第一階段：Python基礎程式設計

預計：15天 技術點：97項

掌握的核心能力

1.掌握Python開發環境基本配置；2.掌握運算子、表示式、流程控制語句、陣列等的使用；3.掌握字串的基本操作；4.初步建立物件導向的程式設計思維；5.熟悉異常捕獲的基本流程及使用方式；6.掌握類和物件的基本使用方式；7.掌握學生管理系統編寫

可解決的現實問題

• 能夠熟練使用Python技術完成針對小問題的程式編寫

主要內容

第二階段：Python高階和系統程式設計

預計：15天 技術點：123項

掌握的核心能力

1.熟練使用Linux作業系統及相關命令；2.掌握網路程式設計技術，能夠實現網路通訊；3.掌握開發中的多工程式設計實現方式；4.瞭解網路通訊協議及相關原理；5.熟練使用Mysql完成資料的增刪改查，並能與Python進行互動；6.掌握Python中的高階語法及正規表示式；7.瞭解前端開發流程及基礎程式設計技巧；8.掌握Web伺服器的工作流程；9.掌握資料結構和演算法思想，具備程式設計解決問題的能力

可解決的現實問題

•能夠使用Python編寫指令碼程式解決基礎應用問題 • 能利用資料結構和演算法思想去解決實際問題 • 能夠基於Linux作業系統理解與開發多工的網路程式 • 能夠使用python和mysql資料庫進行互動

主要內容

第三階段：機器學習

預計：24天 技術點：143項

掌握的核心能力

1.掌握資料科學庫的使用；2.掌握資料基本處理的方法；3.掌握機器學習中處理資料的方法|4.理解機器學習基礎演算法原理；5.理解機器學習進階演算法原理；6.掌握整合學習演算法原理；7.對實際工作中收集到資料進行資料視覺化、基本分析，提取有價值資訊；8.把實際工作、生活中遇到的問題轉換為可以用機器學習解決的模型；9.實現針對不同問題，選擇不同演算法模型，同時在該模型的基礎上，對該演算法進行調優

可解決的現實問題

• 對實際工作中收集到資料進行資料視覺化、基本分析，提取有價值資訊 • 把實際工作、生活中遇到的問題轉換為可以用機器學習解決的模型 • 實現針對不同問題，選擇不同演算法模型，同時在該模型的基礎上，對該演算法進行調優

主要內容

第四階段：深度學習與影像與視覺處理（CV）

預計：22天 技術點：153項

掌握的核心能力

1.熟悉深度學習主要及前沿網路模型的架構原理及在實際業務場景中的應用；2.掌握深度學習在計算機視覺中的應用，包括但不限於分割檢測識別等等；3.掌握實際工作中深度學習的具體流程，資料及標註處理，建模訓練，及模型部署應用等；4.實現物體（人體，人臉，通用目標）檢測，跟蹤與識別，道路交通及工業環境險情發現等多領域的深度學習解決方案；5.能夠對影像處理、人臉演算法，或者對於各種深度學習框架實現的演算法進行調優；6.可勝任深度學習演算法工程師，影像與計算機視覺演算法工程師等，並持續最佳化與迭代演算法

可解決的現實問題

• 可實現物體（人體，人臉，通用目標）檢測，跟蹤與識別，道路交通及工業環境險情發現等多領域的深度學習解決方案 • 能夠對影像處理、人臉演算法等使用深度學習框架實現的演算法進行調優 • 可勝任深度學習演算法工程師，影像與計算機視覺演算法工程師等，並持續最佳化和迭代演算法

主要內容

第五階段：深度學習與自然語言處理（NLP）

預計：22天 技術點：138項

掌握的核心能力

1.pytorch工具處理神經網路涉及的關鍵點；2.掌握NLP領域前沿的技術解決方案；3.掌握NLP相關知識的原理和實現；4.掌握傳統序列模型的基本原理和使用；5.掌握非序列模型解決文字問題的原理和方案；6.能夠使用pytorch搭建神經網路；7.構建基本的語言翻譯系統模型；8.構建基本的文字生成系統模型；9.構建基本的文字分類器模型；10.使用ID-CNN+CRF進行命名實體識別；11.使用fasttext進行快速的文字分類；12.勝任多數企業的NLP工程師的職位

可解決的現實問題

• 能夠使用pytorch搭建神經網路 • 構建基本的語言翻譯系統模型 • 構建基本的文字生成系統模型 • 構建基本的文字分類器模型 • 使用ID-CNN+CRF進行命名實體識別 • 使用fasttext進行快速的文字分類 • 勝任多數企業的NLP工程師的職位

主要內容

人工專案

掌握以上五個階段內容，可嘗試專案實戰課程，推薦可瞭解《智慧交通CV專案》《實時人臉識別CV專案》等，真實專案線上體驗可搜尋黑馬程式設計師到官網看看

透過專案可掌握的核心能力

掌握大規模語料下AI模型快速進行文字分類的全流程 • 掌握多模型並行訓練與多模型部署預測的全流程 • 掌握垂直領域AI對話系統的基本工程實現 • 掌握使用遷移學習方法進行句子稽核及其句子主題相關問題的實現 • 掌握複雜場景下AI模型實時進行目標檢測並跟蹤的全流程 • 掌握利用AI模型進行人臉定位，檢測，識別，匹配的工程實現方法 • 掌握多模型級聯實現場景識別並進行模型部署的全流程

可解決的現實問題

•透過專案對機器學習、NLP、CV領域知識點綜合應用 •透過專案綜合提升AI演算法業務流搭建能力 •透過專案綜合提升AI演算法實用性、先進性、可擴充性經驗提升

第六階段：演算法進階和麵試強化

預計：10天 技術點：89項

掌握的核心能力

1.理解演算法和模型的分散式實現及加速原理；2.深入理解常用演算法，模式識別，機率統計、最最佳化等演算法原理及應用；3.基於3D點雲資料，進行配準、分割和特徵識別等演算法開發,建立3D點雲圖處理的演算法模型；4.跟進行業最新深度學習演算法相關先進技術，研究並應用的學習演算法，持續提升模型的精準性和魯棒性；5.深入理解演算法和模型調優方式及優缺點；6.綜合運用經典SLAM技術，多視角幾何基礎理論以及三維重建方法進行業務實踐

可解決的現實問題

• 跟進行業最新深度學習演算法相關先進技術，研究並應用的學習演算法，持續提升模型的精準性和魯棒性 • 深入理解演算法和模型調優方式及優缺點 • 綜合運用經典SLAM技術，多視角幾何基礎理論以及三維重建方法進行業務實踐

主要內容