01 京东AI项目实战课程安排
覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。
项目一、京东健康智能分诊项目
第一周：文本处理与特征工程| Bag of Words模型| 从tf-idf到Word2Vec| SkipGram与CBOW| Hierarhical Softmax与Negative Sampling| FastText | N-gram与平滑操作| 文本特征工程| 工具的使用：Gensim、Sklearn、jieba的使用| 专题：如果阅读科研论文| 项目：京东健康智能分诊项目讲解（1） 第二周：基于统计学习的分类方法| 决策树| CART模型| Bagging & Boosting| 随机森林和GBDT| XGBoost| 精确率、召回率| F1，AUC| 专题：如何处理样本不平衡问题| 专题：京东Neufoundry平台的使用| 项目：京东健康智能分诊项目讲解（2） 第三周：基于深度学习的分类方法| 统计学习与深度学习的区别| 深度学习与浅层学习| 从逻辑回归到神经网络| 深度学习的非线性性质| 损失函数与优化器| 神经网络的调参| CNN与TextCNN| 实战：Pytorch的基础使用| 实战：使用Pytorch实现神经网络和卷积神经网络 | 项目：京东健康智能分诊项目讲解（3）
项目二、京东智能营销文本生成项目
第四周：递归神经网络RNN与BPTT算法| BPTT与RNN中的梯度消失、爆炸| 梯度爆炸的处理| LSTM与GRU| 基于LSTM的文本分类| Bi-LSTM与Deep Bi-LSTM| RNN与LSTM的可视化| 实战：基于LSTM的情感分类| 专题：GPU技术详解| 项目：京东智能营销文本生成项目讲解（1） 第五周：Seq2Seq模型与营销文本生成| Encoder-Decoder模型以及各类应用场景| Seq2Seq模型与注意力机制| Greedy Decoding| Beam Search| 基于Seq2Seq的文本生成| 文本生成的评价指标| 实战：基于Seq2Seq的机器翻译| 项目：京东智能营销文本生成项目讲解（2） 第六周：Pointer-Generator Network和多模态识别| 抽取式文本摘要和生成式文本摘要| Pointer-Generator Network| Beam Search优化思路| Length Normalization| Coverage Normalization| End of Sentence Normalization| 多模态识别技术: ResNet和Faster RCNN| 实战：PGN+Seq2Seq解读| 论文：京东论文解读| 项目：京东智能营销文本生成项目讲解（3）
项目三、京东同类商品搜索项目
第七周：Entity Linking与图卷积神经网络| 什么是实体| Entity Linking问题解读| 图的表示| 图表示的应用场景| 卷积神经网络回顾| 在图中的卷积| 图中的信息传递| 图卷积神经网络（GCN）| 论文：GCN论文解读和复现| 项目：京东同类商品搜索项目讲解（1） 第八周：GraphSage与Graph Attention Network| GraphSage详解| 注意力机制讲解| 注意力机制与图表示| GAT模型详解| GAT与知识图谱应用| 对于Heterogenous数据处理| 论文：GAT论文解读与复现| 项目：京东同类商品搜索项目讲解（2） 第九周：Entity Linking技术与GNN的其他应用场景| Entity Linking前沿技术剖析| 基于GNN的文本分类| 基于GNN的实体识别| 基于GNN的社交网络分析| 基于GNN的链接预测| GNN的前沿主题| 论文：图神经网络综述| 项目：京东同类商品搜索项目讲解（3）
项目四、京东智能对话系统项目
《京东NLP企业项目实战训练营》专注于培养行业TOP10%的NLP工程师
对课程有意向的同学
01 科学的实战安排
每一期的训练营都有严谨科学的安排，每周伴随着理论、实战、案例分享、项目讲解等课程一系列课程内容。
▲节选往期部分课程安排
02 项目讲解&实战帮助
训练营最终的目的是帮助学员完成项目，理解项目中包含核心知识技能，训练营中会花大量的时间帮助学员理解项目以及所涉及到的实战讲解。
▲节选往期部分课程安排
03 最佳工程实战
来自京东智联云等业界专家来讲述工业界的最佳工程实战，如AI模型的部署、代码编写、模型的调参以及debug等技术。
▲源自京东智联云AI某模块架构图
04 专业的论文解读
作为AI工程师，阅读论文能力是必须要的。在课程里，我们每1-2周会安排一篇经典英文文章供学员阅读，之后由老师帮助解读。
▲节选往期部分论文安排
05 代码解读&实战
对于核心的模型如BERT，XLNet都会精心安排代码解读和实战课，帮助学员深入理解其细节并有能力去实现。
▲BERT模型代码实战讲解
06 行业案例分享
训练营过程中会邀请合作的专家来分享行业案例以及技术解决方案，如知识图谱的搭建、保险领域的客服系统等。
▲专家分享
《Google YouTube 基于深度学习的视频推荐》
嘉宾简介：曾博士
计算机视觉，机器学习领域专家
先后在CVPR，ACMMM，TPAMI，SCI 期刊，EI 会议等发表超过30篇论文
07 日常社群答疑
为了帮助解决学员遇到的问题，专业助教会提供全天社群答疑服务。我们的助教均来来自于一线AI公司和国内外名校，扎实的理论和工业界应用也是我们选拔助教老师的重要标准，拒绝空谈理论。
▲社群内老师专业的解答
08 日常作业&讲解
为了巩固对一些核心知识点，学员除了大项目，也需要完成日常的小作业。之后助教会给出详细的解答。
▲课程学习中的小作业
课程适合哪些学员呐？
-
大学生：
-
计算机或者信息领域相关的本科/研究/博士生，毕业后希望从事AI相关的工作。
-
希望在真实工业场景中磨炼技术，提升职场竞争力。
-
毕业之后希望申请国内外名校的硕士或者博士。
-
-
在职人士：
-
具备良好的工程研发背景，希望从事AI相关的项目或者工作。
-
从事AI工作，希望进一步提升NLP实战经验。
-
从事NLP工作，希望深入了解模型机理。
-
AI developer, 希望突破技术瓶颈， 了解NLP前沿信息。
-
入学标准：
1、 理工科专业相关本科生，硕士生或博士生或者IT领域的在职人士
2、具备很强的动手能力、熟练使用Python编程
3、对基本的机器学习算法（逻辑回归、随机森林、SVM）有了解或者有过实战经验
4、具备良好的英文文献阅读能力，至少达到CET-4级水平
