课程简介

本期CV高级8,继续沿用上一期完整的“作业考试且批改”的教学机制,且在内容、项目、就业三个维度上做了全新升级:

  • 内容上:除了目标检测、图像分割、模型压缩的核心算法与典型应用之外,继续维持图神经网路、Transformer在CV中的2021最新应用等内容;
  • 项目上:新增多模态图文检索系统、视觉跟踪系统,与原有的“基于GNN的论文引用查询系统”、“图像分割系统”、“人体关节点提取”、“大规模跨镜追踪/重识别(ReID)”这三大项目,这些技术在工业界的应用都非常广泛,且依然标准化项目流程,涉及特征工程、模型迭代、模型优化等;
  • 就业上:就业老师专门一对一跟踪每一个人的就业状态、辅助讲师进行简历指导、面试辅导、就业内推,比如前4期CV高级班的平均就业率截止到2021年1月8日已高达96.25%,且还在不断上升中(更多请看本页面底部的“就业信息”);

一切为了学员学的更好,最终更好的高薪就业、或跳槽涨薪/升职加薪。

面向群体: 本课程适合已经在做AI的进一步在职提升,比如在职上班族跳槽涨薪/升职加薪,采用严格筛选制(通过率不到1/3),需要具备一定的基础能力才能报名通过,故以下同学优先:

  • 985或211高校的CS、数学理工科相关专业的应届或往届研究生
  • 已有一定的AI在职开发经验,比如正在公司做AI想在职提升
  • 已有一定的AI项目经验,比如学过七月在线的机器学习集训营

实战项目

企业项目

  • 企业项目一

    大规模跨镜追踪/重识别(ReID)

    行人重识别(Person ReID)广泛应用于智慧城市、智慧交通、新零售、安防监控等领域,是利用CV技术判断图像或者视频序列中是否存在特定行人的技术,其本质是一个图像检索的子问题。即给定一个监控行人图像,检索跨设备下的该行人图像。该技术旨在弥补固定的摄像头的视觉局限,并可与行人检测/行人跟踪技术相结合部署一套完整的行人重识别工业级别系统。 本项目重点涵盖以下流程:

    1、代码实践(将分享代码IDE界面,直播BAT高级技术专家Coding,培养大家的CV算法编码思路和规范)

    2、搭建基线解决方案(如从交叉熵损失出发构建深度特征学习、定制Data Loader实现高级预处理等)

    3、评价指标

    4、优化迭代(如深度排序损失函数的优雅实现、多任务训练技术、标签平滑/随机擦除/在线困难样本挖掘技术等训练技巧、微调近似特征中心、批规范化运用技巧解决多任务训练引起的特征冲突现象等)

  • 企业项目二

    多模态图文搜索系统--实战感受Transformer/BERT强大“编码”(Encode)能力

    项目介绍:多模态信息理解和检索是2021年学界和业界最热的技术和话题,尤其是当长短视频、新闻、视频号、朋友圈等PGC和UGC的内容以多模态(图片、视频、文本、音频等)形式呈现,加速了多模态信息理解和检索技术的升级,BAT、字节跳动、爱奇艺、美团点评、优酷等各大厂商都在布局和招聘多模态技术算法人才。

    涉及技术:在技术阶段讲过的Transformer、Vision Transformer等内容基础上,本次项目将继续补充多模态信息检索的前沿技术,如自监督学习(Self-supervised Learning)技术、2021年OpenAI提出的CLIP(Connecting Images and Text)等最新技术内容。实战方面,我们将从零开始,实现一个图文检索系统,实战感受Transformer/BERT强大“编码”(Encode)能力。

  • 企业项目三

    人体姿态估计系统

    人体姿态估计又名人体骨骼关节点检测或人体关键点提取,是计算机视觉的基础性算法之一,在计算机视觉的其他相关领域的研究中都起到了基础性的作用,如行为识别、人物跟踪、步态识别等相关领域。具体应用主要集中在智能视频监控,病人监护系统,人机交互,虚拟现实,人体动画,智能家居,智能安防,运动员辅助训练等等。

    通过本项目,你将学会搭建一套基于Pytorch的人体姿态估计系统。

  • 企业项目四

    视觉跟踪系统

    项目介绍:视觉是人类认知世界的重要途径之一,人类获取外部信息的80%来自视觉系统。计算视觉追踪就是在了解人类视觉基础上,用成像系统代替人类视觉器官,用计算级代替人脑完成对输入图像的处理与理解。通过对连续的图像序列进行运动目标检测、提取特征、行为识别,以获得目标准确的运动信息参数(如位置、速度等),并对其进行相应的处理分析,实现对目标的行为理解。其在安全防护、体育竞赛、无人驾驶等领域有着广泛地应用。

    涉及技术:本项目将从目标检测之Anchor Free方向下大火的CenterNet入手,过渡到视觉追踪的Center Track(2021)。从视觉追踪系统的网络模型搭建、训练、优化及测试入手,深入挖掘视觉追踪系统的魅力。

  • 企业项目五

    基于GNN的论文引用查询系统

    图数据是一种非常广泛的现实场景种非欧式空间数据的表示方式。没有任何一个场景中的数据彼此之间是孤立存在的,这些数据之间的关系都能以图的形式进行表达。GNN的应用场景覆盖计算机视觉、3D 视觉、自然语言处理、物联网、社交网络、知识图谱、电子商务、生物化学、反欺诈等场景。

    通过本项目,我们能够对GNN的理论基础、应用场景、数据读取、信息传递等最新研究进展有深入的理解和思考,并能够搭建一套应用于工业界的图神经网络,用于对各应领域的现实数据分析。

  • 企业项目六

    基于深度学习的图像分割系统

    图像分割一直是计算机视觉领域的一个研究热点,尤其在深度学习技术的推动下,图像分割开始从研究走向应用,图像分割广泛应用于机器人导航,自动驾驶,图像的艺术化处理,短视频编辑等等领域。

    通过本项目,我们可以学会从零开始搭建一个基于深度学习的图像分割系统,并应用于实际应用中,并对图像分割领域的最新研究理论有深入的理解和思考。

实训项目

  • {{item.title}}

项目介绍

讲师团队

  • Seven博士
    BAT CV算法高级技术专家

    博士毕业于国内Top5高校,在人工智能和模式识别领域发表了10余篇会议和期刊。目前在国内某知名互联网公司担任CV算法高级技术专家,有深厚的学术背景和丰富的项目及业务落地经验。Seven老师长期担任校园招聘和社会招聘技术面试官,授课风格深入浅出、诙谐幽默。

  • 王博士
    CV博士,百度CV资深研发

    中科院CV博士毕业,中国图像图形学会三维视觉专委会委员,目前在百度做CV研发,之前在阿里达摩院做CV研发。

  • 庞博士
    CV技术专家,美国Top10学校博士

    主攻计算机视觉、目标检测、图神经网络等领域,在顶会和顶级期刊发论文数十篇。现任美国某著名高校讲师,有丰富的项目、学术背景,兼备丰富的从业经验和深入浅出的教学功力。

课程安排

  • 第一部分 报名审核

    申请学员(以下简称学员)填写报名申请表并附上简历,电话或远程面试通过后,才视为报名成功,然后学员和七月在线(以下简称机构)双方签订培训合同。

  • 第二部分 内容安排

    课程开始前,提供预习视频预习,课程开始后,每周安排直播、录播、实训、答疑,然后每两周考试一次,顺利通过阶段考试的学员,才能进入下一阶段的学习。未能通过考核的重新学习,做查漏补缺。

    预习阶段 计算机视觉技术的基础

    在线视频:图像处理基础

    • 1-CV背景介绍
    • 2-CV技术的工具箱:OpenCV完全解析(c++,python)
    • 3-图像的基本操作:遍历图像,ROI选取等
    • 4-机器学习在CV中的应用:KNN

    在线视频:图像处理进阶

    • 1-图像聚类算法
    • 2-百图详解图像滤波器
    • 3-特征提取与匹配(sift等)
    • 4-坐标变换与视觉测量

    在线实训:图像拼接

    在线视频:计算机视觉基础

    • 1-图像边缘提取
    • 2-特征提取与描述
    • 3-RANSAC
    • 4-相机模型

    第一阶段 机器学习与深度学习基础

    在线视频:机器学习基础和神经网络

    • 1-线性分类器原理推导
    • 2-神经网络基础——前向传递和反向传播算法
    • 3-神经网络调参实践

    在线实训:使用TensorFlow/Keras快速搭建神经网络进行图像分类

    在线视频:深度卷积神经网络原理与实践

    • 1-卷积操作的物理意义
    • 2-深度卷积神经网络的基本结构
    • 3-卷积层的参数个数、输出维度的计算

    在线实训:百行代码实现Kaggle图像分类竞赛Top-5%

    在线直播:传统计算机视觉概述

    • 1-Harris 角点
    • 2-SIFT算法
    • 3-RANSAC
    • 4-相机成像模型与相机标定
    • 5-立体视觉
    • 6-SFM与SLAM
    • 7-传统图像拼接项目-SIFT

    在线直播:夯实ML与DL基础

    • 1-深度学习CNN,BP算法基础
    • 2-深度学习中的最优化算法
    • 3-深度学习中的正则化
    • 4-再谈TensorFlow/Keras图像分类
    • 5-常见面试知识点

    第二阶段 深度学习高阶技术:Transformer在CV中的2021最新应用

    在线视频:图像搜索技术:从Autoencoder到ConvNets

    • 1-基于无监督深度学习的图像搜索技术-Autoencoder
    • 2-基于有监督深度学习的图像搜索技术-ConvNets
    • 3-应用ConvNets作图像搜索任务的实践经验
    • 4-理解深度排序技术

    在线实训:使用Autoencoder和ConvNets构建图像搜索系统

    在线视频:大规模车辆图片搜索/重识别(ReID)

    • 1-深入理解Triplet Loss及其训练技巧
    • 2-基于多任务的深度学习技术
    • 3-融合多任务和Triplet Loss

    在线实训:使用TensorFlow/Keras由浅入深搭建规模车辆图片搜索系统

    在线视频:Two-Stage物体检测

    • 1-考试试题“神经网络与CNN”分析
    • 2-深入理解物体检测的评价指标
    • 3-NMS及其近年来变种(Soft-NMS、Softer NMS、Adaptive NMS等)
    • 4-深入理解Anchor机制
    • 5-RCNN家族模型详解(从RCNN到Cascade RCNN)
    • 6-再谈使用Autoencoder和ConvNets构建图像搜索系统

    在线视频:One-Stage物体检测

    • 1-SSD、YOLO系列模型剖析
    • 2-Focal Loss背后的原理
    • 3-物体检测的参数解析
    • 4-再谈Anchor:实际业务场景中Anchor需要调整吗?
    • 5-再谈用Keras/PyTorch 搭建Image Caption模型

    在线直播:Self-Attention和Transformer架构

    • 1-深入理解Self-Attention与RNN之间的“等价”关系
    • 2-解析Self-Attention中的三大基本概念:Query、Key和Value
    • 3-理解Positional Encoding和Multi-head Attention
    • 4-剖析Transformer架构:由Self-Attention、FC、Layer Norm组成

    在线直播:Transformer在计算机视觉和多模态技术中的应用

    • 1-Multi-Head Attention进阶理解和代码实现,以及BoTNet应用
    • 2-使用Transformer和BERT实现视频与文本互搜
    • 3-Transformer在目标检测中的应用:DETR以及Deformable DETR
    • 4-Vision Transformer基本原理和架构以及实现

    第三阶段 掌握目标跟踪与语义分割的应用

    在线视频:目标检测及其在无人驾驶领域的作用

    • 1-目标检测的任务、Benchmark以及评价指标
    • 2-2-Stage模型:R-CNN、Fast R-CNN、Faster R-CNN
    • 3-1-Stage模型:YOLO系列和SSD
    • 4-初步了解无人驾驶中的视觉问题(以KITTI数据库为例)

    在线实训:使用TensorFlow/PyTorch在COCO数据集上进行目标检测

    在线视频:深度学习在图像语义分割中的应用

    • 1-全卷积网络FCN
    • 2-基于Encoder-Decoder思想的U-Net系列方法
    • 3-空洞卷积和Deep Lab系列

    在线实训:使用TensorFlow在COCO数据集上进行语义分割

    在线直播:比目标检测难度更大的视觉目标跟踪技术

    • 1-目标跟踪任务简介
    • 2-流行的跟踪方法详解
    • 3-实战演练:跟踪demo与代码在实战场景中的应用

    在线直播:语义分割的核心算法与工业应用

    • 1-语义分割深度学习经典算法算法详解
    • 2-语义分割最新研究进展与工业界应用
    • 3-MASK-RCNN instance segmentation算法详解

    第四阶段 CV实用技术:从模型压缩到Kaggle打榜

    在线视频:RNN及其应用(image captioning and VQA)

    • 1-RNN介绍
    • 2-LSTM介绍和背后的梯度解释
    • 3-基于RNN的图像解释和图像问答任务

    在线实训:使用Keras/PyTorch 搭建一个Image Caption模型

    在线视频:深度学习前沿:理解AlphaGo (强化学习) 和生成模型(GAN)背后的原理

    • 1-深度强化学习原理
    • 2-对抗生成模型原理及各种变法(Basic GAN, DC-GAN, W-GAN, 等)
    • 3-基于GAN网络的风格迁移学习

    在线实训:手把手教你如何使用TensorFlow/PyTorch实现GAN

    在线直播:轻量级卷积神经网络与模型压缩

    • 1-轻量级卷积神经网络的大杀器:深度可分离卷积
    • 2-理解MobileNet系列网络架构
    • 3-模型剪枝基本算法及相关变种
    • 4-深度压缩技术: Learning to Compress

    在线直播:临阵磨枪之Kaggle比赛经验速成

    • 1-Kaggle挑战赛介绍、搭配环境、数据下载、模型评估
    • 2-迄今最大物体检测数据集Open Images 挑战赛
    • 3-动手实践:谷歌标志物分类挑战赛
  • 第三部分 实战项目

    在课程进行的后半段,学员根据自己的兴趣和求职的方向选择实战项目:

    第一阶段 项目整体介绍与项目任务书发布

    在线直播:项目1 跨镜追踪/重识别(ReID)背景及基本思路

    在线直播:项目2 多模态图文搜索:多模态+自监督学习前沿技术综述1

    在线直播:项目3 人体姿态估计系统的介绍

    在线直播:项目4 视觉跟踪系统的介绍

    在线直播:项目5 基于GNN的论文引用查询系统介绍

    在线直播:项目6 图像分割系统的介绍

    第二阶段 特征工程与核心算法讲解

    在线直播:项目1 跨镜追踪/重识别(ReID)的Baseline搭建(训练/评测)

    在线直播:项目2 多模态图文搜索:多模态+自监督学习前沿技术综述2、图文搜索Data Loader实现(PPT+代码授课)

    在线直播:项目3 人体姿态估计系统的核心算法详解

    在线直播:项目4 2021最新视觉跟踪核心算法讲解

    在线直播:项目5 基于GNN的论文引用查询系统核心算法详解

    在线直播:项目6 图像分割系统的特征工程

    第三阶段 模型构建与迭代优化

    在线直播:项目1 跨镜追踪/重识别(ReID)的Baseline搭建(Data Generator/训练技巧)

    在线直播:项目2 多模态图文搜索:Text/Image Encoder实现(代码授课)

    在线直播:项目3 人体姿态估计系统的模型构建

    在线直播:项目4 视觉跟踪系统的模型构建

    在线直播:项目5 基于GNN的论文引用查询系统的模型构建

    在线直播:项目6 图像分割系统的模型构建

    第四阶段 模型的评估、优化与上线

    在线直播:项目1 跨镜追踪/重识别(ReID)的优化迭代(自定义损失函数、多任务训练)

    在线直播:项目2 多模态图文搜索:Alignment、Loss和Training实现

    在线直播:项目3 人体姿态估计系统的整体实现

    在线直播:项目4 视觉跟踪系统的整体实现

    在线直播:项目5 基于GNN的论文引用查询系统的整体实现

    在线直播:项目6 图像分割系统的整体实现

    第五阶段 次项目的整体流程和核心技能点

    在线直播:项目7 SLAM三维重建系统的整体流程和核心技能点

    在线直播:项目8 给定图像自动生成描述整体流程和核心技能点

    在线直播:项目9 基于自监督的图像表征学习的整体流程和核心技能点

  • 第四部分 面试求职

    针对学员所选的实战项目,进行项目与简历的最终调整与完善。然后除了学员自己投简历找工作之外,增加内推,并跟踪每一次面试的结果,不断辅导迭代,最终拿到offer。

    第一阶段 项目总结和就业辅导

    在线直播:九大项目的总结与就业辅导

    • 1-六大企业项目和三大实训项目的项目总结
    • 2-简历的优化与调整:如何把课程项目写进简历里,需要突出哪些技术点、如何确定评估指标

    第二阶段 面试辅导与内推

    • 1-内推包括且不限于互联网名企
    • 2-跟踪每一个学员的就业动态,辅导每一次面试遇到的问题
  • 第五部分 入职护航

    针对学员入职后工作上遇到的技术方面问题,进行一周的跟踪服务,为学员稳定就业保驾护航。

学员评价

就业信息

为保护学员隐私利益,特隐晦部分敏感信息,且限于篇幅,只节选部分

最新面经

一个学硬件出身的转到AI领域年薪30万

“这些课程从上学到工作后一直对我极大的帮助,学过的课程视频就像回顾老电影一样,有空就会回头欣赏一遍。 ”

完整面经>

应届提前批收获京东30万+算法offer:分享一份算法刷题指南

“就业班因为面向就业,除了更加详细的知识层面的学习之外,老师还会穿插一些面试中经常会遇到的面试题,以及工业界比较常用的计算机视觉方法以及目前热门的应用。最后的项目也会手把手教大家实现,并且指导大家如何通过手上的项目来回答面试官的问题。”

完整面经>

非科班小渣渣逆袭之路:从没实习没论文到拿下京东算法offer

“本科985,硕士211,非科班,硕士期间的研究方向涉及到一些AI方面的东西(研一还是在做控制相关的,真正开始自学CV算是在研二),导师放养(而且没有师兄师姐做AI相关的),实验室没资源,不让实习,没论文,属于啥啥都没有的小渣渣。拿到了一些小企业和一些国企研究所的offer,最终去了京东做算法,算是渣渣的救赎了吧。”

完整面经>

CV面试经验:代码能力要过关,比如数据结构与算法

“如果想面试大厂的话,以上问题是次要的,首先要代码能力过关,代码能力体现在算法与数据结构上,正常来说剑指offer搞的完全通透面试完全不成问题(阿里算法工程师学长给我的忠告),切记leetcode无脑刷题。”

完整面经>

CV面试经验:Leetcode上刷了100道

“本人2019年末流985硕士毕业,硕士期间做的是传统的机器学习算法,常用的是Matlab,对于工作来说基本用不上,而且目前大多数公司用到的AI算法还是偏向深度这一块的,再加上自己对深度学习相关算法了解的不多,因此想报个班学习下,在网上看到七月在线觉得挺好的,所以就报了七月的就业班。”

完整面经>

CV岗面试经验:拼多多、腾讯、平安都问了这些问题

“腾讯:CV岗。代码考察了DP(小偷问题)和回溯(DFS),顺利过关。深度学习算法,问了BN、drop out、label smoothing这些,回答得不是很好。划重点,对于自己简历里写的这些策略,一定一定要网上多看看一些相关博客的深入介绍,不能浮于表面,不然面试官换个角度问就会被问倒。”

完整面经>

CV求职经历分享:CV就业seven老师的简历指导对我帮助巨大

“seven老师的简历指导对我帮助巨大,不敢想象我曾在简历展示上犯了那么多错。简历上的项目是靠质量和深度取胜的,太多只会让人觉得你做的东西很浅很杂。”

完整面经>

最新面经:经过5小时CV一对一就业辅导——从面面挂到面面过

“此时临近五一眼看金三银四已过,内心焦虑,恶补了大量和项目相关的基础知识和细节,还是没有信心,于是报名了七月的1v1就业小班。经过笔试测验后,Seven老师同意对我进行辅导,当时心里踏实了很多”

完整面经>

面试科研岗位的一点经验分享:如何拿到年薪40万

“想要改变最好的办法就是不断学习和更新自己的知识来适应这个不断变化的时代,于是报名了七月CV就业小班,下决心从之前的岗位离职了(离职原因也有很多,但是其中一个原因是想安心好好学习,当然不建议所有人都这样做,班上也有一边工作一边学习的,更建议转方向的同学骑驴找马),利用之后的三个月时间学习和更新CV领域的知识,主要是深度学习相关。”

完整面经>

机器视觉转CV

“我是CV就业第二期的学员,之前的工作是从事工业领域机器视觉检测的,在上一家公司,感觉自己遇到了发展瓶颈,也到看到行业内,有将深度学习应用在工业零件的缺陷检测中,就果断裸辞报班转CV就业班。找工作持续了差不多两个月左右,拿了两个offer,还有一家就是七月在线推荐的一家公司。”

完整面经>

Android三年转AI的狗血经历:曾报一培训机构但没找到工作

“多动手做项目:在正式的大项目开始前,自己最好能动手做1-2个项目,哪怕MNIST自己动手从头开始写,自己调几次参,CIFAR-10,CIFAR-100调参,kaggle上调一个项目,能动手做一下。否则等真正的大项目开始后,自己根本不知道如何下手,更别说跑出来一个较理想的结果。而且也不要为了验证trick而去调参,即不要为了调参而调参”

完整面经>

C语言程序员的漫漫二转之路:曾报两个机构的培训班

“谨慎考虑报了七月在线的CV就业2,在讲师和助教的帮助下,我确实在深度学习方面有了很大的提升,从原理概念到推导,到训练方法和各种实用的思想和技巧;其中最深刻的感受是玩转了云计算的GPU,自己搭过、跑过、调过模型才算是真正的入行,相关的论文要看,一手的资料内容丰富程度和博客不在一个等级”

完整面经>

双非应届小硕关于秋招的血与泪:投过很多简历拿到2个CV offer

“对于算法的应用场景也要有所思考,别只了解一些理论的东西,课程中老师闲扯的东西,尽量自己在做深入的思考(比如,车辆ReID的内容,可以不可以延伸到行人ReID),然后到姿态估计,然后两者结合增加模型的精确度,再进一步能不能对于视频的内容进行动态识别等等”

完整面经>

大龄社招转行CV算法的一些心得:曾整晚整晚的训练模型、调参、再训练

“报班前3个月每天白天工作,晚上上课学习,开始很有激情,通过三个月时间把神经网络和CV的基础知识网络抓了一遍,还参加了一些Kaggle的图像分类比赛,整晚整晚的电脑训练模型,调整参数,再训练,下班了晚上回来看结果,调整,在训练…如此反复,有了对于使用CNN进行图像分类的基本概念”

完整面经>

从测试到CV算法工程师的转型之路:最终连拿4个offer

“一个人的学习过程中,知识体系通常很零散,虽然网上的教程很多,但是搜集教程并挑选出适合目前自己学习程度的课程也会花费比较大的精力,并且,网上的随处可见的教程、几个烂大街的项目对于简历过筛和面试还远远不够。3月份看到七月在线推出了CV就业第一期课程,于是立马就报名了。”

完整面经>

深度学习社招面试心得:算法+CV基础知识+相关项目经历

“于是就下定决心上七月在线报班跟老师学,4月份报名,学习了两个月,主要是看视频直播,跟着老师做kaggle项目,修改简历,最后模拟面试。到了6月中旬有两个项目经历就开始在BOSS直聘上投简历。”

完整面经>

社招转行CV算法的面经:项目的问题一般这么问

“项目涉及的各种技术及其关联扩展的详解、为什么要用这种方法思考过程是怎样的、有哪些难点、遇到哪些困难、后期做了哪些优化等问题,都要准备好再去面试。”

完整面经>

算法工程师面经:我是如何从产品转到CV的

“今年四月初,正处于换工作阶段。由于有一阶段没有对前沿科技、技术的摄入,需要一段时间进行补充。正巧看到了七月cv就业班的第一期正在招生,相比于个人的集中复习,报班学习能够提供基础知识巩固、技术大牛讲解、实验平台的使用,自己只需要闷头学就好了。也是为了让自己的学习有个“抓手”,就报了CV就业班”

完整面经>

时间安排

2021年6月15日开班,越早报名越早享受到BAT大咖的一对一个性化定制。

三个月的学习周期(包括直播、录播、实训、答疑、考试、项目),三个月的就业周期,且配备全职科学家、全职助教、全职就业老师辅助讲师进行课程答疑、项目辅导、简历指导、就业内推。

课程价格

收费:¥21000,完成课程和毕业项目后,半年内未就业全额退款。

包含课程费用、项目费用、就业费用,审核通过且报名后签订就业协议,了解详情或优惠,敬请咨询。

nlp6

报名流程

报名本就业班的步骤如下

  • 1、点击此处,下载申请表
  • 2、填写好申请表后,和简历一并发送至邮箱:july@julyedu.com
  • 3、我们会在一个工作日之内沟通后续事宜

PS:申请表和简历不得造假(包括但不限于:学历不得造假、教育经历不得造假、工作履历不得造假,一经发现,立即取消入学资格,且相关后果自负)。

课程咨询

课程全新升级,咨询可优惠

6·18期间报名加送:《三年新VIP[包全平台三年AI初级课和三年GPU]》和《深度学习集训营

尚未开课,开课后立即上传课程~

{{blessingTip}}

{{seconds}}s

您有1个待支付尾款的课程
再不支付就要过期了!
点击查看