深度学习工程师考试由Linux Foundation开源软件大学和飞桨共同创建，面向了解开源知识，具备深度学习领域开发经验的高校学生及企业员工。 认证范围：了解开源，熟悉机器学习及深度学习基本理论，能够熟练开发、修改和运行深度学习代码，并进行工程化层面上的改造，具备面向初等复杂的应用问题有初步转化为合适的机器学习问题并解决的能力。

概述

深度学习工程师考试由Linux Foundation开源软件大学和飞桨共同创建，面向了解开源知识，具备深度学习领域开发经验的高校学生及企业员工。

认证范围：了解开源，熟悉机器学习及深度学习基本理论，能够熟练开发、修改和运行深度学习代码，并进行工程化层面上的改造，具备面向初等复杂的应用问题有初步转化为合适的机器学习问题并解决的能力。

认证一览

考试模式：线上考试，总分100分，共50题，题目均为选择题，60分及以上通过考试

考试时间：90分钟

证书有效期：2年

重考政策：可接受重考

经验水平：初级

考生需于购买考试后，6个月内进行考试。通过认证考试的考生将获得PDF认证证书。

领域和能力

本认证针对考核成为深度学习初级工程师所需的技能。

本认证考试包括这些领域及其在考试中的权重：

详细内容：

开源知识 5%

l LFC102,LFC210,LFC191

数学及Python基础 5%

l 熟悉基础的微积分知识

l 熟悉概率与统计基础

l 熟悉线性代数基础

l 掌握基础的Python函数库，如NumPy、Matplotlib、Pandas、SKlearn等

机器学习 20%

l 掌握机器学习的基础概念及分类，能够区分监督学习、无监督学习及强化学习

l 熟悉监督学习基本理论及算法，包括回归与分类、决策树、神经网络、朴素贝叶斯、支持向量机等

l 熟悉无监督学习的基本理论及算法，包括K-Means算法，降维等

深度学习 30%

l 掌握深度学习的概论，包括深度学习的发展历程，深度学习的应用场景及常用框架

l 掌握深度学习网络结构，包括单层神经网络、浅层神经网络及深层神经网络

l 掌握卷积神经网络的概念，算法，结构及经典卷积网络模型

l 熟悉循环和递归网络的概念及算法，编码器与解码器，长短期记忆网络等

l 了解深度生成模型，包括玻尔兹曼机、深度信念网络、有向生成网络、生成随机网络等

深度学习平台 30%

l 熟悉主流的深度学习平台及特点

l 熟悉飞桨的特性及环境搭建操作

l 熟练使用飞桨，包括数据预处理、模型概览、训练模型、应用模型等

l 熟悉飞桨典型模型及案例实战，如手写数字识别、图像分类、词向量、情感分析、语义角色标注等

深度学习行业应用案例介绍 10%

l 熟悉深度学习在计算机视觉中的应用，如图像分类、目标检测、图像分割等

l 熟悉深度学习在自然语言处理中的应用，如机器翻译、问答系统、文本情感分析等

l 熟悉深度学习在推荐系统中的应用，如视频推荐，CTR预估等

l 了解深度学习在语音技术中的应用，如语音识别，语音合成等

政策和资源

FAQ

1、考试题型有哪些？各占多少比例？

答：本考试题型包括单选、多选和判断题，多选比例约为20%。

2、本次双认证考试是否有样卷？

答：可参考样题地址：https://ai.baidu.com/ai-doc/AISTUDIO/Zkaqlj2bt#%E5%8F%82%E8%80%83%E6%A0%B7%E9%A2%98

3、本次双认证的课程除了学习LF开源软件大学的课程外，是否还需要学习AIStudio上的一些课程？

答：AIStudio上的深度学习认证课程与LF开源软件大学上的深度学习视频课程是同一套课程，在两个网站上均可学习。

4、可接受重考的定义是什么？

答：可接受重考是指没通过考试后可以重新付费考试，目前没有免费补考次数。

请查看课程概述以及下面的其他推荐资源。

课程概述 （见课程介绍）