征提取的方法

    2.2 textCNN详解

三. 大规模预训练模型

  • 1.Google Bert模型精讲

    1.1 NLP的龙骨模型-Bert

    1.2 Bert模型的训练方法

    1.3 Bert模型的应用

    1.4 Bert模型实战

  • 2.Bert模型改进

    2.1 Elmo模型精讲

    2.2 GPT1.0~GPT2.0精讲模型

    2.3 XLNet模型精讲

    2.4 RoBERT模型精讲

    2.5 ALBert模型精讲

    2.6 T5模型精讲

四. 中文自然语言处理

  • 1.百度ernie模型

    1.1 paddle框架学习

    1.2 知识图谱构建

    1.3 ernie大模型训练精讲

    1.4 ernie大模型使用场景精讲

  • 2.中文分词精讲

    1.1 序列标注与深度学习

    1.2 HMM模型精讲

    1.3 CRF模型精讲

    1.4 CRF和LSTM结合精讲

    1.5 中文分词代码实战

  • 3.新词发现

    1.1 信息熵和大数据

    1.2 中文信息熵计算

    1.3 基于信息熵的中文新词发现

五. 自然语言处理项目精讲

  • 1.京东客服:智能聊天机器人

    1.1 智能聊天机器人整体框架

    1.2 文本匹配模型

    1.3 深度语义理解模型

    1.4 Attention和语义匹配

    1.5 度量学习和语义快速检索

  • 2.腾讯新闻:内容平台的文本分类

    2.1 文本分类任务:多标签和多分类

    2.2 情感分析实战

    2.3 垃圾过滤实战

    2.4 样本不均衡和解决方案

  • 3.腾讯百万级实体知识图谱精讲

    3.1 结构化数据的抽取

    3.2 neo4j数据库介绍和常见查询语句

    3.3 transE模型及其改进

    3.4 大规模图随机游走算法

    3.5 知识图谱的落地场景和实际应用

  • 4.腾讯新闻内容理解-长文本标签抽取实战

    4.1 标签抽取和关键词抽取

    4.2 基于textrank的标签抽取

    4.3 异质标签的归一化

    4.4 基于双塔模型的标签抽取

    4.5 基于分类模型的标签抽取

  • 5.新浪舆情系统-文本摘要抽取

    5.1 抽取式摘要抽取

    5.2 基于Bert的摘要抽取

    5.3 基于大模型的生成式摘要

获取完整版课程大纲
实战练精兵!50+架构实战案例让技术真正落地
项目均来自一线大厂实际项目,50+大厂解决方案,打造货真价实的AI实战能力
多模态内容理解
获取项目源码
项目介绍: 内容的理解贯穿了整个搜索推荐系统。本项目从多个粒度理解搜索内容,包括语义分块、核心要素提取等。多模态内容理解技术在其中扮演了重要角色,它可以从内容解析、内容质量检验、内容关系的挖掘以及内容属性的提取方面对候选内容进行更好的筛选与排序。
项目目标: 深刻理解多模态内容理解平台的架构和实际需求以及工程实现,学习常用NLP技术的落地场景以及对业务的支持,掌握常见的语义理解,文本分类模型的使用和调优。
推荐系统
获取项目源码
项目介绍: 推荐系统包括图文推荐,视频推荐,商品推荐等,常用语各类互联网公司的app中,是目前人工智能中工作岗位需求量最大的方向。本项目从企业级项目出发,学习推荐系统的整体架构,业务目标,常用模型,优化方向等。
项目目标: 通过学习该项目,学员可以对推荐系统有一个整体的掌握,并学习召回,排序等关键技术点所涉及的模型以及调优方案。直接面向招聘需求的教学可以让学员快速胜任推荐系统工程师等岗位。
非法场景图像/视频检测
获取项目源码
项目介绍: 计算机视觉是人工智能一个非常重要的方向。本项目将详细讲解计算机视觉中的图像分类,目标检测等关键技术。这些技术在企业中均有实际落地场景,助力于企业的内容审核和内容安全等实际需求。
学习目标: 通过本项目学习,学员可以掌握图像分类,目标检测常用的方法以及遇到的难点,痛点和优化方向。对计算机视觉的技术进行融会贯通,一通百通。学完后可胜任计算机视觉工程师等职位。
智能聊天机器人
获取项目源码
项目背景: 智能客服系统是一套基于深度学习和自然语言理解技术实现的自动问答对话机器人。该项目需要对用户输入的一段语句进行理解,涉及NLP中的分词、词性标注、实体识别、关键词抽取和句法分析等核心技术;同时需要识别用户的意图,包括通用意图和业务意图,这里将使用意图分析等核心技术进行构建。
学习目标: 通过学习该项目,学员可以掌握意图分类,文本深度匹配,语义理解等NLP中的核心技术。就业方向:NLP工程师,聊天机器人工程师等岗位。
医学影像识别
获取项目源码
项目介绍: 目前人工智能可以通过分析CT图片来诊断癌症,该项目是来源于北京一家三甲医院的真实案例,所有医疗影响图片均来自于真实场景。该项目极具前瞻性,所用技术都是目前人工智能最前沿的核心技术,对扩充知识面,掌握前沿技术具有极大的帮助
学习目标: 通过学习该项目,学员可以掌握图像识别,语义分割,小样本学习等前沿技术。
多模态内容理解
推荐系统
非法场景图像/视频检测
智能聊天机器人
医学影像识别
人工智能职后课
C位守护!8大VIP服务带你直通架构师
导师带学
学习期间遇到任何问题
随时有导师指导解决
带领和督促你学习
直播串讲
围绕技术重点和难点进行
直播讲解,拓展课程内容
在线互动答疑
源码分享
分享课程讲义、案例源码
辅助文档等资料
为学习提供便利
社群交流
以班级为单位创
建社群和学习小组
营造良好学习氛围和人脉资源
人工智能培训班 人工智能培训班
从入学到入职
系统化全方位服务
助力直通架构师
了解更多VIP服务
简历优化
专家指导简历优化
展现核心竞争力
突出个人与岗位匹配优势
面试指导
专家传授面试经验和技巧
避开面试陷阱
冲刺高薪Offer
职业规划
技术专家摸底评估
认清优势、看清差距
定制专属发展方案
名企内推
优秀学员一年内可享受
多次名企内推服务
提供更好的发展机会
学一堂好课悄悄拔尖 然后惊艳所有人
申请线下免费试学
提交领取
职后课授课模式是什么样的?
点击咨询
我学不会怎么办?服务期是多久?
点击咨询
学习毕业后能涨多少薪资?
点击咨询
学完能内推进哪些大厂?
点击咨询
人工智能算法班学费多少钱?
点击咨询