一、项目简介
人工智能(Artificial Intelligence),英文缩写为AI。是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学,其目的就是对人的意识、思维的信息过程的模拟,让机器拥有智能像人一样思考,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能应用工程师人才培养标准含盖了知识体系测定、学习路径规划、技术学习和操作练习、水平测定等完整的课程及考核体系,人工智能应用工程师职业技术考核将能力发展通道由低到高划分为三个等级,分别为:初级、中级和高级。
二、报考条件
1、初级: (满足以下之一皆可报名)
(1)取得初级标准所要求培训学时证明,
(2)具备相关中等专科及以上学历(含在读的应届生)。
2、中级: (满足以下之一皆可报名)
(1)取得中级标准所要求培训学时证明,
(2)获得初级职业技术证书。
(3)专科及以上学历从事相关工作 1 年以上
(4)专科以下学历从事相关工作 2 年以上
3、高级: (满足以下之一皆可报名)
(1)取得高级标准所要求培训学时证明,
(2)获得中级职业技术证书。
(3)本科及以上学历从事相关工作 3 年以上
(4)本科以下学历从事相关工作 4 年以上
(注:上述相关工作年限不限制行业)
三、考试方式
考试方式分为线下考试站点纸考或线上系统机考两种方式,考试形式为上机答题,闭卷。
四、考试内容
初级: 120分钟,客观题(单选+多选),上机答题。
中级: 120分钟,主观题+客观题(单选+多选+案例操作),上机答题。
高级:120分钟, 主观题+客观题(单选+多选+案例操作),上机答题。
五、考试地点
各地授权考试站点或在线考试系统
六、课程大纲
<初级>--人工智能应用工程师职业技术课程大纲 | |
人工智能导论 | Python编程基础 |
人工智能导论 第1模块: 人工智能概述 课时 1 : 1.1.1 人工智能的基本概念 课时 2 : 1.1.2 人工智能的发展历史 课时 3 : 1.2.1 人工智能研究的基本内容 课时 4 : 1.2.2 人工智能的主要研究领域 第2模块: 大数据与人工智能 课时 5 : 2.1.1 理解大数据 课时 6 : 2.1.2 大数据技术 课时 7 : 2.1.3 大数据技术应用的壁垒 课时 8 : 2.2.1 认识大数据时代 课时 9 : 2.2.2 大数据思维的特点 课时 10 : 2.2.3 大数据的应用 课时 11 : 2.2.4 大数据时代的企业案例 课时 12 : 2.3.1 人工智能与大数据的本质 课时 13 : 2.3.2 人工智能与大数据思维的协同工作 课时 14 : 2.3.3 人工智能与大数据应用的局限性 | Python编程基础 第1模块: 数据挖掘基础 课时 1 : 1.5 Python数据挖掘的环境配置 第2模块: Python数据挖掘编程基础 课时 2 : 2.1.1 基本运算 课时 3 : 2.1.1 列表或元组 课时 4 : 2.1.1 集合 课时 5 : 2.1.1 字典 课时 6 : 2.1.2 判断与循环 课时 7 : 2.1.3 函数 课时 8 : 2.1.3 函数式编程 课时 9 : 2.1.3 库的导入与添加 课时 10 : 2.2~2.3 Python数据分析常用库和数据挖掘建模常用库与框架 |
科学计算包NumPy | 数据可视化 |
科学计算包NumPy 课时 1 : 2.1.1Numpy简介 课时 2 : 2.1.2 数组创建及基础属性 课时 3 : 2.1.3 初识数组的特点 课时 4 : 2.1.4 创建常用数组 课时 5 : 2.1.5 数组数据类型 课时 6 : 2.1.6 生成随机数 课时 7 : 2.1.7 一维数组的索引 课时 8 : 2.1.8 逻辑型索引 课时 9 : 2.1.9 多维数组的索引 课时 10 : 2.1.10 求解距离矩阵 课时 11 : 2.1.11 变化数组shape 课时 12 : 2.2.1 Numpy矩阵介绍 课时 13 : 2.2.2 Numpy通用函数介绍 课时 14 : 2.2.3 通用函数的广播机制 课时 15 : 2.3.1 Numpy读写二进制文件 课时 16 : 2.3.2 Numpy读写txt文件 课时 17 : 2.3.3 利用Numpy对数据进行简单统计分析 | 数据可视化 课时 1 : 1.1 Matplotlib绘制流程说明 课时 2 : 1.2 添加文本和修改绘图风格 课时 3 : 1.3 rc参数 课时 4 : 1.4 散点图 课时 5 : 1.5 折线图 课时 6 : 1.6 直方图和条形图 课时 7 : 1.7 饼图 课时 8 : 1.8 箱线图 课时 9 : 1.9 人口特征间分布 课时 10 : 1.10 人口各个特征分布 |
数据探索 | 考试 |
数据探索 课时 1 : 3.1.1 一致性校验 课时 2 : 3.1.2 缺失值校验 课时 3 : 3.1.3 简单统计量分析 课时 4 : 3.1.3 IQR准则和3西塔原则 课时 5 : 3.1.3 箱型图分析 课时 6 : 3.2.1 集中趋势度量 课时 7 : 3.2.1 离中趋势度量 课时 8 : 3.2.2 定量数据分布分析 课时 9 : 3.2.2 定性数据分布分析 课时 10 : 3.2.3 对比分析 课时 11 : 3.2.4 周期分析 课时 12 : 3.2.5 贡献度分析 课时 13 : 3.2.6 相关性分析 | 人工智能应用工程师(初级)职业技术考试 |
<中级>--人工智能应用工程师职业技术课程大纲 | |
人工智能技术概述 | Python编程基础 |
人工智能技术概述 课时 1 : 什么是人工智能技术 | 第1模块: 准备工作 课时 1 : 1.1认识Python 课时 2 : 1.2搭建Python环境 课时 3 : 1.3安装PyCharm 课时 4 : 1.4PyCharm使用入门 第2模块: 列表操作 课时 5 : 2.1第一个Python程序 课时 6 : 2.2Python固定数据类型介绍 课时 7 : 2.3列表构建及索引操作 课时 8 : 2.4列表元素的增删改查操作 课时 9 : 2.5列表推导式 课时 10 : 2.6练习1:求曲边图形的面积 第3模块: 程序流程控制语句 课时 11 : 3.1Python常用操作符 课时 12 : 3.2Python条件判定语句 课时 13 : 3.3练习2:冒泡排序法的实现 第4模块: 字符串操作 课时 14 : 4.1字符串及其索引&切片 课时 15 : 4.2字符串的常见方法 课时 16 : 4.3字典的创建及索引 课时 17 : 4.4字典常用操作 课时 18 : 4.5字典推导式_batch 第5模块: Python文件读取操作 课时 19 : 5.1Python读取文件 课时 20 : 5.2练习3:统计小说中的单词频次 |
Python数据分析与应用 | 机器学习实战 |
第1模块: Python数据分析概述 课时 1 : 1.1认识数据分析 课时 2 : 1.2熟悉Python数据分析的工具 课时 3 : 1.3 安装anaconda与启动jupyter notebook 课时 4 : 1.4 掌握jupyter notebook常用功能 第2模块: NumPy数值计算基础 课时 5 : 2.1.1Numpy简介 课时 6 : 2.1.2 数组创建及基础属性 课时 7 : 2.1.3 初识数组的特点 课时 8 : 2.1.4 创建常用数组 课时 9 : 2.1.5 数组数据类型 课时 10 : 2.1.6 生成随机数 课时 11 : 2.1.7 一维数组的索引 课时 12 : 2.1.8 逻辑型索引 课时 13 : 2.1.9 多维数组的索引 课时 14 : 2.1.10 求解距离矩阵 课时 15 : 2.1.11 变化数组shape 课时 16 : 2.2.1 Numpy矩阵介绍 课时 17 : 2.2.2 Numpy通用函数介绍 课时 18 : 2.2.3 通用函数的广播机制 课时 19 : 2.3.1 Numpy读写二进制文件 课时 20 : 2.3.2 Numpy读写txt文件 课时 21 : 2.3.3 利用Numpy对数据进行简单统计分析 第3模块: Matplotlib数据可视化基础 课时 22 : 3.1.1 Matplotlib介绍 课时 23 : 3.1.2 基础图形绘制 课时 24 : 3.1.3 常用参数设置 课时 25 : 3.2.1 绘制散点图 课时 26 : 3.2.2 散点图参数设置 课时 27 : 3.2.3 绘制折线图 课时 28 : 3.3.1 绘制饼图 课时 29 : 3.3.2 绘制箱线图 第4模块: Pandas统计分析基础 课时 30 : 4.1 Pandas简介 课时 31 : 4.2.1 Pandas读取文本数据 课时 32 : 4.2.2 存储数据框 课时 33 : 4.2.3 Pandas读取excel文件 课时 34 : 4.2.4 将数据框存储为excel文件 课时 35 : 4.3.1 构建数据框 课时 36 : 4.3.2 查看数据框的常用属性 课时 37 : 4.3.3 按行列顺序访问数据框中的元素 课时 38 : 4.3.4 按行列名称访问数据框中的元素 课时 39 : 4.3.5 修改数据框中的元素 课时 40 : 4.3.6 删除数据框中的元素 课时 41 : 4.3.7 描述分析数据框中的元素 课时 42 : 4.4.1 转换成时间类型数据 课时 43 : 4.4.2 时间类型数据的常用操作 课时 44 : 4.5.1 groupby分组操作 课时 45 : 4.5.2 agg聚合操作 课时 46 : 4.6.1 生成透视表 课时 47 : 4.6.2 生成交叉表
| 第1模块: 机器学习绪论 课时 1 : 1.1引言 课时 2 : 1.2基本术语 课时 3 : 1.3假设空间&归纳偏好 第2模块: 模型评估与选择 课时 4 : 2.1经验误差与过拟合 课时 5 : 2.2评估方法 课时 6 : 2.3性能度量 课时 7 : 2.4性能度量Python实现 第3模块: 回归分析(Regression Analysis) 课时 8 : 3.1线性回归基本形式 课时 9 : 3.2线性回归模型的Python实现 课时 10 : 3.3波士顿房价预测的Python实现 课时 11 : 3.4逻辑回归介绍 课时 12 : 3.5研究生入学录取预测的Python实现 第4模块: 决策树(Decision Tree) 课时 13 : 4.1从女生相亲到决策树 课时 14 : 4.2明天适合打球吗 课时 15 : 4.3决策树拆分属性选择 课时 16 : 4.4决策树算法家族 课时 17 : 4.5泰坦尼克号生还者预测—数据预处理 课时 18 : 4.6泰坦尼克号生还者预测—模型构建与预测 课时 19 : 4.7 决策树可视化 第5模块: 人工神经网络(Artificial Neural Network) 课时 20 : 5.1单个神经元介绍 课时 21 : 5.2经典网络结构介绍 课时 22 : 5.3神经网络工作流程演示 课时 23 : 5.4如何修正网络参数-梯度下降法 课时 24 : 5.5网络工作原理推导 课时 25 : 5.6网络搭建准备 课时 26 : 5.7样本从输入层到隐层传输的Python实现 课时 27 : 5.8网络输出的Python实现 课时 28 : 5.9单样本网络训练的Python实现 课时 29 : 5.10全样本网络训练的Python实现 课时 30 : 5.11网络性能评价 课时 31 : 5.12调用sklearn实现神经网络算法
|
人工智能应用工程师(中级)职业技术考试 | |
<高级>--人工智能应用工程师职业技术课程大纲 | |
人工智能技术概述 | Python编程基础 |
人工智能技术概述 课时 1 : 什么是人工智能技术 | 第1模块: 准备工作 课时 1 : 1.1认识Python 课时 2 : 1.2搭建Python环境 课时 3 : 1.3安装PyCharm 课时 4 : 1.4PyCharm使用入门 第2模块: 列表操作 课时 5 : 2.1第一个Python程序 课时 6 : 2.2Python固定数据类型介绍 课时 7 : 2.3列表构建及索引操作 课时 8 : 2.4列表元素的增删改查操作 课时 9 : 2.5列表推导式 课时 10 : 2.6练习1:求曲边图形的面积 第3模块: 程序流程控制语句 课时 11 : 3.1Python常用操作符 课时 12 : 3.2Python条件判定语句 课时 13 : 3.3练习2:冒泡排序法的实现 第4模块: 字符串操作 课时 14 : 4.1字符串及其索引&切片 课时 15 : 4.2字符串的常见方法 课时 16 : 4.3字典的创建及索引 课时 17 : 4.4字典常用操作 课时 18 : 4.5字典推导式_batch 第5模块: Python文件读取操作 课时 19 : 5.1Python读取文件 课时 20 : 5.2练习3:统计小说中的单词频次 第6模块: 函数 课时 21 : 6.1Python函数自定义 课时 22 : 6.2练习4:自定义求序列偶数个数的函数 第7模块: 面向对象与模块 课时 23 : 7.1Python方法与函数对比介绍 课时 24 : 7.2Python面向对象示例 课时 25 : 7.3Python模块使用 课时 26 : 7.4第三方库的安装与调用 第8模块: 注意事项 课时 27 : 8.1Python工作路径说明 课时 28 : 8.2模块命名及存放路径的注意事项 课时 29 : 8.3结语 |
Python数据分析与应用 | 机器学习实战 |
第1模块: Python数据分析概述 课时 1 : 1.1认识数据分析 课时 2 : 1.2熟悉Python数据分析的工具 课时 3 : 1.3 安装anaconda与启动jupyter notebook 课时 4 : 1.4 掌握jupyter notebook常用功能 第2模块: NumPy数值计算基础 课时 5 : 2.1.1Numpy简介 课时 6 : 2.1.2 数组创建及基础属性 课时 7 : 2.1.3 初识数组的特点 课时 8 : 2.1.4 创建常用数组 课时 9 : 2.1.5 数组数据类型 课时 10 : 2.1.6 生成随机数 课时 11 : 2.1.7 一维数组的索引 课时 12 : 2.1.8 逻辑型索引 课时 13 : 2.1.9 多维数组的索引 课时 14 : 2.1.10 求解距离矩阵 课时 15 : 2.1.11 变化数组shape 课时 16 : 2.2.1 Numpy矩阵介绍 课时 17 : 2.2.2 Numpy通用函数介绍 课时 18 : 2.2.3 通用函数的广播机制 课时 19 : 2.3.1 Numpy读写二进制文件 课时 20 : 2.3.2 Numpy读写txt文件 课时 21 : 2.3.3 利用Numpy对数据进行简单统计分析 第3模块: Matplotlib数据可视化基础 课时 22 : 3.1.1 Matplotlib介绍 课时 23 : 3.1.2 基础图形绘制 课时 24 : 3.1.3 常用参数设置 课时 25 : 3.2.1 绘制散点图 课时 26 : 3.2.2 散点图参数设置 课时 27 : 3.2.3 绘制折线图 课时 28 : 3.3.1 绘制饼图 课时 29 : 3.3.2 绘制箱线图 第4模块: Pandas统计分析基础 课时 30 : 4.1 Pandas简介 课时 31 : 4.2.1 Pandas读取文本数据 课时 32 : 4.2.2 存储数据框 课时 33 : 4.2.3 Pandas读取excel文件 课时 34 : 4.2.4 将数据框存储为excel文件 课时 35 : 4.3.1 构建数据框 课时 36 : 4.3.2 查看数据框的常用属性 课时 37 : 4.3.3 按行列顺序访问数据框中的元素 课时 38 : 4.3.4 按行列名称访问数据框中的元素 课时 39 : 4.3.5 修改数据框中的元素 课时 40 : 4.3.6 删除数据框中的元素 课时 41 : 4.3.7 描述分析数据框中的元素 课时 42 : 4.4.1 转换成时间类型数据 课时 43 : 4.4.2 时间类型数据的常用操作 课时 44 : 4.5.1 groupby分组操作 课时 45 : 4.5.2 agg聚合操作 课时 46 : 4.6.1 生成透视表 课时 47 : 4.6.2 生成交叉表 第5模块: 使用Pandas进行数据预处理 课时 48 : 5.1.1 表堆叠 课时 49 : 5.1.2 主键合并 课时 50 : 5.1.3 重叠合并 课时 51 : 5.2.1 检测与处理重复值 课时 52 : 5.2.2 检测与处理缺失值 课时 53 : 5.2.3 检测与处理异常值 课时 54 : 5.3 标准化数据 课时 55 : 5.4.1 哑变量处理 课时 56 : 5.4.2 离散化连续型数据 第6模块: 使用scikit-learn构建模型 课时 57 : 6.1.1Scikit-Learn简介 课时 58 : 6.1.2 获取及认识datasets中的数据 课时 59 : 6.1.3 将数据集划分为训练集和测试集 课时 60 : 6.1.4 利用转化器进行数据转化操作 课时 61 : 6.2 构建并评价聚类模型 课时 62 : 6.3 构建并评价分类模型 课时 63 : 6.4.1 构建回归模型 课时 64 : 6.4.2 评价回归模型 | 第1模块: 机器学习绪论 课时 1 : 1.1引言 课时 2 : 1.2基本术语 课时 3 : 1.3假设空间&归纳偏好 第2模块: 模型评估与选择 课时 4 : 2.1经验误差与过拟合 课时 5 : 2.2评估方法 课时 6 : 2.3性能度量 课时 7 : 2.4性能度量Python实现 第3模块: 回归分析(Regression Analysis) 课时 8 : 3.1线性回归基本形式 课时 9 : 3.2线性回归模型的Python实现 课时 10 : 3.3波士顿房价预测的Python实现 课时 11 : 3.4逻辑回归介绍 课时 12 : 3.5研究生入学录取预测的Python实现 第4模块: 决策树(Decision Tree) 课时 13 : 4.1从女生相亲到决策树 课时 14 : 4.2明天适合打球吗 课时 15 : 4.3决策树拆分属性选择 课时 16 : 4.4决策树算法家族 课时 17 : 4.5泰坦尼克号生还者预测—数据预处理 课时 18 : 4.6泰坦尼克号生还者预测—模型构建与预测 课时 19 : 4.7 决策树可视化 第5模块: 人工神经网络(Artificial Neural Network) 课时 20 : 5.1单个神经元介绍 课时 21 : 5.2经典网络结构介绍 课时 22 : 5.3神经网络工作流程演示 课时 23 : 5.4如何修正网络参数-梯度下降法 课时 24 : 5.5网络工作原理推导 课时 25 : 5.6网络搭建准备 课时 26 : 5.7样本从输入层到隐层传输的Python实现 课时 27 : 5.8网络输出的Python实现 课时 28 : 5.9单样本网络训练的Python实现 课时 29 : 5.10全样本网络训练的Python实现 课时 30 : 5.11网络性能评价 课时 31 : 5.12调用sklearn实现神经网络算法 第6模块: 最近邻算法(KNN) 课时 32 : 6.1KNN算法介绍 课时 33 : 6.2KNN算法解决鸢尾花分类问题 第7模块: 朴素贝叶斯分类(Naive Bayesian) 课时 34 : 7.1非洲人还是北美人 课时 35 : 7.2为什么有“朴素”二字 课时 36 : 7.3拉普拉斯修正 课时 37 : 7.4用高斯朴素贝叶斯算法解决鸢尾花分类问题 第8模块: 聚类分析(Cluster Analysis) 课时 38 : 8.1聚类分析概述 课时 39 : 8.2相似性度量 课时 40 : 8.3K-Means聚类分析算法介绍 课时 41 : 8.4利用K-Means算法对鸢尾花进行聚类 课时 42 : 8.5聚类结果的性能度量 课时 43 : 8.6调用sklearn实现聚类分析 第9模块: 支持向量机(Support Vector Machine) 课时 44 : 9.1间隔与支持向量 课时 45 : 9.2对偶问题 课时 46 : 9.3核函数 课时 47 : 9.4软间隔与正则化 课时 48 : 9.5支持向量机算法的Python实现 课时 49 : 10小结 |
人工智能应用工程师(高级)职业技术考试 |
七、报名服务
进入报名统或联系客服人员进行报名,报名成功后工作人员为您开通课程及考试账号。考试完成后7个工作日可登录系统查询成绩,通过者获得相应的职业技术证书,纸质证书将在考试后90个工作日内寄送。
八、考试成绩
考试后7个工作日出成绩,总成绩100分,60分及以上皆为通过考试并获得职业技术证书,60分以下为不通过。
九、证书颁发
学员经学习并考试合格,由工业和信息化部教育与考试中心颁发人工智能应用工程师职业技术证书,证书可登录国家工信部教育与考试中心官网查询。
附:证书样本
十、联系方式