具备什么样的能力，才能在人工智能企业中获得一席之地

2018 年 4 月 27 日 算法与数学之美

教育部最近印发《高等学校人工智能创新行动计划》，要求推进“新工科”建设，形成“人工智能+X”复合专业培养新模式，到2020年建设100个“人工智能+X”复合特色专业、建立50家人工智能学院、研究院或交叉研究中心。据不完全统计，时至今日，中国科学院大学、西安电子科技大学、重庆邮电大学、南京大学、湖南工业大学、长春理工大学、北京航空航天大学宣布建设人工智能学院。

高校人工智能人才输出，远少于求

越来越多的高校紧跟先行者步伐，在人工智能人才培养上争相“布局”。其主要原因在于：人工智能已上升为国家战略，而人工智能时代最缺的就是人才。对这个行业来说，你有多好的人才，才可能有多好的人工智能。所以为了抢占人工智能制高点，高校就必须建立相关学院来保证人才的批量化输出。

我国人工智能的人才缺口超过500万，供求比例仅为1：10。然而，人工智能学院从成立到稳定的人才产出，通常需要5-7年的时间，因此依靠成立人工智能学院解决不了燃眉之急，更多地在于长远布局。

人工智能企业需要什么样的人才

当下，以计算机视觉、语音识别、自然语言处理为核心技术的企业居多，而计算机视觉、语音识别等主流技术是深度学习，这种现状进一步导致深度学习算法工程师供远小于求。由于其稀缺性，导致人才薪酬一路飙升。

根据2018年就业市场的一项调查结果，AI方向的应届硕博毕业生，最高年薪可达50万至70万元。BAT、美团、滴滴、今日头条以及国内人工智能领军企业商汤、旷视科技等巨头都在重金招聘相关的人才。

企业高薪招募的人才，需要具备在某个领域具有较完备的垂直知识体系，面对新问题具备举一反三的能力。而知识体系恰恰是无法通过短时间的培训，就可以搭建起来的，它需要长期的积累和不断的实践探索，一点一点地悟。这也就是人工智能领域研究生可以轻松拿到30万乃至50万年薪的原因。

专注于人工智能在线教育的深蓝学院，联合中科院自动化所博士团队以及知名AI企业算法工程师，成立深度学习教研室，联合推出第4期『深度学习：从理论到实践』在线直播课程。课程偏向基础入门，在详细讲述深度学习理论的同时，通过场景分割、行为识别两大实践任务，熟悉深度学习模型解决实际问题的流程，掌握深度学习训练以及实战中的技巧（本次课程不直接面向就业）。同时，根据学员的实际学习情况以及知识背景，后续给予定制化地自学或者培训建议。

课程特色

1. 在线直播授课，微信群长期实时答疑；

2. 课件、资料和代码，均提前公开；

3. 精心设计课后作业，并批改评分；

4. 评选优秀学员，推荐实习就业。

课程目录

一、深度学习理论（6学时）

1. 前馈神经网络

1.1 概述

1.2 单层神经网络

1.3 多层神经网络

2. 卷积神经网络

2.1 基本概念

2.2 发展历程

2.3 网络特点

2.4 网络设置

2.5 网络训练以及相关应用

二、实践：基于深度网络的场景分割（6学时）

3. 深度学习框架Caffe入门

3.1 Caffe简介

3.2 安装和配置

3.3 优点与局限性分析

3.4 Caffe调试

4. 场景分割介绍及传统方法概述
4.1 场景分割背景介绍
4.2 传统方法介绍
（1）分水岭算法
（2）基于图论的图像分割
（3）马尔科夫随机场与条件随机场
4.3 传统场景分割代码实践
4.4 经典深度场景分类网络介绍及CNN

网络设计潜规则

5. 基于深度网络的场景分割方法概述与实践
5.1 从深度场景分类到场景分割
5.2 主流方法介绍：从FCN到Mask-RCNN
5.3 场景分割网络设计: 从数据层到损失层
5.4 代码实践：从训练到测试
5.5 深度场景分割方法与传统方法对比

三、深度学习常见模型与Keras实践（4学时）

6. 深度残差网络和Highway网络

6.1 Keras简介与安装配置

6.2 传统深度神经网络的局限性

6.3 从Highway到ResNet到DenseNet

6.4 Keras代码实践

（1）Keras实现全连接网络、卷积网络等

基础网络

（2）Keras实现Highway层

（3）Keras实现残差网络

习题：DenseNet来解决图像分类问题实践

7. 自动编码器与GAN

7.1 深度无监督学习知识回顾

7.2 自动编码器及其变种

7.3 从自动编码器到生成对抗网络

7.4 Keras代码实践

（1）Keras实现自动编码器、稀疏自动编码

器等基础算法

（2）Keras实现生成对抗网络

（3）Keras实现条件GAN

习题：去噪自动编码器来解决图像去噪问题实践

四、实践：基于深度网络的行为识别（4学时）

8. 行为识别概述与传统方法实践

8.1 问题描述及研究意义

8.2 发展脉络及主要研究组

8.3 传统行为识别方法

（1）时空特征提取

（2）时空特征编码

（3）动作识别算法

8.4 代码实践：传统行为识别方法

8.5 深度网络行为识别引入及讨论

9. 基于深度网络的方法概述与实践

9.1 深度网络行为识别方法综述

9.2 基于三维时空网络的行为识别方法

9.3 基于双流时空网络的行为识别方法

9.4 数据集介绍及参数分析

9.5 代码实践：深度网络主流算法

9.6 主流方法与传统方法的对比

讲师介绍

宫博：资深算法工程师，中国科学院自动化研究所博士，在计算机视觉与人工智能领域具有近六年的研究经历。攻读博士学位期间主要研究方向是模式识别与图像处理，团队成员在领域顶级会议期刊 ICCV、TNNLS、TIP等发表论文20多篇，参加全国视频图像分析技术挑战赛，获得目标检测识别第二名，熟练掌握并应用深度学习Keras框架和Caffe框架。目前主要负责计算机视觉与人工智能方面的算法研发工作。

奖学金计划