HCIP-AI MindSpore 认证课程大纲

该阶段详细介绍计算机视觉、注意力机制与Transformer、自然语言处理、语音处理等 AI 核心领域技术，并重点介绍华为开源深度学习框架MindSpore。

共计 54 课时。

第一节：计算机视觉技术概述与图像处理基础 - （3 课时）

- 什么是计算机视觉；计算机视觉技术发展简史；计算机视觉技术的应用领域；计算机视觉技术在人工智能产业中的重要性及作用；

- 什么是图像处理；图像处理常见需求点；图像处理技术分类；图像处理工具介绍；图像的表示与数字化；图像的表示方法；图像数字化过程：采样、量化、编码；基本图处理操作：缩放、旋转、镜像；

- 图像增强：亮度调整、对比度增强；图像滤波：均值滤波、高斯滤波、中值滤波；图像的边缘检测：Sobel、Prewitt、Canny 算子；图像分割：阈值分割、区域分割、边缘分割；

- 图像二值化：全局二值化、自适应二值化；形态学图像处理：腐蚀、膨胀、开操作、闭操作；形态学应用：图像去除噪声、图像分割；

第二节：图像的特征提取与描述 - （3 课时）

- 关键点检测：关键点的概念与特征、角点、边缘点；常见的关键点检测算法：Harris 角点检测、Shi-Tomasi 角点检测；图像的局部特征与全局特征；

- 特征向量的表示与匹配：特征向量的表示方法（向量、直方图、直方图梯度）；特征向量的相似度度量方法（欧氏距离、汉明距离、余弦相似度）；特征匹配算法（最近邻匹配、RANSAC 算法）；

第三节：图像分类与目标（对象）检测 - （3 课时）

- 什么是图像分类；分类任务的定义与实施流程；基本图像分类器介绍：SVM、决策树、神经网络；使用深度学习框架进行图像分类任务；

- 对象检测基础概念；对象检测任务的定义及实施流程；基于滑动窗口的方法；

- 基于深度学习的对象检测方法：RCNN、Fast RCNN 网络论文精读；基于深度学习的对象检测方法：YOLOv8 及其历史版本论文精读；

第四节：图像分割与语义分割 - （3 课时）

- 图像分割基础概念；图像分割任务的定义与流程；基于阈值、区域和边缘的图像分割方法介绍；基于深度学习的图像分割方法：FCN、U-Net、SegNet 论文精读；

- 语义分割基础概念；语义分割任务的定义与实施流程；基于全卷积神经网络的语义分割方法；语义分割应用案例介绍：自动驾驶、医学影像分析；

第五节：目标检测模型构建实战-Kaggle 赛题精讲 - （3 课时）

第六节：注意力机制与 Transformer - （3 课时）

- 什么是注意力机制；什么是 Transformer；

- 注意力机制与 Transformer 的背景及含义；注意力机制和 Transformer 在自然语言处理和其他领域中的重要应用；注意力机制的定义和基本概念；

- 注意力机制的作用和优势；注意力机制的发展简史；注意力机制相关经典论文精读；自注意力机制核心原理；自注意力机制与 Transformer 的关系；

- Encoder 与 Decoder 结构及其组件；编码器结构及组件：多头自注意力层、前馈全连接层；解码器结构和组件：编码器-解码器注意力层、多头自注意力层、前馈全连接层；

第七节：Transformer 的训练及应用 - （3 课时）

- Transformer 模型的训练流程；Transformer 模型的训练数据准备及预处理；

- Transformer 训练的优化器选择；

- Transformer 应用领域；

第八节：自然语言处理概述与文本处理基础 - （3 课时）

- 什么是自然语言处理；自然语言处理的应用领域；自然语言处理技术在人工智能领域的重要性；自然语言处理技术的发展趋势；

- 文本处理技术简介；文本处理的应用领域；文本处理任务的实施流程；什么是文本预处理；文本预处理实施步骤：分词、定义、作用；

- 分词方法：基于空格、标点、词典的分词方法；中英文分词工具介绍；什么是标记化；文本预处理实施步骤：标记化、定义、作用；

- 标记化方法：单词、标点符号、数字标记化方法；中英文标记化工具介绍；什么是停用词；文本预处理实施步骤：停用词、定义、作用；

- 常见的停用词列表和移除方法；什么是词形还原；词形还原定义及作用；词干提取和词形还原的区别；常见词形还原方法和工具介绍；

- 什么是词袋模型；词袋模型的定义及作用；文档-词矩阵表示及基于词频的向量化方法；词袋模型的局限性和改进方法；词频-逆文档频率 TF-IDF；TF-IDF 的定义和作用；TF-IDF 在文本分类和信息检索中的应用；TF-IDF 方法的实现和优化技巧；什么是词嵌入；词嵌入的意义及作用；Word2Vec、GloVe、FastText 等常见词嵌入模型介绍；

第九节：语言理解技术 - （3 课时）

- 什么是词性标注；什么是命名体识别；词性标注及命名体识别的任务及方法；

- 常用词性标注及命名体识别模型和工具介绍；

- 什么是句法分析；什么是语法树；句法分析的概念及目标；常见的句法分析方法：依存句法分析、短语结构句法分析；

- 解析树与语法树的概念和表示方法；

第十节：语言生成技术 - （3 课时）

- 什么是语言模型；语言模型的定义和作用；基于统计方法和神经网络的语言模型实战；什么是文本生成；文本生成模型的定义和作用；

- 文本生成任务的常见模型：循环神经网络 RNN、长短期记忆网络 LSTM、门控循环单元 GRU、基于注意力机制的 Transformer 应用实战；

- 什么是机器翻译；机器翻译的定义和作用；什么是文本摘要；文本摘要的定义和作用；

- 机器翻译和文本摘要常见模型：神经机器翻译、抽取式与生成式文本摘要；

第十一节：语义理解技术 - （3 课时）

- 什么是文本分类；文本分类任务的定义和常见应用；什么是情感分析；情感分析任务的定义和常见应用；

- 基于机器学习和深度学习的文本分类模型与情感分析模型；

- 什么是文本相似度；文本相似度计算的定义和应用场景；基于词向量和深度学习的文本相似度计算方法；

- 语义匹配任务常见模型：Siamese 网络、BERT；

第十二节：常用自然语言处理工具库及综合实战 - （3 课时）

- 常用的自然语言处理工具和库：NLTK、spaCy、Stanford NLP、Gensim；

- 自然语言处理技术综合实战：Kaggle 赛题精讲；

第十三节：语音处理技术概述与语音信号处理基础 - （3 课时）

- 什么是语音处理技术；语音处理技术的应用领域；语音处理技术在人工智能领域的重要性；什么是语音信号；语音信号处理技术概述；什么是声波；声波的定义与基本性质；声波的频率、振幅、相位；

- 人类语音系统的基本结构和功能；声带、嘴唇等器官在语音生成中的作用；

- 语音信号的采样与量化；采样频率和量化位数的概念及影响；声音信号的数字化流程；语音信号的分析与表示：声谱图；声谱图的作用；如何绘制声谱图和读取信息；

- 时域特征与频域特征的概念；时域特征：波形图、能量、过零率；频域特征：频谱图、功率谱密度、梅尔频率倒谱系数；短时傅里叶变换 STFT；声学模型概念；语音信号的声学模型：线性预测 LPC 模型；声道模型和共振峰分析；语音信号的降噪与增强：滤波器、频域处理、谱减法；

第十四节：语音特征提取与表示 - （3 课时）

- 语音特征提取简介；声学特征介绍；提取声学特征的方法和工具；

- 语音表示方法介绍；基于特征向量的表示方法：声学特征向量；深度学习方法中的语音表示：端到端语音识别模型；

第十五节：语音识别与理解技术 - （3 课时）

- 语音识别任务全流程解析；语音识别流程：特征提取、声学模型、语言模型；

- 常见声学模型：隐马尔科夫模型 HMM 的基本原理及应用；

- 深度学习中的声学模型应用；

- 常用的语音识别工具和库：Kaldi、DeepSpeech、PocketSphinx；

第十六节：MindSpore 简介 - （3 课时）

- AI 框架的发展简史；AI 部署及生产层面的思考；什么是 MindSpore；MindSpore 的总体架构；

- MindSpore 各个子系统功能详解；MindSpore 特性；MindSpore 关键技术；

第十七节：MindSpore API 详解 - （3 课时）

- MindSpore 内置模型库概览；MindSpore API 封装结构概览；

- MindSpore 神经网络基础 API 应用；MindSpore 计算机视觉 API 封装；

MindSpore 自然语言处理 API 封装；MindSpore 语音处理 API 封装；

第十八节：实践应用案例向 MindSpore 迁移实战 - （3 课时）

- 计算机视觉实践案例的 MindSpore 迁移实战；

- 自然语言处理实践案例的 MindSpore 迁移实战；

- 语音处理实践案例的 MindSpore 迁移实战；

附赠：Python 基础编程快速入门

该阶段详细介绍机器学习所必须掌握的 Python 编程知识，共计 36 课时

附赠：机器学习的数学理论基础

该阶段详细介绍学习数据挖掘算法所必须的数学理论，包含微积分、线性代数、概率论与数理统计及凸优化理论，共计 84 课时。

誉天课程咨询热线18571829619 微信同号 QQ：1746063655