特征提取：接下來，利用深度學習模型（如卷積神經網絡，CNN）從預處理后的材料圖像中提取特征。CNN通過多層卷積和池化操作，學習圖像的高級特征表示。 模型訓練：將提取到的特征輸入到深度學習模型中進行訓練。訓練過程中，模型會不斷調整參數，以最小化損失函數（如交叉熵損失、均方誤差等）并提高預測準確性。 模型評估：在訓練過程中或訓練完成后，需要對模型進行評估，以檢驗模型性能。

3、深入理解深度學習與湍流超分辨率的耦合機制。 實操環節： 1、基于深度學習的流場時序超分辨率處理（數據與代碼提供給學員） 實驗流體力學與人工智能 四、實驗流體力學 核心知識點： 1、掌握實驗流體力學的基礎知識，了解相關實驗設備。 2、了解機器學習技術在實驗流體力學中的應用。 3、掌握Python語言進行實驗數據的后處理，增強數據處理能力。 4、風洞試驗

機器學習 流體力學 人工智能

自動駕駛汽車計算機視覺與深度學習算法的硬件實現

基于深度學習的人工智能技術在工業設計領域的應用 適用人群：對人工智能和深度學習技術感興趣的設計研發人員，以及人工智能相關專業的在校學生。 基于深度學習的人工智能技術在工業設計領域的應用（免費）【已結束】 直播時間：2020-06-04 19:30 深度學習，英文名稱為Deep Learning，是近幾年人工智能領域的一類研究方向。

直播背景： 近年來，隨著人工智能技術的迅猛發展，深度學習與物理建模的融合正在重塑傳統計算科學格局。特別是在流體力學與多孔介質滲流模擬領域，面對微觀結構復雜、參數不確定性高、傳統數值方法計算成本昂貴等問題，基于數據驅動或物理引導的深度學習方法展現出前所未有的潛力。

CVPR2020自動駕駛拓展會議——端到端深度學習的自動駕駛

本課程通過燃料電池為例講解如何通過深度學習和啟發式尋優算法進行系統建模及尋優幫助學員入門人工智能建模和燃料電池

ANSYS在鋼板樁入土深度和基坑穩定中運用。

1、學習surface integral中的方法及含義； 2、學習計算 參數變量如速度壓力等 均勻性系數； 3、學習其他如體積流量 質量流量等

本課程結合工程實際，使用workbench軟件對支承結構與電子設備在隨機激勵下的響應，課程包含：支承結構（含橡膠底座）在地震激勵下，運用瞬態分析模塊，獲得時域內的應力應變響應；對電子設備進行隨機振動分析，即功率譜密度分析，從統計學角度出發，將時間歷程轉變為功率譜密度函數（PSD），在頻域內獲得電子設備的應力應變響應規律。

主要內容： 一、 多晶體建模與網格劃分軟件Neper安裝與使用 二、 晶體塑性有限元軟件軟件FEPX安裝與使用 已更新章節： 1.概述與準備 2.Neper軟件以及依賴的安裝與測試 3.Neper的測試、學習與使用