主要參與各類計算機視覺應用場景開發過程中的涉及到的工程化實現環節。
- 適用學習對象
- 持有該專業初級證書
- 應用型本科在校學生
- 普通本科非專業在校學生
- 從事該工作滿一定年限的從業人員
- 符合本規定中級資格界定標準的人員
- 工作能力要求
- 綜合能力
- 具備在系統架構設計、專案開發經驗等領域工程實踐能力;
- 能夠準確理解和進行主流人工智慧演算法模型的訓練和應用對接方式,理解不同的演算法針對不同業務領域的實際應用價值;
- 能夠將給定的模型或演算法轉化為實際應用的場景可以實現的內容,從抽象的演算法中提煉出具體的解決方案,實現對電腦視覺應用場景的業務實現。
- 專業知識能力
- 具備資料結構與演算法基礎,熟悉軟體工程設計、開發、測試、部署上線等流程;
- 具備電腦視覺與資料採擷基礎,熟悉常用電腦視覺及深度學習演算法及常用框架;
- 熟悉圖像,視頻等檔等基本存放裝置、壓縮方法;
- 熟悉基本圖像識別方法,如深度學習;影像處理方法,如圖像特徵點抽取、仿射變換等;
- 瞭解模型訓練、模型發佈,模型存儲等過程;
- 瞭解GPU相關的軟硬體基本知識,瞭解基本網路安全、系統安全等相關知識。
- 技術能力
- 具備優秀的程式設計開發能力,掌握主流程式設計語言,如C/C++、Python、Java等;
- 能夠面向GPU進行程式設計;
- 熟悉主流作業系統開發環境,如Mac、Linux、Windows及相關作業系統指令碼語言;
- 熟練掌握關係型數據庫原理及SQL語言,熟練掌握主流資料庫如MySQL、Oracle、DB2等;
- 熟悉Hadoop、Spark等分散式開發環境,瞭解常用的各類開源框架、組件或中介軟體;
- 熟悉影像處理函式程式庫OpenCV的使用;
- 熟悉當前比較流行的電腦視覺平臺,如TensorFlow、MXNet、Keras等;
- 熟悉容器技術,如Docker、K8S、Mesos等。
- 實作能力
- 具備一定的項目實施經驗,擁有大型商用人工智慧場景的應用經驗,如文字識別OCR,圖像識別等;
- 具備大型複雜業務應用的設計與架構能力,建議擁有分散式系統研發經驗;對架構選型、資料處理、應用系統對接、應用運行過程的性能優化問題能提供解決方案;
- 能夠選擇並實現常見的演算法模型,準確理解業務需求並轉化為可實現的技術方案。
- 證照測驗考科明細及佔比
測驗考科重點 |
百分比 |
人工智慧導論 |
8.49% |
Linux操作系統 |
8.49% |
Python |
8.49% |
資料庫 |
4.95% |
資料庫(開發) |
6.93% |
容器 |
5.80% |
大數據 |
6.93% |
計算機視覺開發與應用 |
11.60% |
機器學習 |
12.30% |
深度學習 |
12.30% |
深度學習環境搭建與使用/td>
| 4.10% |
視頻變化區域檢測(Python+opencv) |
4.10% |
基於視頻流行人檢測 |
4.10% |
Spark環境下的圖像分類模型應用 |
6.08% |
人臉識別模型構建 |
4.24% |
- 學習路徑推薦
- 基礎課程
- 人工智慧導論
- 電腦與大數據技術基礎,此模組包括3門獨立課程
- 資料庫(開發):SQL教程, MySQL教程
- 容器(通用):Docker
- 容器雲運維實戰—Docker與Kubernetes集群
- 大數據(開發):Hadoop+Spark大數據技術
- 專業核心課程
- 電腦視覺開發與應用:Python電腦視覺程式設計
- 機器學習:機器學習基礎,機器學習基礎—基於Python和scikit-learn的機器學習應用
- 深度學習:深度學習基礎,keras深度學習框架,人臉識別專案實戰,Python人臉識別:從入門到工程實作
- 實作專案
- 人工智慧基礎
- 視頻變化區域檢測(python+opencv)
- Python基礎
- 機器學習
- 電腦視覺