高性能计算AI专题“人工智能基础与应用”内容大纲PPT课件

1、高性能计算AI专题“人工智能基础与应用”内容大纲 主讲人：钱广锐 博士“高性能计算”课程专题南京大学高性能计算中心2020.9 2021.1AI专题授课时间及方式 上课方式：线上线下同步直播 时间：2020年9月24日开始至学期末，每周四上午每周四上午10：10 12：00 线上直播地址：请关注网站最新通知（https:/） 地点： 鼓楼校区：教学楼教学楼222 （线下课堂）（线下课堂） 仙林校区：逸B-403 （采用同步直播的方式，该教室将视到场情况启用或停用）培训内容大纲 Python编程语言学习和使用(6课时) 学习Python语法、规范和常用工具包，掌握基本python编程和数据处理能

2、力，掌握机器学习编程、开发和实践的基本开发语言基础 机器学习算法部分(6课时) 学习机器学习基本概念、主流机器学习算法和主流工具包sklearn，熟悉机器学习应用和掌握机器学习应用实践流程 深度学习部分(18课时) 了解深度学习最新技术和神经网络，实现tensorflow和pytorch的分类、目标检测的时间，掌握最基本深度学习技能 AutoML技术(3课时) 了解机器学习最近AutoML技术，理解AutoML工具，提升机器学习应用效率第一部分: Python编程语言学习和使用（1） Python基本编程语法和代码规范介绍(1课时) Python基本语法、关键字、标识符 命名示例、变量的声明和

3、赋值 缩进、PEP8编码规范 函数、类 Python常用库介绍和使用(2课时) Anaconda、常用库安装和调用 Numpy Scipy Pandas Matplotlib绘图工具库第一部分: Python编程语言学习和使用（2） 常用Python开发环境和软件介绍(1课时) Notebook/Jupiter使用 PyCharm IED开发环境使用介绍 Python代码Notbook实践(1课时) Python进行数据预处理实践(1课时) csv、txt等格式的读取和处理 机器学习数据预处理（使用numpy、pandas等） 深度学习图像预处理（resize、翻转、裁剪、灰度等）第二部分:机

4、器学习算法学习和应用（1） 机器学习算法概述和sklearn工具包介绍 (1课时) 机器学习算法分类（回归问题、分类问题） 监督学习、无监督学习、半监督学习、强化学习介绍 机器学习常用概念介绍（分类指标、混淆矩阵、ROC曲线等） Sklearn机器学习工具包介绍 数据预处理和数据特征工程介绍(1课时) 数据常见问题介绍（数据缺失、数据噪声、数据不一致、 数据集不均衡、 离群点/异常值 ） 数据预处理方法（ 数据清洗 、 数据转换 、特征选择、 特征抽取 ） 特征相关性分析（3大相关性算法）、数据特征提取常用方法第二部分:机器学习算法学习和应用（2） 非监督学习和数据降维方法介绍(1课时) 非监

5、督学习聚类K-mean算法介绍 主成分分析（PCA）方法，线性判别降维（LDA）算法、非线性数据降维（t-SNE）算法 时间序列数据特征方法 Sklearn工具包使用聚类和降维算法, 时间序列ta和tsfresh工具包介绍 监督学习主要算法原理介绍和应用(1课时) 决策树、线性回归、逻辑回归、SVM算法 Sklearn机器学习工具包使用决策树、线性回归、逻辑回归、SVM算法 机器学习分类和预测实际案例sklean和xgboost实践（2课时） 信用卡欺诈分类 葡萄酒销量预测第三部分:深度学习算法学习和应用（1） 神经网络基本概念、深度学习系统架构分析和技术前瞻(1课时) 深度学习发展介绍 神经

6、网络发展介绍 涵盖常用数据集、工具、深度学习网络介绍 GPU硬件和编程介绍(1课时) 常见加速硬件介绍（GPU、NPU、FGPA等） GPU类型、种类和NVIDIA V100 GPU介绍 CUDA软件和开发语言介绍 GPU CUDA编程第三部分:深度学习算法学习和应用（2） 神经网络基础知识介绍 (3课时) 万能近似定理、 感知机和激活函数介绍 CNN神经元介绍 LSTM/GRU等RNN基本神经元介绍 TensorFlow和Pytorch使用介绍和实践(3课时) TensorFlow和Pytorch代码简介 Minst手写数据集识别Pytorch实践 Flower数据集分类Pytorch实践

7、图像标签工具labelme和labeIImg介绍和实践(1课时) 分类标签 目标检测标签 图像分割标签第三部分:深度学习算法学习和应用（3） 图像分类和目标检测介绍和学习 (5课时) 图像分类网络学习(GoogleNet, Vgg, ResNet) 目标检测网络学习(Fast-RCNN, SSD, Yolo等) 图片分类(ImageNet部分数据集)实践 目标检测(Coco部分数据集)实践 时间序列深度学习模型和NLP简介(2课时) 时间序列LSTM, Bi-LSTM模型介绍和时间序列数据实践 词嵌入(Word-embedding)方法介绍 Transformer注意力NLP神经网络介绍 分布式训练、超参搜索和实践 (2课时)第四部分: AutoML技术介