AI与工业级算法培训课程（选修）
将“AI与工业级算法”大类细分为以下八个专题，便于学生根据自身基础和职业方向自主选修。这八个专题从机器学习基础到工业级实战，形成完整的能力进阶路径。
专题一：机器学习基础与数学预备
|
项目
|
内容
|
|
课程名称
|
机器学习基础与数学预备
|
|
培训对象
|
零AI基础的开发者、数学/统计背景转型人员、对数据科学感兴趣的初学者
|
|
培训目标
|
使学员掌握机器学习的基本概念、核心术语和必备的数学基础，能够理解常见机器学习算法的数学原理，为后续深入学习奠定坚实基础。
|
|
课程内容
|
• 机器学习概述：人工智能/机器学习/深度学习关系、监督/无监督/强化学习分类、应用场景概览
• 模型评估与选择：训练集/验证集/测试集划分、欠拟合与过拟合、偏差与方差权衡
• 线性代数基础：向量与矩阵运算、特征值与特征向量、SVD分解、张量概念
• 概率论与统计：概率分布、条件概率、贝叶斯定理、极大似然估计、正态分布
• 最优化方法：梯度下降法、随机梯度下降、牛顿法、凸优化概念
• 信息论基础：熵、条件熵、互信息、KL散度、交叉熵
• 模型性能度量：准确率/精确率/召回率/F1分数、ROC曲线与AUC、混淆矩阵
• 特征工程入门：特征选择、特征提取、特征缩放、独热编码
• 过拟合防止方法：正则化（L1/L2）、早停、数据增强、Dropout概念
• 开发环境搭建：Python数据科学栈（NumPy/Pandas/Matplotlib）、Jupyter Notebook使用
|
专题二：经典机器学习算法（上）
|
项目
|
内容
|
|
课程名称
|
经典机器学习算法（上）——回归与分类
|
|
培训对象
|
已完成数学预备的AI初学者、数据分析师、算法工程师预备役
|
|
培训目标
|
使学员掌握回归和分类领域的经典算法，能够使用Scikit-learn实现模型训练与预测，并理解算法的数学原理和适用场景。
|
|
课程内容
|
• 线性回归：一元/多元线性回归、最小二乘法、梯度下降求解、模型解释
• 多项式回归：特征扩展、过拟合控制、学习曲线分析
• 正则化回归：岭回归（L2）、Lasso回归（L1）、弹性网络
• 逻辑回归：Sigmoid函数、对数损失、多分类（OvR/Softmax）
• 感知机算法：感知机模型、学习策略、收敛性、线性可分性
• K近邻算法：距离度量、K值选择、KD树原理、优缺点分析
• 朴素贝叶斯：贝叶斯定理、条件独立性假设、高斯/多项式/伯努利模型
• 决策树：信息增益/增益率/基尼系数、ID3/C4.5/CART算法、剪枝策略
• 集成学习基础：Bagging思想、Boosting思想、偏差-方差分解
• 实战项目：房价预测（回归）、鸢尾花分类（分类）
|
专题三：经典机器学习算法（下）
|
项目
|
内容
|
|
课程名称
|
经典机器学习算法（下）——聚类、降维与集成学习
|
|
培训对象
|
已完成专题二的AI学习者、数据挖掘工程师、机器学习工程师
|
|
培训目标
|
使学员掌握无监督学习算法、高级集成学习方法和特征降维技术，能够处理无标签数据和提升模型性能。
|
|
课程内容
|
• K-Means聚类：算法原理、K值选择（肘部法/轮廓系数）、初始化优化（K-Means++）
• 层次聚类：凝聚式/分裂式、距离度量、树状图解读
• DBSCAN聚类：密度概念、核心点/边界点/噪声点、参数选择
• 高斯混合模型：概率聚类、EM算法推导、GMM应用
• 主成分分析（PCA）：方差最大化、特征值分解、降维与重建
• 线性判别分析（LDA）：类间/类内散度、Fisher判别、分类与降维
• t-SNE与UMAP：流形学习、可视化应用、参数调优
• 随机森林：Bagging思想、随机特征选择、OOB误差、特征重要性
• AdaBoost：自适应提升、样本权重更新、弱分类器组合
• 梯度提升树：GBDT原理、负梯度拟合、XGBoost/LightGBM入门
|
专题四：支持向量机与优化算法
|
项目
|
内容
|
|
课程名称
|
支持向量机与优化算法
|
|
培训对象
|
希望深入理解SVM原理的算法工程师、对优化理论感兴趣的研究者
|
|
培训目标
|
使学员深入掌握支持向量机的数学原理、核技巧和优化算法，能够解决线性不可分问题，并理解优化理论在机器学习中的应用。
|
|
课程内容
|
• 线性可分SVM：最大间隔分类器、函数间隔与几何间隔、支持向量
• 对偶问题：拉格朗日乘子法、KKT条件、对偶形式推导
• 软间隔SVM：松弛变量、惩罚参数C、合页损失函数
• 核技巧：核函数定义、Mercer定理、多项式核/高斯核/Sigmoid核
• 非线性SVM：核方法、特征映射、常用核函数选择
• SMO算法：序列最小优化、变量选择、更新公式、算法流程
• SVM回归（SVR）：ε-不敏感损失函数、对偶形式、参数调节
• 优化算法进阶：坐标下降法、次梯度方法、拟牛顿法（BFGS/L-BFGS）
• 凸优化基础：凸集与凸函数、凸优化问题、拉格朗日对偶
• SVM实战：手写数字识别、文本分类、参数调优技巧
|
专题五：深度学习基础与神经网络
|
项目
|
内容
|
|
课程名称
|
深度学习基础与神经网络
|
|
培训对象
|
已完成经典机器学习的学习者、计算机视觉/自然语言处理入门者
|
|
培训目标
|
使学员掌握神经网络的基本原理、反向传播算法和常用网络结构，能够使用深度学习框架搭建简单网络模型。
|
|
课程内容
|
• 神经网络起源：感知机局限、多层感知机（MLP）、通用近似定理
• 激活函数：Sigmoid/Tanh/ReLU/LeakyReLU/ELU、梯度消失/爆炸
• 前向传播与反向传播：计算图、链式法则、梯度推导、矩阵形式
• 损失函数：均方误差（MSE）、交叉熵损失、Hinge损失、自定义损失
• 优化器：SGD、Momentum、AdaGrad、RMSprop、Adam
• 权重初始化：Xavier初始化、He初始化、预训练初始化
• 正则化技术：L1/L2正则化、Dropout、Batch Normalization、Layer Normalization
• 超参数调优：学习率策略、批量大小、网络深度/宽度选择
• 深度学习框架：TensorFlow/PyTorch基础、张量操作、自动求导
• 实战项目：手写数字识别（MNIST）、图像分类基础（CIFAR-10）
|
专题六：卷积神经网络与计算机视觉
|
项目
|
内容
|
|
课程名称
|
卷积神经网络与计算机视觉
|
|
培训对象
|
计算机视觉工程师、图像处理从业者、AI应用开发者
|
|
培训目标
|
使学员掌握卷积神经网络的原理、经典网络架构和计算机视觉核心技术，能够解决图像分类、目标检测等视觉任务。
|
|
课程内容
|
• 卷积神经网络基础：卷积操作、填充与步长、感受野、权值共享
• 池化层：最大池化、平均池化、全局平均池化、池化作用
• 经典网络架构：LeNet-5、AlexNet、VGGNet、GoogLeNet（Inception）
• ResNet：残差学习、恒等映射、ResNet变体（ResNeXt/DenseNet）
• 轻量级网络：MobileNet（深度可分离卷积）、ShuffleNet、EfficientNet
• 目标检测基础：滑动窗口、候选区域、边界框回归、IoU与NMS
• 经典检测网络：R-CNN系列（Fast R-CNN/Faster R-CNN）、SSD、YOLO
• 图像分割：语义分割（FCN/U-Net）、实例分割（Mask R-CNN）
• 人脸识别：FaceNet、ArcFace、人脸检测与对齐
• 生成对抗网络：GAN原理、DCGAN、条件GAN、图像生成应用
|
专题七：序列模型与自然语言处理
|
项目
|
内容
|
|
课程名称
|
序列模型与自然语言处理
|
|
培训对象
|
自然语言处理工程师、文本分析从业者、语音识别开发者
|
|
培训目标
|
使学员掌握处理序列数据的深度学习模型，理解词向量、RNN、LSTM和Transformer等核心技术，能够解决NLP常见任务。
|
|
课程内容
|
• 循环神经网络（RNN）：时间步展开、梯度消失/爆炸、BPTT算法
• LSTM网络：门控机制（输入门/遗忘门/输出门）、细胞状态、LSTM变体
• GRU网络：更新门/重置门、参数量比较、与LSTM对比
• 双向RNN：未来信息利用、BiLSTM、序列标注应用
• 词向量表示：One-hot编码、Word2Vec（CBOW/Skip-gram）、GloVe
• 序列到序列模型：Encoder-Decoder架构、上下文向量、解码策略
• 注意力机制：注意力权重计算、软注意/硬注意、自注意力
• Transformer架构：多头自注意力、位置编码、FFN、LayerNorm
• BERT与预训练模型：掩码语言模型、下一句预测、Fine-tuning
• NLP实战：文本分类、情感分析、命名实体识别、机器翻译入门
|
专题八：工业级算法实战与MLOps
|
项目
|
内容
|
|
课程名称
|
工业级算法实战与MLOps
|
|
培训对象
|
在职算法工程师、AI应用开发者、技术骨干、算法团队负责人
|
|
培训目标
|
使学员掌握工业环境中算法落地的全流程，包括推荐系统、广告算法、风控算法等典型应用，以及模型部署、监控、迭代的MLOps工程能力。
|
|
课程内容
|
• 推荐系统架构：召回-排序-重排全链路、多路召回策略、实时/离线特征
• 召回算法：协同过滤（User-based/Item-based）、矩阵分解（SVD）、双塔模型
• 排序算法：CTR/CVR预估、GBDT+LR、DeepFM、DIN、多任务学习（MMoE）
• 广告算法：点击率预估、转化率预估、实时竞价（RTB）、流量分发策略
• 风控算法：反欺诈检测、异常检测（孤立森林/LOF）、设备指纹、关系网络
• 大规模数据处理：Spark MLlib、Flink ML、分布式训练框架（Horovod）
• 模型部署：模型序列化（ONNX/PMML）、TensorRT优化、模型容器化
• 推理服务：Triton Inference Server、TF Serving、TorchServe、性能优化
• MLOps体系：实验追踪（MLflow）、工作流编排（Kubeflow）、模型版本管理
• 算法监控与迭代：数据漂移检测、模型质量监控、AB测试设计、自动重训
|
八大专题与岗位映射
|
岗位方向
|
必修专题
|
选修专题
|
|
机器学习工程师
|
专题一、二、三、四、五
|
专题八
|
|
计算机视觉工程师
|
专题一、二、五、六
|
专题三、四、八
|
|
NLP工程师
|
专题一、二、五、七
|
专题三、四、八
|
|
推荐/广告算法工程师
|
专题一、二、三、五、八
|
专题四、六、七
|
|
数据科学家
|
专题一、二、三、五
|
专题四、八
|
|
AI平台/MLOps工程师
|
专题一、二、五、八
|
专题三、四
|
八大专题一览表
|
专题
|
课程名称
|
难度
|
先修要求
|
核心价值
|
|
一
|
机器学习基础与数学预备
|
⭐☆☆
|
Python基础
|
打好数学和概念基础
|
|
二
|
经典机器学习算法（上）
|
⭐⭐☆
|
专题一
|
掌握回归与分类算法
|
|
三
|
经典机器学习算法（下）
|
⭐⭐☆
|
专题二
|
掌握聚类/降维/集成学习
|
|
四
|
支持向量机与优化算法
|
⭐⭐⭐
|
专题一
|
深入理解SVM与优化理论
|
|
五
|
深度学习基础与神经网络
|
⭐⭐⭐
|
专题一、二
|
掌握神经网络原理
|
|
六
|
卷积神经网络与计算机视觉
|
⭐⭐⭐⭐
|
专题五
|
掌握CV核心技术
|
|
七
|
序列模型与自然语言处理
|
⭐⭐⭐⭐
|
专题五
|
掌握NLP核心技术
|
|
八
|
工业级算法实战与MLOps
|
⭐⭐⭐⭐⭐
|
全专题基础
|
具备工业落地能力
|
如果您想学习本课程，请
预约报名
如果没找到合适的课程或有特殊培训需求，请
订制培训
除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916
技术服务需求表点击在线申请
服务特点：
海量专家资源，精准匹配相关行业，相关项目专家，针对实际需求，顾问式咨询，互动式授课，案例教学，小班授课，实际项目演示，快捷高效，省时省力省钱。
专家力量：
中国科学院软件研究所，计算研究所高级研究人员
oracle,微软，vmware，MSC,Ansys，candence,Altium,达索等大型公司高级工程师，项目经理，技术支持专家
中科信软培训中心，资深专家或讲师
大多名牌大学，硕士以上学历，相关技术专业，理论素养丰富
多年实际项目经历，大型项目实战案例，热情，乐于技术分享
针对客户实际需求，案例教学，互动式沟通，学有所获
