全球掀起人工智能熱潮
在 6 月 29 日舉辦的 2017 世界智能大會上，科技部部長萬鋼透露，我國新一代人工智能發展規劃已完成。而在這些年，國內 BAT 三巨頭，早已爭相佈局人工智能：百度 CEO 李彥宏 2013 年就提出要大力發展人工智能；騰訊 2016 年成立了人工智能實驗室（AI LAB），聘請人工智能領域頂尖科學家張潼擔任主任；阿里巴巴今年推出了“NASA”計劃，建立新技術戰略。
國外的巨頭們，Google 明確表示，自己是一家“AI First”公司；Facebook 已將 AI 技術融入其產品中；Apple 近幾年已收購數十家人工智能公司。
2016 年全球範圍 550 家人工智能初創企業共獲得 50 億美元投資。
國內 AI 人才急缺
這一輪風口下，一線科技公司都在紛紛斥巨資搶奪 AI 人才。在美國，僅 2017 年，計劃新增的薪資投入就達到 6.5 億美金。在國內，AI 人才畢業 1-3 年平均月薪高達 25K+，主流年薪在 30-60 萬元，但依舊面臨人才難求的局面，AI 人才缺口巨大。
而隨著火熱的市場需求，也有越來越多的小夥伴對 AI 產生了興趣，甚至想轉行 / 求職 AI 相關職位，但是，卻不知道該從何入手。其實，只要選對了老師和學習方法，機器學習是人人都能上手學的。而效率最高的學習方式，莫過於讓實戰經驗豐富的老師帶你在實戰中學習。出於這個理念，StuQ 推出《3 個月成為 AI 實戰工程師 —— 深度神經網絡實戰》，讓你學完就能把深度學習真正應用到工程實踐中，尤其是高性能實時處理中。
你將學到
模塊一：深度學習的方法
一、基礎篇（8 小時）
1、 機器學習基礎
a) 機器學習簡介
b) 機器學習的主要任務
c) 基本算法介紹
2、 常用軟件集合和環境配置
a) 為什麼選擇用 Python
b) Python
c) NumPy
d) scikit-learn
3、 數據分組和關聯分析算法
a) 通過 Python 實現 K-means 算法
b) 通過 Python 實現 Apriori 算法
c) 通過 Python 實現 FP-growth 算法
4、 分類器
a) 決策樹（包含實戰優化方法）
b) K- 鄰近算法（KNN）
c) Logistic 迴歸
d) 支持向量機（SVM）
e) 貝葉斯網絡
i. 樸素貝葉斯算法
ii. 貝葉斯網絡
二、神經網絡篇（3 小時）
1、 神經網絡
a) 神經網絡簡介
b) 正向傳播算法
c) 矢量化編程
d) 神經網絡向量化（有實際寫代碼部分內容）
2、 稀疏自編碼器
a) 稀疏自編碼器簡介
b) 反向傳播算法
c) 自編碼算法與稀疏性
d) 訓練結果可視化
e) 實踐
3、 數據預處理
a) 主成分分析（PCA）
b) 白化
c) 實踐
4、 Softmax 迴歸
a) Softmax 迴歸
b) 實踐
5、 自我學習
三、深度學習篇（3 小時）
1、 深度網絡簡介
a) 簡介
b) 深度網絡優勢
c) 訓練的困難
d) 逐層貪婪訓練方法
2、 自編碼算法（AE）
a) 棧式自編碼算法
b) 微調多層自編碼算法
3、 大型圖片處理
a) 線性解碼器
b) 全聯通與部分聯通網絡
c) 卷積（Convolution）
d) 池化（Pooling）
e) 卷積神經網絡（CNN）
四、C++ 編程篇（6 小時）
1、 C++11 與 C++14
a) 基於 Socket 的通信
b) C++ 中的內存與資源管理
c) 編碼
d) C++ 98 的編碼缺陷
e) C++ 14 編碼支持（包含實戰）
f) 進程間通信
2、 高性能 C++ 服務器編程 基礎 - 高效的內存管理和數據調度
a) 輕量級分身——線程
b) C++14 線程
c) 競爭問題與解決方案
d) 多線程優化
e) 異步 I/O
f) 內存分配與內存碎片
g) tcmalloc
h) 內存池
3、 高性能 C++ 服務器編程 進階 - 如何充分利用 CPU 和 GPU
a) OpenMP
b) OpenBLAS
c) OpenCL
d) CUDA
模塊二：深度學習的編程實戰模塊
五、編程實戰篇（20 小時）
1、 雲端服務器架構設計
2、 通信系統設計
3、 通過 Caffe 實現深度神經網絡
a) 為什麼是 Caffe
b) 準備 Caffe 依賴
c) 編譯 Caffe（Linux 和 macOS）
d) 使用 Caffe 訓練手寫數字識別
e) 使用 Caffe 訓練 AutoEncoder
f) 調用 Caffe 使用訓練後的模型
4、 通過 Hurricane 實時處理系統實現分佈式網絡拓撲
a) 實現 Spout：獲取數據
b) 實現 Bolt：預處理
c) 實現 Bolt：調用 Caffe
5、 實戰：基於循環神經網絡的圖片全分辨率壓縮
a) 再看 AutoEncoder
b) 利用 AutoEncoder 實現圖像壓縮
c) RNN（循環神經網絡）介紹
d) 利用 RNN 優化圖像壓縮
e) 實踐：編寫收集訓練數據的高性能分佈式爬蟲
f) 實踐：整理訓練數據集
g) 實踐：在 Caffe 中實現 RNN
h) 實踐：訓練與測試
i) 實踐：壓縮接口設計與封裝
j) 實踐：Web 服務器搭建
k) 實踐：計算服務搭建
l) 實踐：完成深度學習服務
6、 基於 macOS 開發的雲服務客戶端
現在報名，還能直減 1000 元～
小編特地要來 10 個 200元 本課程優惠碼【INFOQ72】，先搶先得！點 「 閱讀原文 」立即使用。
添加海報二維碼，送價值 2000 元學習資料~