尚學堂 老師好!

上海:15201841284

廣州:020-2989 6995

深圳:0755-23061965

武漢:027-8798 9193

模式識別和項目實戰,應對企業各種場景

普通機構只有幾種,尚學堂課程全面覆蓋

人工智能就業崗位?

有圖有真相

尚學堂學員就業情況大曝光

就業明星:王** 月薪:50000 年薪:60萬

2019年平均月薪32550元,其中350名同學月薪35000元以上
這,只是他們的起步薪水!

就業薪資

一個讓你輕松躍遷至年薪50—60萬,甚至年薪百萬的行業!

  • 0%
    0-20k

  • 10.12%
    20k-25k

  • 45.16%
    25k-30k

  • 35.48%
    30k-35k

  • 9.24%
    35k以上

學習AI的痛點?我們幫你解決!

  • 一碰到數學就頭疼
    一深入就看不懂,學不透

    算法的學習,要學透一定會涉及到公式推導,我們課程線下會把機器學習三十大算法一一推導,讓學生具備自行推導的算法的能力

  • 學習過程中
    有問題無人當面解答

    課程授課老師為全日制,并有豐富線下代課經驗老師,可以很深入淺出的講解,當面回答學生問題,除了周末上課時間,平日也可以給同學進行面試以及工作中遇到問題的輔導

  • 代碼能力弱
    缺乏實戰項目經驗

    機器學習每個算法都會配有案例,讓學生可以學以致用,不僅機器學習,包括深度學習,都有豐富的企業級實戰項目,項目來自聯想、華為、百度等知名企業。

  • 面試
    拿不到高薪

    面試拿不到高薪,主要原因還是算法學習的不夠深入,或者項目不會舉一反三,課程中三十大機器學習算法都會深入剖析,公式推導,從是什么,到為什么,怎么用,怎么用好,幾個角度給學生講透。對于項目也會深入細致的講解,讓學生不僅了解項目,可以對學過的項目舉一反三。

你的課程學習Tips

  • 人群
    特點
    學習Tips
  • 在校大學生

    數學好,編程基礎略差的

    除了透徹理解好機器學習階段,深度學習階段課程外,平日python基礎也可以適當注重下,上課老師講解的python代碼項目一定要敲幾遍。有余力的話,課程內的大數據spark階段也可以掌握好,作為加分項。

  • 產品經理

    數學弱,編程也弱,但從事互聯網行業的

    需要花費比其他同學更多的努力,不管是在代碼練習上,還是算法理解,證明推導上,建議首先不必事無巨細,而是更宏觀一點的掌握住重點的機器學習,深度學習原理,然后慢慢在練習代碼過程中提高編程能力以及加深算法的理解。成為一個具備算法工程師水平的人工智能產品經理,這也是企業中急需的人才!

  • 有工作經驗的開發人員

    有一定編程基礎,數學弱

    因為有一定的編程經驗,那python代碼理解起來不是難事,更要把重點放在機器學習算法理解,推導上,深度學習的內容以及項目上,python代碼和大數據spark學習起來不用花太多經歷,但是項目代碼還是需要敲的。

  • 在職BI,大數據分析工程師

    有一定數據處理數據分析能力的

    因為有一定的代碼能力,重點應放在機器學習算法推導和理解上,以及深度學習的學習和項目上。平時更多注意把學到的知識應用到工作的業務場景中,時刻在腦海中有舉一反三和學以致用的思想。這樣未來找工作也將會輕松一些。

適合你的AI免費學習福利

  • 01

    機器學習本質已有72174人下載

    免費索取
  • 02

    環境安裝配置已有34683人下載

    免費索取
  • 03

    優化算法梯度下降法深入剖析已有35861人下載

    免費索取
  • 04

    代碼實戰機器學習案例已有21060人下載

    免費索取
  • 05

    模型評估代碼實戰已有28795人下載

    免費索取
  • 06

    深度學習已有16633人下載

    免費索取

好的老師,必然帶出優秀的你!

陳老師

清華大學、比利時魯汶大學 海歸博士

世界五百強Barco人工智能高級算法研發

國內知名互聯網公司高級算法研究員

專注于圖像質量評價(IQA)算法研究

尚學堂人工智能學院院長

孔老師

現任知名企業AI團隊負責人

擅長人工智能方向有智能商分與知識圖譜

豐富的數據挖掘和NLP項目經驗

尚學堂人工智能技術總監

尚學堂AI課程十大優勢

100% AI課程

入學至少會一門編程語言或有互聯網工作經驗

就業目標明確AI工程師

17年已開線下班

全日制金牌講師

線下班面授,課堂互動

及時答疑,當面解惑

企業級實戰AI項目,課程不斷升級,和大企業深入合作引入項目

算法原理、數學推導細致徹底學透

就業輔導、老學員交流經驗高薪就業

90%python全棧+少量10%AI

無編程基礎或無互聯網工作經驗

就業目標包含爬蟲、網站開發等

18年才計劃招生

業余時間兼職講師

線上授課,難以了解學生想法

無法找到老師解答

把小案例當項目充數

算法推導囫圇吞棗,只聽了皮毛

就業全靠自己

十個企業級項目
  • 電纜缺陷檢測
  • 電子元件缺陷檢測
  • 安全帽檢測
  • 人臉識別
  • OCR識別
  • 實體關系抽取
  • 自動聊天機器人
  • 知識圖譜
  • 推薦系統
  • 智能商業分析
  • 電纜缺陷檢測

    項目簡介

    各省市電網,需要建立一套完善的電纜線部件缺陷檢測的平臺,為各省市的電纜線部件缺陷提供智能化的解決方案,進一步確保電網系統的安全運行?,F在有些省市的電網缺陷部件的檢測仍采用人工查缺的方式,智能化的缺陷檢測平臺可以提高電纜線部件缺陷檢測的準確率,節省成本。

    課程目標

    重點依托cascade R-CNN算法,以及mmdetection工具,完成整套從數據標注到模型訓練、優化。

    課程收益

    √ 對目標檢測算法有一個很好的了解,重點掌握cascade R-CNN算法
    √ 能夠對mmdetection工具有一個很好的了解
    √ 對數據打標簽、數據集制作、算法模型訓練有一個很好的掌握
    √ 對mmdetection代碼有一定了解,學會如何改進和優化算法
  • 電子元件缺陷檢測

    項目簡介

    在機器視覺應用中,外觀檢測一直是行業痛點。外觀缺陷中的劃痕、臟污、形態不一、大小不同、深淺和各種姿態都不同,很難用傳統的視覺檢測算法穩定檢測。但是隨著深度學習技術的發展,采用深度學習模式的外觀檢測程式,成為了外觀檢測的新方法。

    課程目標

    重點依托Faster R-CNN算法,以及TensorFlow工具,完成整套從數據標注到模型訓練、優化。

    課程收益

    √ 對目標檢測算法有一個很好的了解,重點掌握Faster R-CNN算法
    √ 對數據打標簽、數據集制作、算法模型訓練有一個很好的掌握
    √ 對Faster R CNN代碼有深刻認知,學會如何改進和優化算法
  • 安全帽檢測

    項目簡介

    施工工地對安全帽佩戴的檢測和監管力度越來越大了,從智能安全帽的應用到安全帽檢測系統的智能管理,現在的安全帽檢測升級版對于安全帽佩戴標準也有了新的分析算法,對未正確佩戴、懸掛等都能準確檢測識別。對工作服顏色接近安全帽顏色的檢測能力有了更高的提升,比傳統的安全帽識別系統精度更高。

    課程目標

    重點依托Yolo one stage算法,以及Darknet工具,完成整套從數據標注到模型訓練、優化。

    課程收益

    √ 對目標檢測算法有一個很好的了解,重點掌握Yolo V3算法
    √ 對數據打標簽、數據集制作、算法模型訓練有一個很好的掌握
    √ 對Yolo V3代碼有深刻認知,學會如何改進和優化算法
  • 人臉識別

    項目簡介

    人臉識別,是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流,并自動在圖像中檢測和跟蹤人臉,進而對檢測到的人臉進行臉部識別的一系列相關技術,通常也叫做人像識別、面部識別。

    課程目標

    通過一個完整的人臉識別項目,掌握人臉識別系統的開發流程和關鍵技術。

    課程收益

    √ 從0到1,全面剖析完整項目整個建設生命周期:需求分析、架構設計、環境部署、程序設計、模型訓練。
    √ 掌握人臉識別一般過程,人臉檢測、人臉對齊、人臉識別
    √ 掌握人臉檢測的集成學習方法
    √ 掌握人臉檢測的CNN方法
    √ 掌握人臉檢測+關鍵點定位的多任務網絡MTCNN
  • OCR識別

    項目簡介

    OCR文字識別軟件,指利用OCR (Optical Character Recognition,光學字符識別)技術,將圖片、照片上的文字內容,直接轉換為可編輯文本的軟件。軟件可以把圖片轉換成可以編輯的文字。從驗證碼、身份證識別、駕駛證識別、票據識別,到如今更多的識別自然場景下的整句話,甚至理解PDF里面帶錯別字的整段文字,應用場景可謂非常之廣。

    課程目標

    掌握目標檢測+RNN+CTC loss完成通用的深度學習OCR架構。

    課程收益

    √ 了解OCR應用場景和概念
    √ 掌握目標檢測+RNN+CTC loss架構
    √ 掌握CTC loss中的原理
    √ 掌握深度學習訓練OCR模型的整體流程和代碼
  • 實體關系抽取

    項目簡介

    實體關系抽取解決了原始文本中目標實體之間的關系分類問題,它也被廣泛應用于文本摘要、自動問答系統、知識圖譜、搜索引擎和機器翻譯中。中文實體關系抽取由于中文句式和語法結構復雜,漢語有更多歧義,會影響關系分類的效果。

    課程目標

    對實體關系抽取技術、在行業應用有很清晰的認識。學會如果從語料庫中通過機器學習和深度學習算法建立關系,服務于自動聊天機器人和知識圖譜。

    課程收益

    √ 了解任務是從無結構的文本中抽取實體以及實體之間的關系(實體1-關系-實體2,三元組),這里的關系是我們預定義好的關系類型。
    √ 可以學到綜合運用詞嵌入、BiLSTM、CRF等NLP相關知識
  • 自動聊天機器人

    項目簡介

    聊天機器人(Chatbot),又被稱為對話代理(Conversational Agents)或對話系統(Dialog Systems),是當前的一個研究熱點。Microsoft在聊天機器人領域下了巨大賭注,其他的公司,例如Facebook(M)、Apple(Siri)、Google、WeChat和Slack也不甘落后,推出了相關的產品。這股聊天機器人的新浪潮,也在一些創業公司興起了:試圖改變用戶和服務之間的交互模式的產品。

    課程目標

    我們將會介紹用于搭建聊天機器人模型的深度學習技術,讓同學對于“這個領域中,什么是能做到的,什么是現階段幾乎不可能實現的”有一個清晰的認知。并且學習搭建檢索式聊天機器人和產生式聊天機器人。

    課程收益

    √ 對智能問答技術會有很清晰的認識
    √ 理解意圖識別、實體關系抽取對Chatbot的作用
    √ 可以學到一個聊天機器人項目實現
    √ 了解聊天機器人現階段面臨的挑戰
  • 知識圖譜

    項目簡介

    知識圖譜的應用從最初的Google搜索,已經蔓延到了聊天機器人,大數據風控、投資、智能醫療、自適應教育、推薦系統、物聯網等多個重要領域,并逐步成為不可缺少的一門人工智能技術。

    課程目標

    對知識圖譜技術、行業應用有很清晰的認識。學到完整知識圖譜項目全生命周期所涉關鍵問題的解決思路。

    課程收益

    √ 對知識圖譜技術、行業應用全貌會有很清晰的認識
    √ 可以學到一個完整知識圖譜項目全生命周期所涉及到的步驟
    √ 對每個關鍵問題的解決思路
  • 推薦系統

    項目簡介

    推薦系統在各種系統中廣泛使用,推薦算法則是其中最核心的技術點, 為推薦系統選擇正確的推薦算法是非常重要的決定。每一種推薦算法都有其優點和缺點,當然也有其限制條件,在作出決定之前,必須要一一考量。在實踐中,你可能會測試幾種算法,以發現哪一種最適合你的用戶,學習中你也會直觀地發現它們是什么以及它們的工作原理。

    課程目標

    掌握推薦系統原理與工作方式,使用SparkMLlib庫進行建模。并且掌握更多推薦系統相關算法的運用。

    課程收益

    √ 對推薦系統技術架構、行業應用全貌會有很透徹的理解
    √ 掌握SparkMLlib、Hive數倉、python腳本的綜合使用
    √ 掌握GBDT+LR架構在推薦系統的運用
    √ 掌握FM和FFM算法在推薦系統中的運用
    √ 掌握深度學習推薦算法wide and deep learning
  • 智能商業分析

    項目簡介

    智能商業分析項目對于企業的盈利會起到非常直接的影響,會深入影響企業制定戰略策略,也是很多企業非??粗氐挠残枨?。成功案例比如,微博粉絲推廣,寵物類目如何圈定投放人群,如何保持有效客戶池,店鋪營銷,如何招攬客圈人,挖掘潛在人群,DMP幫我找到買面膜,ROI(投資回報率)翻倍,企業成本控制。

    課程目標

    全面了解智能商業的價值,了解運營的價值,挖掘深層次用戶行為、消費能力、行業所需,結合機器學習算法和NLP知識進行數據挖掘

    課程收益

    √ 掌握智能商業分析和運營的關系
    √ 通過機器學習算法、分類、預測、深層次學習特征發現
    √ 深入理解企業級用戶畫像系統
    √ 基于畫像系統提高公司的收益
    √ 學會銷售分析、投入分析、商品分析、促銷分析、行為分析、CAC模型精準分析用戶、ROI精準實現變現能力
課程十六大階段概述
階段 階段名稱 實戰項目 收益
第一階段 python基礎與科學計算模塊
√ 泰坦尼克號數據分析案例
√ 可視化剖析邏輯回歸損失函數案例
算法先行,技術隨后。學習人工智能領域基礎知識熟練掌握,打好堅實的內功基礎。
第二階段 AI數學知識
√ 梯度下降和牛頓法推導
√ SVD奇異值分解應用
第三階段 線性回歸算法
√ 代碼實現梯度下降求解多元線性回歸
√ 保險花銷預測案例
第四階段 線性分類算法
√ 分類鳶尾花數據集
√ 音樂曲風分類
√ SVM人臉識別案例
√ SVM算法代碼實現
第五階段 無監督學習算法
√ 微博用戶聚類分析
√ PCA提取人臉圖片特征臉
√ 圖片前景背景分離
√ 根據聲音判別性別
√ 根據聲音判別用戶
悟其精髓,實踐真理。大量機器學習實戰,實踐完成可勝任機器學習工程師崗位。
第六階段 決策樹系列算法
√ 通過graphvis繪制決策樹模型
√ 用戶畫像集成學習方法案例
√ Adaboost算法做人臉識別
√ GBDT+LR架構實現
第七階段 Kaggle實戰
√ CTR廣告預估項目
√ 網頁分類案例
√ 藥店銷量預測案例
√ 活動推薦預測案例
√ 銀行貸款風控案例
悟其精髓,實踐真理。大量機器學習實戰,實踐完成可勝任機器學習工程師崗位。
第八階段 海量數據挖掘工具
√ 代碼實戰WordCount計算和排序
√ 代碼實戰蒙特卡洛計算圓周率Pi
第九階段 概率圖模型算法
√ 代碼實戰垃圾郵件分類
第十階段 深度學習原理到進階實戰
√ 水泥強度預測案例及繪制神經網絡拓撲
√ Python實現神經網絡實戰案例
√ MNIST手寫數字識別項目案例
√ California房價預測案例
進軍深度,提高內功。通過之前鋪墊,進入深度學習,體悟深度黑盒子。
第十一階段 圖像識別原理到進階實戰
√ Cifar10圖像識別案例
√ 皮膚癌醫療圖像項目
√ 圖像風格遷移項目
√ 車牌識別案例
√ 通用物體檢測項目
圖像識別,妙趣橫生。圖像識別項目,讓您體會智能的的人腦工作流程。助您登上圖像算法工程師崗位。
第十三階段 圖像識別項目
√ 電纜缺陷檢測
√ 電子元件缺陷檢測
√ 安全帽檢測
√ 人臉識別
第十二階段 自然語言處理原理到進階實戰
√ TF代碼實現Word2Vec算法項目
√ 深度學習用戶畫像項目
√ 電影評論情感分析案例
√ 機器寫唐詩案例
√ 產生式自動聊天機器人
√ POS詞性標注案例
√ NER命名實體識別案例
√ 語義相似度分析案例
√ Bert as service開源項目
奧秘語言,智能客服。自然語言處理,企業數據集核心痛點,實體識別、語言識別、相似度計算完成企業90%的文本需求。助力您榮登NLP工程師寶座。
第十四階段 自然語言處理項目
√ OCR識別
√ 實體關系抽取
√ 自動聊天機器人
√ 知識圖譜
第十五階段 數據挖掘項目
√ 推薦系統
√ 智能商業分析
出師在即,豪禮相送。雙熱門項目祝您開啟精彩人生道路,制定適合你的職業道路。
第十六階段 面試和成功求職的秘籍
預科階段:快速實戰入門
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,人工智能的應用,人工智能的工作流程、基本概念,人工智能的任務和本質,KNN最近鄰算法。

◆ 達成目標:

通過本階段學習,快速理解人工智能能做什么,要做什么,并掌握KNN算法以及算法的代碼實現。

人工智能概念與本質
1) 人工智能應用
2) 人工智能流程與本質
3) 人工智能流程對比人類思考過程
4) 機器學習與深度學習本質區別
5) 回歸與分類任務本質
6) 聚類與降維任務本質
KNN算法
1) KNN原理
2) Anaconda運行環境安裝
3) Pycharm開發環境配置安裝
4) KNN的python代碼實現
5) Scikit-learn模塊講解
6) KNN的sklearn代碼實戰
第一階段:python基礎與科學計算模塊
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,python基礎語法,Numpy科學計算模塊,Pandas數據分析模塊,Matplotlib和Seaborn數據可視化模塊。

◆ 達成目標:

通過本階段學習,讓學生快速掌握python語言的特性和語法,并著重對算法這塊所涉及的Numpy科學計算模塊和Pandas數據分析模塊進行講解。

◆ 實戰教學項目:

√ 泰坦尼克號數據分析案例
√ 可視化剖析邏輯回歸損失函數案例

Python基礎語法
1) 循環控制
2) 切片操作
3) 數據類型
4) 集合操作
5) 常用內建函數
6) 函數式編程
7) 類與對象
8) 繼承
9) 裝飾器
10) 生成器
科學計算模塊Numpy
1) Numpy ndarray對象
2) Numpy 數據類型
3) Numpy 數組屬性
4) Numpy 創建數組
5) Numpy 切片和索引
6) Numpy 高級索引
7) Numpy 廣播
8) Numpy 數組操作
9) Numpy 數學和統計函數
10) Numpy 排序、條件過濾函數
11) Numpy 線性代數
數據處理分析模塊Pandas
1) Pandas IO文件操作
2) Pandas 索引和數據選擇器
3) Pandas 合并、連接
4) Pandas 缺失值數據處理
5) Pandas 數據離散化
6) Pandas 統計計算
數據可視化模塊
1) Matplotlib 散點圖、線圖、核密度圖
2) Matplotlib 餅圖、直方圖、盒圖
3) Matplotlib 等高線圖
4) Matplotlib 可視化剖析邏輯回歸損失函數
5) Seaborn 單變量、多變量的圖形繪制
6) Seaborn Style和Color
7) Seaborn facetgrid
第二階段:AI數學知識
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,微積分基礎,線性代數基礎,多元函數微分學,線性代數高級,概率論,最優化。

◆ 達成目標:

通過本階段學習,掌握后面機器學習算法、深度學習算法涉及的數學知識,使得后面在理解算法推導的過程中游刃有余。如果學員大學數學知識還未忘記或者研究生畢業,這一部分可以先跳過學習后面的知識。

微積分基礎
1) 導數的定義
2) 左導數、右導數、可導函數
3) 導數幾何意義、物理意義
4) 基本函數求導公式
5) 四則運算法則
6) 復合函數求導法則
7) 神經網絡激活函數的導函數求解
8) 高階導數
9) 導數與函數單調性
10) 極值定理
11) 導數與函數凹凸性
12) 一元函數泰勒展開
線性代數基礎
1) 向量與其運算
2) 行向量和列向量
3) 向量加減、數乘、內積、轉置
4) 向量范數
5) 特殊向量
6) 矩陣與其運算
7) 方陣、對稱陣、單位陣、對角陣
8) 矩陣加減、數乘、矩陣乘法、轉置
9) 逆矩陣
10) 行列式
多元函數微分學
1) 偏導數
2) 高階偏導數
3) 梯度
4) 雅可比矩陣
5) Hessian矩陣
6) 極值判別法則
線性代數高級
1) 二次型
2) 特征值和特征向量
3) 特征值分解
4) 多元函數的泰勒展開
5) 矩陣和向量的求導公式
6) 奇異值分解
7) 奇異值分解計算方式
8) 奇異值分解性質
9) SVD用于數據壓縮
10) SVD用于PCA降維
11) SVD用于協同過濾
12) SVD用于矩陣求逆
概率論
1) 隨機事件和隨機事件概率
2) 條件概率和貝葉斯公式
3) 隨機事件的獨立性
4) 隨機變量
5) 數學期望和方差
6) 常用隨機變量服從的分布
7) 隨機向量
8) 隨機變量獨立性
9) 協方差與協方差矩陣
10) 隨機向量的常見分布
11) 最大似然估計
最優化
1) 局部最小和全局最小
2) 迭代法求解
3) 梯度下降法推導
4) 牛頓法推導
5) 坐標下降法
6) 數值優化算法的問題
7) 凸集
8) 凸函數
9) 凸優化問題
10) 拉格朗日乘數法
11) 拉格朗日對偶
12) KKT條件
第三階段:線性回歸算法
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,多元線性回歸,梯度下降法,歸一化,正則化,Lasso回歸,Ridge回歸,多項式回歸。

◆ 達成目標:

通過本階段學習,從推導出多元線性回歸算法的損失函數,到實現開發和應用算法,再到對算法從數據預處理上,以及損失函數上的優化都將整體徹底掌握。對后面學習更多算法,甚至深度學習都將起到舉一反三的效果。

◆ 實戰教學項目:

√ 代碼實現梯度下降求解多元線性回歸
√ 保險花銷預測案例

多元線性回歸
1) 簡單線性回歸
2) 最優解與最小二乘法
3) 多元線性回歸判別式
4) 多元線性回歸的數學假設
5) 利用MLE推導出目標函數
6) 對數似然推導出MSE損失函數
7) MSE求偏導得到參數解析解
8) 多元線性回歸的python代碼實現
9) 多元線性回歸的sklearn代碼實戰
梯度下降法
1) 梯度下降法原理與公式
2) 學習率設置的學問
3) GD應用于多元線性回歸的流程
4) 全量梯度下降的原理與代碼實現
5) 隨機梯度下降的原理與代碼實現
6) Mini-Batch梯度下降的原理與代碼實現
7) 代碼實現增加MBGD數據的隨機性
8) 代碼實現動態調整學習率
歸一化
1) 歸一化目的與量綱
2) 歸一化提高模型精度
3) 最大值最小值歸一化與缺點
4) 方差歸一化與好處
5) 均值歸一化與好處
6) 標準歸一化的代碼實戰與技巧
正則化
1) 提高泛化能力與防止過擬合
2) 正則化用于損失函數
3) L1與L2正則項與范數的關系
4) 結合GD講解L1L2的幾何意義
5) 透過導函數講解L1的稀疏性
6) 透過導函數講解L2的平滑性
Lasso回歸、Ridge回歸、多項式回歸
1) Lasso回歸原理與代碼實戰
2) Ridge回歸原理與代碼實戰
3) ElasticNet回歸原理與代碼實戰
4) 升維的意義
5) 多項式回歸進行升維原理
6) 多項式升維代碼實戰
第四階段:線性分類算法
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,邏輯回歸算法,Softmax回歸算法,SVM支持向量機算法,SMO優化算法。

◆ 達成目標:

通過本階段學習,推導邏輯回歸算法、SVM算法的判別式和損失函數,算法的優化、實現算法和應用開發實戰。將會對分類算法有深入認知,對于理解后續神經網絡算法和深度學習學習至關重要。

◆ 實戰教學項目:

√ 分類鳶尾花數據集
√ 音樂曲風分類
√ SVM人臉識別案例
√ SVM算法代碼實現

邏輯回歸
1) Sigmoid函數特點
2) 廣義線性回歸與邏輯回歸的數學假設
3) 證明伯努利二項分布屬于指數族分布
4) 推導出邏輯回歸判別式
5) 推導出邏輯回歸損失函數log loss
6) 推導出損失函數導函數用于最優化
7) 邏輯回歸解決多分類問題OVR
8) 邏輯回歸代碼實戰--鳶尾花數據集分類
Softmax回歸
1) Softmax函數特點
2) 廣義線性回歸與Softmax回歸的數學假設
3) 證明多項式分布屬于指數族分布
4) 推導出Softmax回歸判別式
5) 推導出Softmax回歸損失函數cross-entropy
6) 證明邏輯回歸是Softmax的特例
7) 剖析邏輯回歸多分類和Softmax多分類的本質區別
8) Softmax回歸代碼實戰--音樂曲風分類
SVM支持向量機
1) SVM與感知機關系
2) 幾何距離和函數距離
3) SVM支持向量機算法原理
4) SVM的損失函數
5) 硬間隔SVM的優化步驟
6) 軟間隔SVM
7) 非線性SVM與核函數
8) SVM在sklearn模塊中參數詳解
9) SVM人臉識別案例
10) SVM的概率化輸出
11) SVM的OVO多分類
12) SVM的hinge loss
SMO優化算法
1) SMO優化算法的子二次規劃問題思路
2) SMO把目標函數從二元函數變一元函數
3) SMO推導出新的α和舊的α關系
4) SMO對α進行剪裁
5) SMO優化SVM算法代碼實現
第五階段:無監督學習算法
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,K-means聚類算法,K-means聚類算法的變形,密度聚類,層次聚類、譜聚類、PCA降維算法、EM期望最大化、GMM高斯混合模型。

◆ 達成目標:

通過本階段學習,掌握無監督機器學習算法的作用和原理,透徹理解聚類和降維的本質區別,今后可以正確選擇無監督學習算法,并實戰開發。

◆ 實戰教學項目:

√ 微博用戶聚類分析
√ PCA提取人臉圖片特征臉
√ 圖片前景背景分離
√ 根據聲音判別性別
√ 根據聲音判別用戶
聚類系列算法
1) 相似度測量方法
2) K-means算法原理
3) K-means圖像應用案例
4) K-medoids算法
5) K-means++算法
6) Mini-batch K-means算法
7) Canopy聚類算法
8) Agnes層次聚類算法
9) Diana層次聚類算法
10) DBSCAN密度聚類算法
11) Spectral譜聚類
12) 微博用戶聚類分析案例
PCA降維算法
1) 特征選擇與特征映射
2) 最大投影方差原理與推導
3) 最小投影距離原理與推導
4) PCA過程的中心化
5) Kernelized PCA
6) SVD奇異值分解用于PCA
EM算法
1) Jensen不等式
2) EM算法的E-step
3) EM算法的M-step
4) EM在GMM公式推導中應用
GMM算法
1) 單一高斯分布的參數估計
2) 混合高斯分布的似然函數
3) GMM的計算流程
4) GMM之圖片前景背景分離代碼實戰
5) GMM之根據聲音判別性別代碼實戰
6) GMM之根據聲音判別用戶代碼實戰
第六階段:決策樹系列算法
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,決策樹算法、隨機森林算法、Adaboost算法、GBDT算法、XGBoost算法。

◆ 達成目標:

通過本階段學習,掌握非線性決策樹系列算法,重點掌握Kaggle神奇XGBoost算法,理解GBDT和XGBoost涉及的公式推導,本階段的掌握將大大提升學員數據挖掘的能力,對于后續理解Kaggle實戰階段內容會起到很大的幫助。

◆ 實戰教學項目:

√ 通過graphvis繪制決策樹模型
√ 用戶畫像集成學習方法案例
√ Adaboost算法做人臉識別
√ GBDT+LR架構代碼實現

決策樹算法
1) 決策樹的算法原理與數學表達
2) 分裂指標Gini系數、信息增益、信息增益率
3) 前剪枝與后剪枝
4) 決策樹ID3、C4.5和CART
5) 決策樹算法優略比較
6) 決策樹之鳶尾花數據集分類案例
7) 通過graphvis繪制決策樹模型
隨機森林算法
1) 集成學習算法思想Bagging、Boosting、Stacking
2) 用戶畫像集成學習方法案例
3) OOB數據集驗證隨機森林算法
4) 隨機森林副產品之特征選擇
Adaboost算法
1) Adaboost算法原理
2) 數據的權重與權重錯誤率
3) 權重錯誤率調整到0.5訓練下一個弱分類器
4) 計算每個樣本的權重Un
5) 應用Adaboost算法做人臉識別
GBDT算法
1) 函數空間的梯度下降與負梯度
2) 推導GBDT回歸是擬合殘差
3) Shrinkage衰減系數的作用
4) 推導GBDT分類亦是擬合殘差
5) GBDT二分類模型訓練和使用
6) GBDT多分類模型訓練和使用
7) GBDT副產品之特征組合用于降維
8) 實現GBDT+LR架構代碼實戰
XGBoost算法
1) XGBoost算法與決策樹集成學習關系
2) XGBoost目標函數與正則項
3) XGBoost目標函數用二階泰勒展開
4) 推導簡化XGBoost目標函數引入g h
5) XGBoost目標函數加入樹的復雜度
6) 推導出XGBoost目標函數最終形式和葉子節點表達式
7) 詳解XGBoost算法參數與交叉驗證
8) XGBoost算法調用GPU顯卡資源加速
第七階段:Kaggle實戰
項目名稱 項目介紹

◆ 階段概述:

本階段講解,CTR廣告預估項目、網頁分類案例、藥店銷量預測案例、活動推薦預測案例、銀行貸款風控案例。

◆ 達成目標:

通過本階段學習,實戰代碼深刻理解前面學過的算法和工具,Kaggle競賽數據集全部來自于公司,并且需求直接是企業里面的需求,并且此階段講解的代碼均是大牛級開源的代碼。要知道Kaggle上的大牛會一般企業的算法工程師水平高,所有同學學習Kaggle實戰將會受益匪淺。

◆ 實戰教學項目:

√ CTR廣告預估項目
√ 網頁分類案例
√ 藥店銷量預測案例
√ 活動推薦預測案例
√ 銀行貸款風控案例

CTR廣告預估項目
網頁分類案例
藥店銷量預測案例
活動推薦預測案例
銀行貸款風控案例
第八階段:海量數據挖掘工具
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,分布式概念,Spark分布式計算框架,SparkMLlib模塊,SparkML模塊。

◆ 達成目標:

通過本階段學習,掌握一個海量數據挖掘工具Spark,這對于在企業中面對海量數據,進行機器學習數據挖掘時多個選擇,并且在Kaggle實戰和推薦系統項目中也會用到此階段知識。

Spark計算框架基礎
1) 分布式存儲和計算概念
2) Spark計算框架特點
3) 分布式計算Shuffle流程
4) Spark RDD五大特性
5) PySpark模塊安裝與配置
6) 代碼實戰WordCount計算和排序
7) 代碼實戰蒙特卡洛計算圓周率Pi
Spark計算框架深入
1) 算子操作Transformation和Action
2) RDD持久化
3) 寬窄依賴
4) Spark DAG優化
5) Spark架構運行剖析
6) 讀取分布式HDFS數據與并行度設置
Spark機器學習MLlib和ML模塊
1) MLlib的LocalVector之稠密向量和稀疏向量
2) MLlib的有監督學習數據類型LabeledPoint
3) ML中用到的DataFrame數據框操作
4) ML中用到的UDF函數
5) ML的pipeline流程思路
第九階段:概率圖模型算法
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,貝葉斯分類算法、隱含馬爾可夫模型、最大熵模型、條件隨機場。

◆ 達成目標:

通過本階段學習,掌握NLP自然語言處理的一些基本算法,本階段的理解對于后續完成NLP大項目很重要。

◆ 實戰教學項目:

√ 代碼實戰垃圾郵件分類

貝葉斯分類
1) 樸素貝葉斯分類器
2) 拉普拉斯估計
3) 代碼實戰垃圾郵件分類
HMM算法
1) 馬爾可夫過程
2) 初始概率、轉移概率、發射概率
3) 隱含馬爾可夫模型原理
4) 維特比算法
最大熵模型
1) 熵、條件熵、相對熵、互信息
2) 最大熵模型算法原理
3) 有約束條件的函數最優化問題
4) 最大熵和最大似然估計關系
5) IIS算法
CRF算法
1) 條件隨機場的性質
2) 條件隨機場的判別函數
3) 條件隨機場的學習
4) 條件隨機場的推斷
5) CRF與HMM關系
第十階段:深度學習原理到進階實戰
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,神經網絡算法、Back Propagation反向傳播推導、TensorFlow框架、TensorBoard模塊。

◆ 達成目標:

通過本階段學習,開啟深度學習之旅,深入理解神經網絡算法及其優化算法,掌握TensorFlow開發流程,通過實現神經網絡完成回歸和分類任務。TensorFlow框架學好了,其它深度學習框架比如Keras、PyTorch掌握起來易如反掌。

◆ 實戰教學項目:

√ 水泥強度預測案例及繪制神經網絡拓撲
√ Python實現神經網絡實戰案例
√ MNIST手寫數字識別項目案例
√ California房價預測案例

神經網絡
1) 從生物神經元到人工神經元
2) 激活函數Relu、Tanh、Sigmoid
3) 透過神經網絡拓撲理解邏輯回歸分類
4) 透過神經網絡拓撲理解Softmax回歸分類
5) 透過神經網絡隱藏層理解升維降維
6) 剖析隱藏層激活函數必須是非線性的原因
7) 神經網絡在sklearn模塊中的使用
8) 水泥強度預測案例及繪制神經網絡拓撲
BP反向傳播算法
1) BP反向傳播目的
2) 鏈式求導法則
3) BP反向傳播推導
4) 不同激活函數在反向傳播應用
5) 不同損失函數在反向傳播應用
6) Python實現神經網絡實戰案例
TensorFlow深度學習工具
1) TF安裝(包含CUDA和cudnn安裝)
2) TF實現多元線性回歸之解析解求解
3) TF實現多元線性回歸之梯度下降求解
4) TF預測california房價案例
5) TF實現Softmax回歸
6) Softmax分類MNIST手寫數字識別項目案例
7) TF框架模型的保存和加載
8) TF實現DNN多層神經網絡
9) DNN分類MNIST手寫數字識別項目案例
10) Tensorboard模塊可視化
第十一階段:圖像識別原理到進階實戰
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,卷積神經網絡、深度神經網絡的問題和優化手段、經典卷積神經網絡模型、OpenCV模塊、目標檢測算法原理與實戰。

◆ 達成目標:

通過本階段學習,深入透徹的掌握圖像識別領域深度學習的原理和應用。通過知識點的講解,輔助論文講解和源碼的剖析,讓同學可以了解網絡的底層架構原理和代碼,可以說此階段雖然內容多,但對面試圖像識別領域崗位來說很重要,值得多花心思反復研究。

◆ 實戰教學項目:

√ Cifar10圖像識別案例
√ 皮膚癌醫療圖像檢測項目
√ 圖像風格遷移項目
√ 車牌識別案例
√ 通用物體檢測項目

卷積神經網絡原理
1) 感受野與卷積
2) 卷積的計算
3) 權值共享
4) Stride步長
5) Padding模式
6) Pooling池化
7) TF實現CNN卷積神經網絡
8) CNN分類MNIST手寫數字識別項目案例
卷積神經網絡優化
1) 梯度消失與梯度爆炸
2) Dropout防止過擬合
3) Relu激活函數變形
4) Xavier Glorot初始化
5) Optimizer優化器
6) Data Augmentation數據增強
7) Batch Normalization歸一化
8) Cifar10圖像識別案例
經典卷積網絡算法
1) LeNet
2) AlexNet
3) VGG16
4) InceptionV3
5) ResNet
6) DenseNet
7) MobileNet
8) 皮膚癌醫療圖像檢測項目
9) GAN生成對抗網絡
10) 圖像風格遷移項目
OpenCV模塊
1) 讀取IP攝像頭
2) RGB與HSV空間變換
3) 直方圖均值化
4) 邊緣檢測
5) 人臉檢測
6) 物體追蹤
7) 車道線檢測
8) 車牌識別案例
古典目標檢測算法
1) 圖像金字塔
2) 古典目標檢測架構
3) ROI、IOU、FPS、NMS、mAP
4) IOU代碼實現
5) NMS代碼實現
6) 特征金字塔
7) SPP net
8) ROI池化
現代目標檢測算法
1) Fast R CNN
2) Faster R CNN
3) RPN網絡、Anchor boxes
4) Mask R CNN
5) SSD
6) Yolo V1 V2 V3
7) Cascade R CNN
8) 模型壓縮
第十二階段:自然語言處理原理到進階實戰
章節名稱 主要學習方向

◆ 階段概述:

本階段講解,詞向量、詞嵌入、RNN、LSTM、孿生網絡、CNN在NLP中的應用、Attention注意力機制、Transformer、BERT。

◆ 達成目標:

通過本階段學習,掌握NLP中詞的各種向量表達,從古典的Word2Vec方式到現代的BERT方式,學好這些NLP提特征的主干網絡,才能在NLP各項任務中產生好的效果。這階段也將掌握大量NLP任務的實戰開發。

◆ 實戰教學項目:

√ TF代碼實現Word2Vec算法項目
√ 深度學習用戶畫像項目
√ 電影評論情感分析案例
√ 機器寫唐詩案例
√ 產生式自動聊天機器人
√ POS詞性標注案例
√ NER命名實體識別案例
√ 語義相似度分析案例
√ Bert as service開源項目

詞向量與詞嵌入
1) TFIDF
2) Word2Vec算法
3) Gensim模塊
4) Skip-gram
5) TF代碼實現Word2Vec算法項目
6) FastText
7) Word Embedding
8) 深度學習用戶畫像項目
循環神經網絡原理與優化
1) Vanilla RNN
2) Basic RNN實現MNIST手寫數字圖片識別
3) LSTM長短時記憶
4) GRU與雙向LSTM
5) 電影評論情感分析案例
6) Seq2Seq
7) 機器寫唐詩案例
8) CNN+LSTM+CRF
9) POS tagging詞性標注案例
10) NER命名實體識別案例
11) 孿生網絡
12) 語義相似度分析案例
Transformer和Bert
1) Attention注意力機制
2) Attention算法流程
3) Transformer
4) Self-Attention機制
5) Multi-Head Attention
6) Bert
7) Bert as service開源項目
第十三階段:圖像識別項目
項目名稱 項目介紹 目標與收益
電纜缺陷檢測
各省市電網,需要建立一套完善的電纜線部件缺陷檢測的平臺,為各省市的電纜線部件缺陷提供智能化的解決方案,進一步確保電網系統的安全運行?,F在有些省市的電網缺陷部件的檢測仍采用人工查缺的方式,智能化的缺陷檢測平臺可以提高電纜線部件缺陷檢測的準確率,節省成本。

◆ 課程目標:

重點依托cascade R-CNN算法,以及mmdetection工具,完成整套從數據標注到模型訓練、優化。

◆ 課程收益:

√ 對目標檢測算法有一個很好的了解,重點掌握cascade R-CNN算法
√ 能夠對mmdetection工具有一個很好的了解
√ 對數據打標簽、數據集制作、算法模型訓練有一個很好的掌握
√ 對mmdetection代碼有一定了解,學會如何改進和優化算法

電子元件缺陷檢測
在機器視覺應用中,外觀檢測一直是行業痛點。外觀缺陷中的劃痕、臟污、形態不一、大小不同、深淺和各種姿態都不同,很難用傳統的視覺檢測算法穩定檢測。但是隨著深度學習技術的發展,采用深度學習模式的外觀檢測程式,成為了外觀檢測的新方法。

◆ 課程目標:

重點依托Faster R-CNN算法,以及TensorFlow工具,完成整套從數據標注到模型訓練、優化。

◆ 課程收益:

√ 對目標檢測算法有一個很好的了解,重點掌握Faster R-CNN算法
√ 對數據打標簽、數據集制作、算法模型訓練有一個很好的掌握
√ 對Faster R CNN代碼有深刻認知,學會如何改進和優化算法

安全帽檢測
施工工地對安全帽佩戴的檢測和監管力度越來越大了,從智能安全帽的應用到安全帽檢測系統的智能管理,現在的安全帽檢測升級版對于安全帽佩戴標準也有了新的分析算法,對未正確佩戴、懸掛等都能準確檢測識別。對工作服顏色接近安全帽顏色的檢測能力有了更高的提升,比傳統的安全帽識別系統精度更高。

◆ 課程目標:

重點依托Yolo one stage算法,以及Darknet工具,完成整套從數據標注到模型訓練、優化。

◆ 課程收益:

√ 對目標檢測算法有一個很好的了解,重點掌握Yolo V3算法
√ 對數據打標簽、數據集制作、算法模型訓練有一個很好的掌握
√ 對Yolo V3代碼有深刻認知,學會如何改進和優化算法

人臉識別
人臉識別,是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流,并自動在圖像中檢測和跟蹤人臉,進而對檢測到的人臉進行臉部識別的一系列相關技術,通常也叫做人像識別、面部識別。

◆ 課程目標:

通過一個完整的人臉識別項目,掌握人臉識別系統的開發流程和關鍵技術。

◆ 課程收益:

√ 從0到1,全面剖析完整項目整個建設生命周期:需求分析、架構設計、環境部署、程序設計、模型訓練。
√ 掌握人臉識別一般過程,人臉檢測、人臉對齊、人臉識別
√ 掌握人臉檢測的集成學習方法
√ 掌握人臉檢測的CNN方法
√ 掌握人臉檢測+關鍵點定位的多任務網絡MTCNN

第十四階段:自然語言處理項目
項目名稱 項目介紹 目標與收益
OCR識別
OCR文字識別軟件,指利用OCR (Optical Character Recognition,光學字符識別)技術,將圖片、照片上的文字內容,直接轉換為可編輯文本的軟件。軟件可以把圖片轉換成可以編輯的文字。從驗證碼、身份證識別、駕駛證識別、票據識別,到如今更多的識別自然場景下的整句話,甚至理解PDF里面帶錯別字的整段文字,應用場景可謂非常之廣。

◆ 課程目標:

掌握目標檢測+RNN+CTC loss完成通用的深度學習OCR架構。

◆ 課程收益:

√ 了解OCR應用場景和概念
√ 掌握目標檢測+RNN+CTC loss架構
√ 掌握CTC loss中的原理
√ 掌握深度學習訓練OCR模型的整體流程和代碼

實體關系抽取
實體關系抽取解決了原始文本中目標實體之間的關系分類問題,它也被廣泛應用于文本摘要、自動問答系統、知識圖譜、搜索引擎和機器翻譯中。中文實體關系抽取由于中文句式和語法結構復雜,漢語有更多歧義,會影響關系分類的效果。

◆ 課程目標:

對實體關系抽取技術、在行業應用有很清晰的認識。學會如果從語料庫中通過機器學習和深度學習算法建立關系,服務于自動聊天機器人和知識圖譜。

◆ 課程收益:

√ 了解任務是從無結構的文本中抽取實體以及實體之間的關系(實體1-關系-實體2,三元組),這里的關系是我們預定義好的關系類型。
√ 可以學到綜合運用詞嵌入、BiLSTM、CRF等NLP相關知識

自動聊天機器人
聊天機器人(Chatbot),又被稱為對話代理(Conversational Agents)或對話系統(Dialog Systems),是當前的一個研究熱點。Microsoft在聊天機器人領域下了巨大賭注,其他的公司,例如Facebook(M)、Apple(Siri)、Google、WeChat和Slack也不甘落后,推出了相關的產品。這股聊天機器人的新浪潮,也在一些創業公司興起了:試圖改變用戶和服務之間的交互模式的產品。

◆ 課程目標:

我們將會介紹用于搭建聊天機器人模型的深度學習技術,讓同學對于“這個領域中,什么是能做到的,什么是現階段幾乎不可能實現的”有一個清晰的認知。并且學習搭建檢索式聊天機器人和產生式聊天機器人。

◆ 課程收益:

√ 對智能問答技術會有很清晰的認識
√ 理解意圖識別、實體關系抽取對Chatbot的作用
√ 可以學到一個聊天機器人項目實現
√ 了解聊天機器人現階段面臨的挑戰

知識圖譜
知識圖譜的應用從最初的Google搜索,已經蔓延到了聊天機器人,大數據風控、投資、智能醫療、自適應教育、推薦系統、物聯網等多個重要領域,并逐步成為不可缺少的一門人工智能技術。

◆ 課程目標:

對知識圖譜技術、行業應用有很清晰的認識。學到完整知識圖譜項目全生命周期所涉關鍵問題的解決思路。

◆ 課程收益:

√ 對知識圖譜技術、行業應用全貌會有很清晰的認識
√ 可以學到一個完整知識圖譜項目全生命周期所涉及到的步驟
√ 對每個關鍵問題的解決思路

第十五階段:數據挖掘項目
項目名稱 項目介紹 目標與收益
推薦系統
推薦系統在各種系統中廣泛使用,推薦算法則是其中最核心的技術點, 為推薦系統選擇正確的推薦算法是非常重要的決定。每一種推薦算法都有其優點和缺點,當然也有其限制條件,在作出決定之前,必須要一一考量。在實踐中,你可能會測試幾種算法,以發現哪一種最適合你的用戶,學習中你也會直觀地發現它們是什么以及它們的工作原理。

◆ 課程目標:

掌握推薦系統原理與工作方式,使用SparkMLlib庫進行建模。并且掌握更多推薦系統相關算法的運用。

◆ 課程收益:

√ 對推薦系統技術架構、行業應用全貌會有很透徹的理解
√ 掌握SparkMLlib、Hive數倉、python腳本的綜合使用
√ 掌握GBDT+LR架構在推薦系統的運用
√ 掌握FM和FFM算法在推薦系統中的運用
√ 掌握深度學習推薦算法wide and deep learning

智能商業分析
智能商業分析項目對于企業的盈利會起到非常直接的影響,會深入影響企業制定戰略策略,也是很多企業非??粗氐挠残枨?。成功案例比如,微博粉絲推廣,寵物類目如何圈定投放人群,如何保持有效客戶池,店鋪營銷,如何招攬客圈人,挖掘潛在人群,DMP幫我找到買面膜,ROI(投資回報率)翻倍,企業成本控制。

◆ 課程目標:

全面了解智能商業的價值,了解運營的價值,挖掘深層次用戶行為、消費能力、行業所需,結合機器學習算法和NLP知識進行數據挖掘

◆ 課程收益:

√ 掌握智能商業分析和運營的關系
√ 通過機器學習算法、分類、預測、深層次學習特征發現
√ 深入理解企業級用戶畫像系統
√ 基于畫像系統提高公司的收益
√ 學會銷售分析、投入分析、商品分析、促銷分析、行為分析、CAC模型精準分析用戶、ROI精準實現變現能力

機會每個人都有的!

但許多人不知道他們碰到過它。

把握良機
開始逆襲

每期開班座位有限

預約報名可優先選座

  • 北京校區
  • 山西校區
  • 鄭州校區
  • 武漢校區
  • 四川校區
  • 長沙校區
  • 深圳校區
  • 上海校區
  • 廣州校區
  • 保定招生辦

北京京南校區:北京亦莊經濟開發區科創十四街6號院1號樓 賽蒂國際工業園
北京海淀區校區:北京市海淀區西三旗街道建材城西路中騰建華商務大廈東側二層尚學堂
咨詢電話:400-009-1906 / 010-56233821
面授課程:?JavaEE+微服務+大數據? ???大數據+機器學習+平臺架構?????Python+數據分析+機器學習??人工智能+模式識別+強化學習???WEB前端+移動端+服務端渲染

 

山西學區地址:山西省晉中市榆次區大學城大學生活廣場萬科商業A1座702

鄭州學區地址:河南電子商務產業園6號樓4層407
咨詢電話:0371-55177956

武漢學區地址:武漢市東湖高新區光谷金融港B22棟11樓
咨詢電話:027-87989193

四川學區地址:成都市高新區錦暉西一街99號布魯明頓大廈2棟1003室
咨詢電話:028-65176856 / 13880900114

網址:http://www.cssxt.com/
咨詢電話:0731-83072091

深圳校區地址:深圳市寶安區航城街道航城大道航城創新創業園A4棟210(固戍地鐵站C出口)
咨詢電話:0755-23061965 / 18898413781

上海尚學堂校區地址:上海市浦東新區城豐路650號
咨詢電話:021-67690939

廣州校區地址:廣州市天河區元崗橫路31號慧通產業廣場B區B1棟6樓尚學堂(地鐵3號線或6號線到“天河客運站”D出口,右拐直走約800米)
咨詢電話:020-2989 6995

保定招生辦公室

地址:河北省保定市競秀區朝陽南大街777號鴻悅國際1101室

電話:15132423123

Copyright 2006-2020 北京尚學堂科技有限公司  京ICP備13018289號-19  京公網安備11010802015183  
網站維護:北京尚學堂科技有限公司昌平分公司   
山东体育彩票十一选五 黑龙江省22选5开奖结果 时时彩软件时时彩 股票开户流程当选金多多策略 湖北快3今天开奖结 黑龙江十一选五前三直选遗漏 福建快3开奖号码今天 时时彩软件后三 体彩6十1开奖结果玩法 重庆幸运农场为什么总是输 吉林11选5前2最大值走势图