转发镜像：https://www.chinaai.org.cn/
1.深入细致如是说数学模型的共同组成、体能训练和同时实现，掌控广度内部空间特点原产等关键性基本概念；
2.掌控北迁自学的价值观与基本上方式，如是说现代北迁自学的基本上方式，对比各式各样方式的优劣；
3.握广度北迁自学的价值观与共同组成组件，自学广度北迁自学的各式各样方式；
4.掌控广度北迁自学的数据业务结构设计、最终目标表达式结构设计的最前沿方式，如是说北迁自学在PDA、Source-Free DA上的应用；
5.掌控广度北迁自学在语法拆分、最终目标检验、过往行人重辨识等各项任务中的应用应用领域，自学影像/音频艺术风格北迁方式，如是说艺术风格北迁在前述日常生活中的应用应用领域；
6.掌控小样品自学、Transformer等最前沿方式和基本上价值观，如是说小样品自学、Transformer等在前述情景下的应用应用领域；
7.透过Jalgaon掌控相片音频艺术风格北迁，自动驾驶中的布吕马语法拆分，最终目标检验。
同学：源自中国科技理工学院、北京理工学院、天津理工学院等科学研究院所和理工学院的高阶研究者，保有多样的科学研究及技术开发实战经验，长年专门从事广度自学、北迁自学、计算机系统听觉等应用领域的课堂教学与科学研究工作。
有关人员：各省、省专门从事人工智慧、机器自学、广度自学、北迁自学、计算机系统听觉、语义处置、音频识别、绘图、小样品预测等应用领域有关的机关团体基层单位技术人员、科学研究院所科学研究有关人员和高校有关专精课堂教学有关人员及高二科学博士生等有关有关人员，以及广度北迁自学各阶层发烧友。
一、机器自学概要与经典之作机器自学演算法如是说
1.什么是机器自学？
2.机器自学架构与基本上共同组成
3.机器自学的体能训练关键性步骤
4.机器自学问题的进行分类
5.经典之作机器自学演算法如是说
最终目标：机器自学是人工智慧的重要技术之一，详细如是说机器自学的原理、机制和方式，为自学广度自学与北迁学习打下坚实的基础。
二、广度自学概要与经典之作数据业务如是说
1.数学模型概要
2.数学模型组件概要
3.数学模型体能训练方式
4.卷积数学模型如是说
5.经典之作数据业务如是说
最终目标：深入细致如是说数学模型的共同组成、体能训练和同时实现，掌控广度空间特点原产等关键性基本概念，为广度北迁自学奠定知识基础。
三、北迁自学基础
1.北迁自学绪论
2.基于样品的北迁自学
3.基于特点的北迁自学
4.基于进行分类器适配的北迁自学
最终目标：掌控北迁自学的价值观与基本上方式，如是说现代迁移自学的基本上方式，对照各式各样方式的优劣，掌控北迁自学的适用范围。
四、广度北迁自学如是说
1.广度北迁自学概述
2.基于距离表达式的广度北迁自学
3.基于对抗网络的广度北迁自学
4.广度异构北迁自学方式如是说
5.广度应用领域泛化自学如是说
最终目标：掌控广度北迁自学的价值观与共同组成组件，自学广度北迁自学的各式各样方式，对照各式各样方式的优劣，掌控广度北迁自学的适用范围。
五、北迁自学最前沿方式如是说
1.广度北迁数据业务结构设计
2.广度北迁自学目标表达式结构设计
3.全新情景下的北迁自学
最终目标：掌控广度北迁自学的数据业务结构设计、最终目标表达式结构设计的最前沿方式，如是说北迁自学在PDA、Source-Free DA上的应用应用领域。
六、北迁自学最前沿应用应用领域
1.北迁自学在语法拆分中的应用应用领域
2.北迁自学在最终目标检验中的应用应用领域
3.北迁自学在过往行人重辨识中的应用应用领域
4.相片与音频艺术风格北迁
最终目标：掌控广度北迁自学在语法拆分、最终目标检验、过往行人重辨识等各项任务中的应用应用领域，自学影像/音频艺术风格北迁方式，如是说艺术风格北迁在前述日常生活中的应用应用领域。
七、小样品自学、Transformer等最前沿方式与应用应用领域
1.小样品自学基本概念与基本上方式如是说
2.小样品自学应用应用领域
3.Transformer基本概念与基本上方式如是说
4.Transformer在影像应用领域的应用应用领域
最终目标：掌控小样品自学、Transformer等最前沿方式和基本上价值观，如是说小样品自学、Transformer等在前述情景下的应用应用领域。
八、实验Jalgaon之Jalgaon环境搭建
1.硬件准备：GPU显存11GB以上
2.软件准备：Linux操作系统（Ubuntu16.04以上），显卡驱动安装（512.54），CUDA Toolkit（10.1）和cuDNN加速库（7.6.4），VS Code编辑器安装，Jupyter Notebook
3.编程语言和架构：Python3.8.5、torch==1..07、torchvision==0.8.2、mmcv-full==1.3.7、opencv-python==4.4.0、matplotlib==3.4.2、numpy==1.19.2、Pillow==8.3.1、scikit-learn==1.0.2
4.数据集准备：Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等
注：硬件准备由主办方提供云服务器
九、实验Jalgaon之广度北迁自学实践
1.掌控PyTorch中的基本上原理和编程价值观。
2.理解在一个新的情景或数据集下，何时以及如何进行北迁自学。
3.利用PyTorch加载数据、搭建模型、体能训练网络以及进行网络微调操作。
4.给定北迁情景，利用daib库和生成对抗技术独立完成影像进行分类中的应用领域适配。
5.北迁效果的可视化，利用机器自学库scikit-learn中的t-SNE对北迁过后的高维数据进行可视化。
十、实验Jalgaon之相片与音频艺术风格北迁实践
1.掌控基于生成对抗网络的艺术风格北迁技术。
2.影像/音频艺术风格北迁网络的搭建，重点掌控编码器和解码器的内在逻辑和不同损失表达式的运用。
3.实践红外音频转换到可见光音频的艺术风格北迁。
十一、实验Jalgaon之自动驾驶中的布吕马语法拆分实践
1.掌控语法拆分发展现状及代表性工作，如FCN，DeepLab系列等。
2.如是说常用的语法拆分评价指标（PA、mPA、mIoU、FWIoU）和常见数据集（PASCAL VOC2012，ADE20K、BDD100K、Cityscapes、GTA5、Dark Zurich）。
3.语法分割工具箱MMSegmentaion的认识和使用。
4.结构设计一个拆分模型能够从仿真环境中得到的数据北迁到真实情景下产生的数据。
十二、实验Jalgaon之最终目标检验实践
1.掌控最终目标检验演算法的基本上架构以及最终目标检验中的经典之作模型，如R-CNN系列的两阶段检验模型和YOLO系列的单阶段检验模型。
2.掌控最终目标检验模型的评测指标（IOU和mAP）、标准评测数据集（Pascal VOC，MS COCO和Cityscapes）以及检验模型中的一些体能训练技巧，如数据增强、多尺度体能训练/测试、预测框微调/投票法、在线难例挖掘、软化非极大抑制、RoI对齐和集成。
3.实践基于Transformer的端到端最终目标检验架构的搭建，并在新的数据集上与基于CNN的网络进行北迁性能的对照。
