各有关机构、学员：

科技立则民族立，科技强则国家强。新一轮科技革命与产业变革迅猛发展，科技创新已经成为国际战略博弈的主战场。党的二十大报告中提出，教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力。深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势。而实现这一战略的关键是有足够数量和质量的人才。为加强新时代高技能人才队伍建设，深化产教融合，校企合作，提升相关从业人员的职业技能，拟开展计算机视觉应用人才培养。

一、举办单位

主办单位：中国高等教育培训中心

承办单位：北京华业大教育科技有限公司

二、研修时间

时间：2023年7月15日--7月21日

地点：北京（线下详细报到路线将在第二轮通知中告知）

线 上：直播+回放（毛豆课堂，无需下载任何软件）

三、研修对象

各高等院校/职业院校计算机视觉、计算机科学与技术、软件工程、信息与通信工程、数字图像处理、计算机图形学、人工智能、机器学习、物联网、数字媒体、网络安全、数字媒体艺术、数字媒体技术、交互设计、虚拟现实、增强现实、游戏动画、图形图像处理、视觉传达设计，计算机、软件、信息工程、城市规划等相关专业的学院领导、专业教学带头人、实验室教学技术人员及骨干教师，研究生；企事业单位从事计算机视觉应用技术人员等。

四、研修目的

为我国数字化产业快速发展保驾护航，搭建校企互动交流平台，提升教师专业实践能力，加强新时代高技能人才队伍建设，有效提高各院校计算机视觉相关专业的课程教学质量，使教育教学体系真正与就业接轨，实现人才培养与人才就业无缝对接，助力行业健康发展。

五、培训内容

第一天

Python编程基础

1.1 认识Python

2.1.1 编写第一个Python程序

2.1.2 缩进代码

2.2.1 字符串基本操作

2.2.2 字符串的索引及切片操作

2.2.3 任务实现-字符串与数值处理

2.3.1 Python常用运算符介绍

2.3.2 任务实现-计算圆形的各参数

3.1 认识Python数据结构

3.2.1 创建列表

3.2.2 列表索引及切片操作

3.2.3 为列表添加元素

3.2.4 列表元素的删除及修改操作

3.2.5 列表推导式

3.2.6 任务实现-求解曲边图形面积

3.3.1 创建字典

3.3.2 字典的增删改查操作

3.3.3 任务实现-单词词频统计

4.1.1 考试成绩等级划分-任务描述

4.1.2 条件判断及分支语句

4.1.3 try-except语句

4.1.4 任务实现-考试成绩等级划分

4.2.1 循环语句

4.2.2 任务实现-实现一组数的连加与连乘操作

4.3 冒泡排序法排序

5.1.1 使用def定义函数

5.1.2 任务实现-自定义求列表均值的函数

5.2 使用lambda创建匿名函数

5.3 存储并导入函数模块

6.1 认识面向对象

6.2.1 创建Human类

6.2.2 创建对象

7.1.1 读取文件数据

7.1.2 任务实现-文件数据读取及词频统计

7.2 将数据写入文件

8 模块和第三方库

第二天

Python数据分析与应用

1 Python数据分析概述

1.1 认识数据分析

1.2 熟悉Python数据分析的工具

1.3 安装anaconda与启动Jupyter Notebook

1.4 掌握Jupyter Notebook常用功能

2 NumPy数值计算基础

2.1 掌握NumPy数组对象

2.1.1NumPy简介

2.1.2 数组创建及基础属性

2.1.3 初识数组的特点

2.1.4 创建常用数组

2.1.5 数组数据类型

2.1.6 生成随机数

2.1.7 一维数组的索引

2.1.8 逻辑型索引

2.1.9 多维数组的索引

2.1.10 求解距离矩阵

2.1.11 变化数组shape

2.2 掌握NumPy矩阵与通用函数

2.2.1 NumPy矩阵介绍

2.2.2 NumPy通用函数介绍

2.2.3 通用函数的广播机制

2.3 利用NumPy进行统计分析

2.3.1 NumPy读写二进制文件

2.3.2 NumPy读写txt文件

2.3.3 利用NumPy对数据进行简单统计分析

3 Matplotlib数据可视化基础

3.1 掌握绘图基础语法与常用参数

3.1.1 Matplotlib介绍

3.1.2 基础图形绘制

3.1.3 常用参数设置

3.2 分析特征间关系

3.2.1 绘制散点图

3.2.2 散点图参数设置

3.2.3 绘制折线图

3.3 分析特征内部数据分布与分散情况

3.3.1 绘制柱形图

3.3.2 绘制饼图

3.3.3 绘制箱线图

4 Pandas统计分析基础

4.1 Pandas简介

4.2 读写不同数据源的数据

4.2.1 Pandas读取文本数据

4.2.2 存储数据框

4.2.3 Pandas读取excel文件

4.2.4 将数据框存储为excel文件

4.3 数据框与数据框元素

4.3.1 构建数据框

4.3.2 查看数据框的常用属性

4.3.3 按行列顺序访问数据框中的元素

4.3.4 按行列名称访问数据框中的元素

4.3.5 修改数据框中的元素

4.3.6 删除数据框中的元素

4.3.7 描述分析数据框中的元素

4.4 转换与处理时间序列数据

4.4.1 转换成时间类型数据

4.4.2 时间类型数据的常用操作

4.5 使用分组聚合进行组内计算

4.5.1 groupby分组操作

4.5.2 agg聚合操作

4.6 创建透视表与交叉表

4.6.1 生成透视表

4.6.2 生成交叉表

5 使用Pandas进行数据预处理

5.1 合并数据

5.1.1 表堆叠

5.1.2 主键合并

5.1.3 重叠合并

5.2 清洗数据

5.2.1 检测与处理重复值

5.2.2 检测与处理缺失值

5.2.3 检测与处理异常值

5.3 标准化数据

5.4 转换数据

5.4.1 哑变量处理

5.4.2 离散化连续型数据

第三天

Python机器学习实战

1机器学习绪论

1.1引言

1.2基本术语

1.3假设空间&归纳偏好

2模型评估与选择

2.1经验误差与过拟合

2.2评估方法

2.3性能度量

2.4性能度量Python实现

3回归分析

3.1线性回归基本形式

3.2线性回归模型的Python实现

3.3波士顿房价预测的Python实现

3.4逻辑回归介绍

3.5研究生入学录取预测的Python实现

第四天

4.1单个神经元介绍

4.2经典网络结构介绍

4.3神经网络工作流程演示

4.4如何修正网络参数-梯度下降法

4.5网络工作原理推导

4.6网络搭建准备

4.7样本从输入层到隐层传输的Python实现

4.8网络输出的Python实现

4.9单样本网络训练的Python实现

4.10全样本网络训练的Python实现

4.11网络性能评价

4.12调用sklearn实现神经网络算法

第五天

PyTorch框架基础实践

1 PyTorch简介

2 张量操作

2.1 创建张量

2.2 张量与数组相互转化

3 构建一个线性模型

3.1 任务描述：构建一个线性模型

3.2 读取数据

3.3 构建初始模型及损失函数

3.4 test-构建优化器

3.4 构建优化器

3.5 最小化方差（训练）

3.6 执行多轮训练

3.7 训练过程可视化

4 识别手写数字

4.1 案例目标与流程

4.2 加载数据

4.3 加工数据

4.4 模型结构介绍

4.5 构建模型

4.6 模型配置

4.7 模型训练

4.8 执行多轮训练

4.9 模型性能评估

4.10 保存模型

4.11 加载模型

4.12 模型应用

第六天

PyTorch深度学习原理与实现

1 引言

2 卷积神经网络CNN

2.1 浅层神经网络的局限

2.2 卷积操作

2.3 卷积操作的优势

2.4 池化及全连接

2.5 高维输入及多filter卷积

2.6 实现卷积操作

2.7 将卷积结果可视化

2.8 实现池化操作

第七天

3 循环神经网络RNN

3.1 循环神经网络简介

3.2 循环神经网络的常见结构

4 长短时记忆网络LSTM

4.1 LSTM的三个门

4.2 LSTM三个门的计算示例

4.3 实现LSTM操作

4.4 LSTM返回值解读

5 利用LSTM实现手写数字识别

5.1 加载数据

5.2 数据加工

5.3 搭建循环神经网络

5.4 模型配置

5.5 模型训练

5.6 模型性能验证

第八天

计算机视觉实战

1 概述

2.1 图像基础

2.2 读写图像

3.1 几何变换-图像平移和旋转

3.2 几何变换-最近邻插值

3.3 几何变换-其他插值方法介绍

4.1 灰度处理-线性变换

4.2 灰度处理-非线性变换

4.3 灰度处理-直方图均衡化

4.4 图像二值化

第九天

5.1 图像平滑

5.2 图像锐化-Sobel算子

5.3 图像锐化-其他算法

6 练习

7 图像批处理任务示例

8.1 OpenCV循环读取-批量获取图像路径

8.2 OpenCV循环读取-批量读取图片和标签

8.3 OpenCV循环读取-数据应用示例

9.1 图像文件读取-参数说明

9.2 图像文件读取-读取训练和测试数据

9.3 图像文件读取-查看数据情况

9.4 图像文件读取-数据应用示例

第十天

实战案例：基于 AlexNet

1 背景与目标

2 数据处理

2.1 图像读取及尺寸调整

2.2 图像增强之翻转操作

2.3 图像增强之旋转缩放

2.4 获取所有照片路径

2.5 批量获取照片数据

2.6 将数据处理过程封装成函数

3 模型构建（AlexNet）

3.1 AlexNet介绍

3.2 搭建第一次卷积结构

3.3 完成AlexNet搭建

3.4 模型训练

4 模型性能评估

4.1 模型性能评估及预测

4.2 小结

第十一天

实战案例：基于FaceNet

1 背景与目标

1.1 背景与目标

1.2 目标分析

1.3 开发环境和工程结构介绍

2 人脸检测

2.1 MTCNN人脸检测介绍

2.2 执行人脸检测操作

3 人脸对齐

3.1 执行人脸对齐操作

3.2 人脸检测及对齐代码整理

4 人脸特征提取

4.1 FaceNet溯源-计算机视觉领域的部分大事件

4.2 FaceNet介绍

4.3 执行人脸特征提取操作

5 人脸识别

5.1 获取后台数据库中的人脸数据

5.2 获取后台数据库人脸数据脚本解读

5.3 完成人脸识别操作

5.4 代码整理与结果可视化

6 小结

第十二天

实战案例：基于YOLOX

1 背景与目标

2 目标分析

2.1 目标检测任务的难点与挑战

2.2 目标检测方法发展历程

2.3 经典二阶段&一阶段算法介绍

3 YOLO目标检测

3.1 将目标检测任务转化为回归任务

3.2 YOLOv1中训练样本的标签设计

3.3 YOLOv1网络结构及输出数据解读

3.4 YOLOv1损失函数介绍

3.5 YOLOv1的缺点

3.6 YOLOv3及YOLOX介绍

3.7 目标检测常用数据集与性能评价指标介绍

3.8 项目目标完成步骤介绍

4 数据探索与处理

4.1 配套资源说明

4.2 数据探索

4.3 CopyAndPast数据增强介绍

4.4 CopyAndPast数据增强实现

4.5 汇总照片数据

第十三天

5 数据加工

5.1 数据加工介绍

5.2 数据加工实现

6 环境搭建与模型训练

6.1 创建虚拟开发环境

6.2 启动虚拟环境并为其安装依赖库

6.3 安装YOLOX

6.4 模型训练

7 模型应用

7.1 模型应用

7.2 小结

8 拓展延伸

六、报名及缴费

1.报名材料及要求

报名申请表、身份证号码、两寸近期正面免冠彩色半身证件照电子版( 背景：白色，格式：JPG，大小：14-20K)；学历证明、工作年限证明或相关专业证书（电子版）；参加培训人员需自带笔记本电脑。

2.报名时间：2023年5月22日--6月8日。

3.收费标准：本期研修班线下收费标准为机器学习与大数据分析人才（高级）2480元/人（此外无任何费用）。

本次培训由北京华业大教育科技有限公司收取费用并开具电子发票。

七、结业证书

参训学员按照规定完成研修课时，由中国高等教育培训中心颁发《机器学习与大数据分析》电子版“结业证书”，证书中注明研修课程名称及学时。

八、联系方式

联系人：董老师

电话：15727391920（微信同号）

邮箱：andrew_0001@163.com

地址：北京市海淀区清华科技园

常年开班，获取最新开班时间或课程报名，欢迎您联系董老师