課程簡介
了解人工智能的概念和人工智能的發(fā)展，了解國際人工智能的主要流派和路線，了解國內(nèi)人工智能研究的基本情況，熟悉人工智能的研究領域
目標收益
結(jié)合實際應用舉例和和業(yè)界趨勢分析
主流技術(shù)方案、能力和發(fā)展方向
培訓對象
對 AI 特別是深度學習算法原理和應用感興趣
課程大綱
| 1 賦予計算機學習數(shù)據(jù)的能力 |
1.1構(gòu)建智能機器將數(shù)據(jù)轉(zhuǎn)化為知識 1.2機器學習的三種不同方法 a 通過監(jiān)督學習對未來事件進行預測 b 通過強化學習解決交互式問題 c 通過無監(jiān)督學習發(fā)現(xiàn)數(shù)據(jù)本身潛在的結(jié)構(gòu) 1.3基本術(shù)語及符號介紹 1.4構(gòu)建機器學習系統(tǒng)的藍圖 a 數(shù)據(jù)預處理 b 選擇預測模型類型并進行訓練 c模型驗證與使用未知數(shù)據(jù)進行預測 |
| 2. 深度學習概要 |
- 什么是深度學習 - 與機器學習的異同 - 神經(jīng)網(wǎng)絡和深度學習 |
| 3. 多層感知器模型 Multi-Layer Perceptron – MLP |
- 神經(jīng)元 權(quán)重和激活 Neurons Weight Activation - 神經(jīng)元網(wǎng)絡 Neuron Networks - 訓練網(wǎng)絡 Training Networks - Back-propagation 算法和計算圖 - 多種自適應學習率算法 Adaptive Learning Rate |
| 4. 卷積神經(jīng)網(wǎng)絡 Convolutional Neural Network |
- CNN 原理和構(gòu)造： - 核 Filter 和卷積運算 Convolutional Layer - 特征圖 Feature Maps - 池化層 Pooling - 全連接層 Full Connected Layer |
| 5. 循環(huán)神經(jīng)網(wǎng)絡 Recurrent Neural Networks |
- RNN 原理 - 處理序列（Sequence）數(shù)據(jù)的神經(jīng)網(wǎng)絡 - 循環(huán)神經(jīng)網(wǎng) RNN 架構(gòu) - RNN訓練：如何在訓練中獲得穩(wěn)定的梯度下降 - RNN 網(wǎng)絡演化歷史：RNN，LSTM，GRU 結(jié)構(gòu)比較和分析 |
| 6. 當前應用 |
6.1 金融業(yè)： - 征信與反欺詐 - 定價 6.2圖形圖像： - 人臉識別 - 視頻識別 - 自動圖像描述 6.3自然語言理解 - 情感分類 - 用戶意圖識別 - 機器翻譯 - 閱讀理解 和 自動 QA 6.4體育 - 球員訓練 - 球隊組建 6.5 醫(yī)療 - 醫(yī)療影像識別 a糖尿病病變鑒別 b心血管核磁共振界別 c 讀心術(shù) - 病例輔助判定 - 藥物試驗 6.6安防 - 犯罪率預測 - 尋人 6.7社交 - 婚戀匹配 - 輿情分析 6.8城市管理建設 - 擁堵預測 - 房價預測 |
| 7. 未來發(fā)展方向 |
7.1計算能力的發(fā)展 - CPU / GPU / TPU 7.2 模型算法的發(fā)展 - 生成對抗網(wǎng)絡 GAN: Generative Adversarial Network - 遷移學習 - 感知：狀態(tài)、情感、邏輯 7.3應用的發(fā)展 - 智能家居和穿戴智能 |
|
1 賦予計算機學習數(shù)據(jù)的能力 1.1構(gòu)建智能機器將數(shù)據(jù)轉(zhuǎn)化為知識 1.2機器學習的三種不同方法 a 通過監(jiān)督學習對未來事件進行預測 b 通過強化學習解決交互式問題 c 通過無監(jiān)督學習發(fā)現(xiàn)數(shù)據(jù)本身潛在的結(jié)構(gòu) 1.3基本術(shù)語及符號介紹 1.4構(gòu)建機器學習系統(tǒng)的藍圖 a 數(shù)據(jù)預處理 b 選擇預測模型類型并進行訓練 c模型驗證與使用未知數(shù)據(jù)進行預測 |
|
2. 深度學習概要 - 什么是深度學習 - 與機器學習的異同 - 神經(jīng)網(wǎng)絡和深度學習 |
|
3. 多層感知器模型 Multi-Layer Perceptron – MLP - 神經(jīng)元 權(quán)重和激活 Neurons Weight Activation - 神經(jīng)元網(wǎng)絡 Neuron Networks - 訓練網(wǎng)絡 Training Networks - Back-propagation 算法和計算圖 - 多種自適應學習率算法 Adaptive Learning Rate |
|
4. 卷積神經(jīng)網(wǎng)絡 Convolutional Neural Network - CNN 原理和構(gòu)造： - 核 Filter 和卷積運算 Convolutional Layer - 特征圖 Feature Maps - 池化層 Pooling - 全連接層 Full Connected Layer |
|
5. 循環(huán)神經(jīng)網(wǎng)絡 Recurrent Neural Networks - RNN 原理 - 處理序列（Sequence）數(shù)據(jù)的神經(jīng)網(wǎng)絡 - 循環(huán)神經(jīng)網(wǎng) RNN 架構(gòu) - RNN訓練：如何在訓練中獲得穩(wěn)定的梯度下降 - RNN 網(wǎng)絡演化歷史：RNN，LSTM，GRU 結(jié)構(gòu)比較和分析 |
|
6. 當前應用 6.1 金融業(yè)： - 征信與反欺詐 - 定價 6.2圖形圖像： - 人臉識別 - 視頻識別 - 自動圖像描述 6.3自然語言理解 - 情感分類 - 用戶意圖識別 - 機器翻譯 - 閱讀理解 和 自動 QA 6.4體育 - 球員訓練 - 球隊組建 6.5 醫(yī)療 - 醫(yī)療影像識別 a糖尿病病變鑒別 b心血管核磁共振界別 c 讀心術(shù) - 病例輔助判定 - 藥物試驗 6.6安防 - 犯罪率預測 - 尋人 6.7社交 - 婚戀匹配 - 輿情分析 6.8城市管理建設 - 擁堵預測 - 房價預測 |
|
7. 未來發(fā)展方向 7.1計算能力的發(fā)展 - CPU / GPU / TPU 7.2 模型算法的發(fā)展 - 生成對抗網(wǎng)絡 GAN: Generative Adversarial Network - 遷移學習 - 感知：狀態(tài)、情感、邏輯 7.3應用的發(fā)展 - 智能家居和穿戴智能 |
近期公開課推薦
