一、培训简述
强调动手操作：内容以代码落地为主，以理论讲解为根。课程讲解机器学习和深度学习的模型理论和代码实践，梳理机器学习、深度学习、计算机视觉的技术框架，从根本上解决如何使用模型、优化模型的问题。

二、培训特色
通过课程学习，可以理解机器学习和深度学习的思维方式和关键技术；了解深度学习和机器学习在当前工业界的落地应用；能够根据数据分布选择合适的算法模型并书写代码，初步胜任使用Python进行数据挖掘、机器学习、深度学习等工作。
课程重视代码实践，使用金融、气象、农业、交通、安防等工业界实际数据（数据已脱敏）进行机器学习和深度学习的模型落地应用，将实际工作中遇到的行业应用和痛点做最直观切实的展示；重视算法模型的同时，更强调实际问题中应该如何模型选择、特征选择和调参。

三、培训时长
共计5天，每天6课时

四、培训大纲

《深度学习与图像处理》
预 备 知 识	Python数据分析   解释器Python3.7与IDE：Anaconda/Pycharm   列表/元组/字典/类/文件   numpy/scipy/matplotlib/pandas的介绍和典型使用   scikit-learn的介绍和典型使用   TensorFlow典型应用   典型图像处理   多种数学曲线   多项式拟合   快速傅里叶变换FFT   奇异值分解SVD   Soble/Prewitt/Laplacian算子与卷积网络 代码和案例实践：   卷积与(指数)移动平均线   股票数据分析   缺失数据的处理   环境数据异常检测和分析
第 一 节	卷积神经网络： 神经网络结构，滤波器，卷积 池化，激活函数，反向传播 目标分类与识别、目标检测与追踪 AlexNet、VGGNet、GoogleLeNet Inception-V3/V4 ResNet、DenseNet 代码和案例实践： 数字图片分类 卷积核与特征提取 以图搜图 人证合一 卷积神经网络调参经验分享
第 二 节	卷积神经网络高级应用、迁移学习： 使用迁移学习实现蒙古文识别 Keras的使用 获取中间隐层的特征及可视化 隐层特征的意义和使用 迁移学习的trick 学习率、衰减、冻结等问题 代码和案例实践： 猫狗大战详解 海量蒙古文识别 隐特征可视化及其应用
第 三 节	OpenCV图像处理 Skimage/OpenCV来源、简介与安装 将视频转换为图像序列 图像可视化与几何作图 HSV、RGB与图像颜色空间的转换 图像增强与(局部)直方图均衡化 给予边缘和区域的图像分割 gamma矫正和对数矫正 亮度区域检测与前景提取 图像边缘检测/特征提取与图像算子 Gabor/Laplace/Prewitt/Roberts Scharr/Sobel/Niblack/Wiener 图像形态学：开/闭/凸包/膨胀/腐蚀 双边滤波器/小波降噪/wiener滤波 角点检：Harris，Shi-Tomasi SIFT、SURF算法 视频分析：Meanshift 和 Camshift 算法 代码和案例实践： 不同算子下的图像卷积 图像边缘检测与提取 前景分割与图像融合 regional maxima检测与应用 HAAR/HOG/LBP等特征应用 视频前景背景分析与异物检测 图像形态学与海报生成的应用 光流跟踪与车辆跟踪
第 四 节	图像分割与定位 视频关键帧处理 卷积的位置不变形与图像定位的关系 物体检测与定位 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN YOLOv4、SSD UNet及其与残差网络的结合 FaceNet与特征 EfficientNet、EfficientDet 代码和案例实践： 人脸检测 OCR字体定位和识别 睿客识云 气象识别
第 五 节	生成对抗网络GAN 生成与判别 生成模型：贝叶斯、HMM到深度生成模型 GAN对抗生成神经网络 DCGAN Conditional GAN InfoGan Wasserstein GAN 代码和案例实践： 图片生成 看图说话 对抗生成神经网络调参经验分享
第 六 节	视频分类模型实例 视频帧的目标定位 YOLOv4、SSD 时空卷积网络 SlowFast 代码和案例实践： 视频分类的trick 政务大厅视频监控的真实系统
第 七 节	RNN循环神经网络 RNN基本原理 LSTM、GRU Attention CNN+LSTM模型 Bi-LSTM双向循环神经网络结构 编码器与解码器结构 特征提取：word2vec Seq2seq模型 代码和案例实践： 看图说话 藏头诗生成 问答对话系统 OCR 循环神经网络调参经验分享

 
（注：大纲还可根据需求进行调整）