全球掀起人工智能热潮

在 6 月 29 日举办的 2017 世界智能大会上，科技部部长万钢透露，我国新一代人工智能发展规划已完成。而在这些年，国内 BAT 三巨头，早已争相布局人工智能：百度 CEO 李彦宏 2013 年就提出要大力发展人工智能；腾讯 2016 年成立了人工智能实验室（AI LAB），聘请人工智能领域顶尖科学家张潼担任主任；阿里巴巴今年推出了“NASA”计划，建立新技术战略。

国外的巨头们，Google 明确表示，自己是一家“AI First”公司；Facebook 已将 AI 技术融入其产品中；Apple 近几年已收购数十家人工智能公司。

2016 年全球范围 550 家人工智能初创企业共获得 50 亿美元投资。

国内 AI 人才急缺

这一轮风口下，一线科技公司都在纷纷斥巨资抢夺 AI 人才。在美国，仅 2017 年，计划新增的薪资投入就达到 6.5 亿美金。在国内，AI 人才毕业 1-3 年平均月薪高达 25K+，主流年薪在 30-60 万元，但依旧面临人才难求的局面，AI 人才缺口巨大。

而随着火热的市场需求，也有越来越多的小伙伴对 AI 产生了兴趣，甚至想转行 / 求职 AI 相关职位，但是，却不知道该从何入手。其实，只要选对了老师和学习方法，机器学习是人人都能上手学的。而效率最高的学习方式，莫过于让实战经验丰富的老师带你在实战中学习。出于这个理念，StuQ 推出《3 个月成为 AI 实战工程师 —— 深度神经网络实战》，让你学完就能把深度学习真正应用到工程实践中，尤其是高性能实时处理中。

你将学到

模块一：深度学习的方法

一、基础篇（8 小时）

1、 机器学习基础

a) 机器学习简介

b) 机器学习的主要任务

c) 基本算法介绍

2、 常用软件集合和环境配置

a) 为什么选择用 Python

b) Python

c) NumPy

d) scikit-learn

3、 数据分组和关联分析算法

a) 通过 Python 实现 K-means 算法

b) 通过 Python 实现 Apriori 算法

c) 通过 Python 实现 FP-growth 算法

4、 分类器

a) 决策树（包含实战优化方法）

b) K- 邻近算法（KNN）

c) Logistic 回归

d) 支持向量机（SVM）

e) 贝叶斯网络

i. 朴素贝叶斯算法

ii. 贝叶斯网络

二、神经网络篇（3 小时）

1、 神经网络

a) 神经网络简介

b) 正向传播算法

c) 矢量化编程

d) 神经网络向量化（有实际写代码部分内容）

2、 稀疏自编码器

a) 稀疏自编码器简介

b) 反向传播算法

c) 自编码算法与稀疏性

d) 训练结果可视化

e) 实践

3、 数据预处理

a) 主成分分析（PCA）

b) 白化

c) 实践

4、 Softmax 回归

a) Softmax 回归

b) 实践

5、 自我学习

三、深度学习篇（3 小时）

1、 深度网络简介

a) 简介

b) 深度网络优势

c) 训练的困难

d) 逐层贪婪训练方法

2、 自编码算法（AE）

a) 栈式自编码算法

b) 微调多层自编码算法

3、 大型图片处理

a) 线性解码器

b) 全联通与部分联通网络

c) 卷积（Convolution）

d) 池化（Pooling）

e) 卷积神经网络（CNN）

四、C++ 编程篇（6 小时）

1、 C++11 与 C++14

a) 基于 Socket 的通信

b) C++ 中的内存与资源管理

c) 编码

d) C++ 98 的编码缺陷

e) C++ 14 编码支持（包含实战）

f) 进程间通信

2、 高性能 C++ 服务器编程 基础 - 高效的内存管理和数据调度

a) 轻量级分身——线程

b) C++14 线程

c) 竞争问题与解决方案

d) 多线程优化

e) 异步 I/O

f) 内存分配与内存碎片

g) tcmalloc

h) 内存池

3、 高性能 C++ 服务器编程 进阶 - 如何充分利用 CPU 和 GPU

a) OpenMP

b) OpenBLAS

c) OpenCL

d) CUDA

模块二：深度学习的编程实战模块

五、编程实战篇（20 小时）

1、 云端服务器架构设计

2、 通信系统设计

3、 通过 Caffe 实现深度神经网络

a) 为什么是 Caffe

b) 准备 Caffe 依赖

c) 编译 Caffe（Linux 和 macOS）

d) 使用 Caffe 训练手写数字识别

e) 使用 Caffe 训练 AutoEncoder

f) 调用 Caffe 使用训练后的模型

4、 通过 Hurricane 实时处理系统实现分布式网络拓扑

a) 实现 Spout：获取数据

b) 实现 Bolt：预处理

c) 实现 Bolt：调用 Caffe

5、 实战：基于循环神经网络的图片全分辨率压缩

a) 再看 AutoEncoder

b) 利用 AutoEncoder 实现图像压缩

c) RNN（循环神经网络）介绍

d) 利用 RNN 优化图像压缩

e) 实践：编写收集训练数据的高性能分布式爬虫

f) 实践：整理训练数据集

g) 实践：在 Caffe 中实现 RNN

h) 实践：训练与测试

i) 实践：压缩接口设计与封装

j) 实践：Web 服务器搭建

k) 实践：计算服务搭建

l) 实践：完成深度学习服务

6、 基于 macOS 开发的云服务客户端