課程簡介
人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。
人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大。
人工智能是一門極富挑戰(zhàn)性的科學，從事這項工作的人必須懂得計算機知識、心理學和哲學。人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。
隨著大數據時代的快速到來，以及大數據在生產生活中迅速應用，數據分析、數據建模、數據挖掘、人工智能等重要性越發(fā)突出，本課程是針對大數據時代的特點，尹老師總結多年數據分析經驗，而精心設計的課程，課程內容涵蓋了數據領域的數據處理、統計分析、數據挖掘、機器學習、人工智能等內容，應用范圍廣泛、前景廣闊。
目標收益
1、 人工智能基礎、技術及其體系；
2、 人工智能的問題求解及技術實現；
3、 人工智能的學習方式；
4、 人工智能行業(yè)應用與發(fā)展；
5、 主流人工智能實驗平臺部署；
6、 人工智能機器學習的算法模型的應用實踐
培訓對象
1、 即將投身于人工智能、機器學習、數據挖掘領域的企業(yè)或者個人；
2、 系統架構師、系統分析師、高級程序員、資深開發(fā)人員；
3、 政府機關，金融保險、移動互聯網、能源行業(yè)等人工智能相關人員；
4、 高校、科研院所統計分析研究員，涉及到人工智能的人員；
課程大綱
| 第1個主題： 人工智能概述（介紹人工智能的淵源及范圍）（90分鐘） |
1、 人工智能應用場景：AlphaGo對弈李世石 2、 人工智能的歷史 3、 人工智能的概括 4、 大數據概述 5、 智能信息 6、 物聯網 7、 什么是人工智能 8、 人工智能的概念 9、 人工智能的基礎 10、 對智慧、知識和人類技能的態(tài)度 11、 人工智能的應用領域 12、 人工智能發(fā)展水平及趨勢 13、 人工智能當前發(fā)展水平 14、 人工智能未來趨勢預測 15、 人工智能發(fā)展的最終目標 16、 人工智能的國際主要流派和發(fā)展路線 17、 人工智能的國內研究情況 18、 弱人工智能 19、 強人工智能 20、 機器學習介紹 21、 深度學習介紹 22、 神經網絡介紹 23、 機器人產業(yè)鏈發(fā)展現狀及趨勢 24、 案例場景：阿里金融人工智能防詐騙應用案例分享 25、 案例場景：淘寶電商平臺精準營銷案例分享 |
| 第2個主題： 機器學習（介紹機器學習概念為深度學習奠定基礎）（90分鐘） |
1、 機器學習能學習什么？ 2、 機器學習是如何學習的？ 3、 從哪里學習？ 4、 學習的目的是什么？ 5、 學習的方法是什么？ 6、 監(jiān)督式學習 7、 非監(jiān)督式學習 8、 半監(jiān)督式學習 9、 強化學習 10、 訓練集、測試集與驗證集 11、 模型評分 12、 損失函數 a) 最小二乘法 b) 梯度下降 c) 極大似然 13、 激活函數 a) S型曲線 b) 反正切 c) relu d) 階躍 14、 二元分類器 15、 多元分類器 a) Softmax 16、 求導 17、 求偏導 18、 鏈式求導 19、 機器學習的過程 a) 收集數據 b) 預處理數據 c) 探知數據 d) 分析數據 e) 選擇模型 f) 訓練模型 g) 評估模型 h) 發(fā)布模型 |
| 第3個主題： 機器學習算法剖析（典型的大數據挖掘機器學習算法剖析）（90分鐘） |
1、 回歸分析 2、 邏輯回歸 3、 聚類算法解析 4、 分類算法解析 5、 決策樹算法 6、 支持向量機 7、 KNN 8、 關聯規(guī)則算法 9、 協同過濾算法解析 10、 訓練數據集與評分 11、 神經網絡 12、 深度學習 13、 案例演示：R語言實現邏輯回歸 |
| 第4個主題： 深度學習（介紹深度學習的相關知識）（60分鐘） |
1、 深度學習介紹 2、 深度學習概念 3、 深度學習特征 4、 深度學習基本思想 5、 淺層學習與深度學習 6、 深度學習與神經網絡 7、 深度學習的訓練過程 8、 深度學習的常用模型 9、 深度學習的應用 10、 基于人臉特征的員工識別系統 11、 開源深度學習框架介紹 12、 Caffe深度學習框架 13、 TensorFlow深度學習框架 14、 使用方法介紹 15、 應用場景剖析 16、 應用的典型案例 |
| 第5個主題： 人工神經網絡實戰(zhàn)（介紹人工神經網絡的基礎知識與實戰(zhàn)）（60分鐘） |
1、 人工智能介紹 2、 神經網絡介紹 3、 神經網絡概念 4、 神經網絡發(fā)展歷史 5、 神經網絡的別名 6、 神經網絡研究的主要內容 7、 神經網絡基本構成 8、 神經網絡模擬人的智能行為的四個方面 9、 神經網絡的特點 10、 學習能力 11、 適應性問題 12、 神經網絡基本網絡模型 13、 單層網絡 14、 多層網絡 15、 循環(huán)網絡 16、 基本網絡結構特點 17、 典型訓練算法 18、 運行方式 19、 典型問題解決方法 20、 感知機 21、 線性神經網絡 22、 BP神經網絡 23、 RBF網絡 24、 競爭網絡 25、 反饋神經網絡 26、 隨機神經網絡 27、 遺傳算法 28、 PSO與神經網絡優(yōu)化 |
| 第6個主題： 深度神經網絡（DNN）模型（介紹DNN的基礎知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） |
1、 深度學習概要 2、 什么是深度學習&與機器學習的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經元權重和激活 NeuronsWeight Activation 5、 神經元網絡Neuron Networks 6、 訓練網絡Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應學習率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數據 11、 定義-編譯-訓練-測試模型 12、 案例實踐與練習：手寫體數字圖片識別 |
| 第7個主題： 深度學習開源框架TensorFlow部署（介紹深度學習開源框架TensorFlow）（180分鐘） |
1、 為什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是數據流圖（Data Flow Graph）? 6、 TensorFlow的應用場景介紹 7、 人工智能 8、 深度學習 9、 神經網絡 10、 卷積神經網絡 11、 遞歸神經網絡 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎架構 14、 TensorFlow運行機制 |
| 第8個主題： 卷積神經網絡（CNN）在圖像識別中的應用與算法（介紹卷積神經網絡（CNN）的基礎理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細剖析總卷積神經網絡在圖像識別中的應用）（120分鐘） |
1、 什么是卷積神經網絡CNN (Convolutional Neural Network) 2、 卷積神經網絡（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經網絡：對象識別 5、 卷積神經網絡概述 6、 AlphaGo 7、 卷積神經網絡應用 8、 Robot learns manipulation actions by watching videos 9、 CNN歷史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首層全連接導致網絡參數過多 13、 一些模式比圖像要小得多 14、 類似的模式出現在圖像的不同區(qū)域 15、 二次采樣像素不會改變對象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空間上權值共享的網絡 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構與術語 30、 Stride & Padding 31、 CNN參數計算 32、 鏈式求導 33、 無池化層的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全聯接層 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 殘差學習單元 45、 TF DNN Code 46、 卷積神經網絡在圖像識別中的實踐案例 47、 Save保存讀取 |
| 第9個主題： 語音識別（介紹語音識別處理模型理論、方法）（30分鐘） |
1、 自然語言處理介紹 2、 自然語言理解算法 3、 自然語言生成 4、 自然語言處理應用領域 5、 數據稀疏與平滑技術 6、 語料庫 7、 馬可夫模型（Markov models） 8、 單詞的邊界界定 9、 詞義的消歧 10、 句法的模糊性 11、 有瑕疵的或不規(guī)范的輸入 12、 語言行為與計劃 13、 文本朗讀（Text to speech）/語音合成（Speech synthesis） 14、 語音識別（Speech recognition） 15、 中文自動分詞（Chinese word segmentation） 16、 詞性標注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然語言生成（Natural language generation） 19、 文本分類（Text categorization） 20、 信息檢索（Information retrieval） 21、 信息抽?。↖nformation extraction） 22、 文字校對（Text-proofing） 23、 問答系統（Question answering） 24、 機器翻譯（Machine translation） 25、 自動摘要（Automatic summarization） 26、 文字蘊涵（Textual entailment） |
| 第10個主題： 自然語言處理(NLP)循環(huán)神經網絡（RNN）實現（介紹循環(huán)神經網絡（RNN）的基礎知識、概念、發(fā)展歷史以及將來趨勢，并實現自然語言處理NLP）（120分鐘） |
1、 數據驅動的人工智能：循環(huán)神經網絡 2、 什么是循環(huán)神經網絡RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經網絡 4、 RNN循環(huán)神經網絡 5、 RNN應用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎 8、 Word Embedding 9、 RNN實現案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 語音識別 14、 語音識別中的經典模型：人機對話 15、 自然語言處理NLP 16、 NLP應用 a) 情緒分析、圖片描述 b) 機器翻譯、寫論文、寫代碼、作曲 17、 語言學家如何表達Word的含義 18、 統計學家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統語言模型的不足 22、 前饋式神經網絡的不足 23、 基于循環(huán)神經網絡RNN的語言模型 24、 基于循環(huán)神經網絡RNN的語言模型實現 25、 RNN工作原理 26、 深度RNN 27、 RNN的困難：梯度消失與梯度爆炸 28、 解決?法：Long Short Term Memory Units（LSTMs） 29、 標準RNN vs LSTM 30、 LSTM拆解：Cell Status，傳送帶 31、 LSTM拆解：Forget Gate，遺忘門 32、 LSTM拆解：InputGate讓多少新的信息加入到Cell狀態(tài)中 33、 LSTM拆解：OutputGate決定如何輸出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 詞的離散表達（one-hot）的不足 37、 現代統計NLP中最成功的想法 38、 如何使用周圍的詞來表達詞？ 39、 Co-occurrence 矩陣的缺陷與對策 40、 解決方法：SVD矩陣降維 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隱層的權重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權重矩陣訓練技巧 48、 遞歸神經網絡（RNN） 49、 LSTM應用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經網絡圖像描述實踐 52、 RNN LSTM(回歸例子) 53、 RNN LSTM(回歸例子可視化) |
| 第11個主題： 人機對話（介紹人機對話實驗）（30分鐘） |
第1個主題： 深度神經網絡（DNN）模型（介紹DNN的基礎知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） 1、 深度學習概要 2、 什么是深度學習&與機器學習的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經元權重和激活 NeuronsWeight Activation 5、 神經元網絡Neuron Networks 6、 訓練網絡Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應學習率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數據 11、 定義-編譯-訓練-測試模型 12、 案例實踐與練習：手寫體數字圖片識別 第2個主題： 深度學習開源框架TensorFlow部署（介紹深度學習開源框架TensorFlow）（180分鐘） 1、 為什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是數據流圖（Data Flow Graph）? 6、 TensorFlow的應用場景介紹 7、 人工智能 8、 深度學習 9、 神經網絡 10、 卷積神經網絡 11、 遞歸神經網絡 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎架構 14、 TensorFlow運行機制 第3個主題： 卷積神經網絡（CNN）在圖像識別中的應用與算法（介紹卷積神經網絡（CNN）的基礎理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細剖析總卷積神經網絡在圖像識別中的應用）（120分鐘） 1、 什么是卷積神經網絡CNN (Convolutional Neural Network) 2、 卷積神經網絡（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經網絡：對象識別 5、 卷積神經網絡概述 6、 AlphaGo 7、 卷積神經網絡應用 8、 Robot learns manipulation actions by watching videos 9、 CNN歷史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首層全連接導致網絡參數過多 13、 一些模式比圖像要小得多 14、 類似的模式出現在圖像的不同區(qū)域 15、 二次采樣像素不會改變對象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空間上權值共享的網絡 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構與術語 30、 Stride & Padding 31、 CNN參數計算 32、 鏈式求導 33、 無池化層的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全聯接層 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 殘差學習單元 45、 TF DNN Code 46、 卷積神經網絡在圖像識別中的實踐案例 47、 Save保存讀取 第4個主題： 語音識別（介紹語音識別處理模型理論、方法）（30分鐘） 1、 自然語言處理介紹 2、 自然語言理解算法 3、 自然語言生成 4、 自然語言處理應用領域 5、 數據稀疏與平滑技術 6、 語料庫 7、 馬可夫模型（Markov models） 8、 單詞的邊界界定 9、 詞義的消歧 10、 句法的模糊性 11、 有瑕疵的或不規(guī)范的輸入 12、 語言行為與計劃 13、 文本朗讀（Text to speech）/語音合成（Speech synthesis） 14、 語音識別（Speech recognition） 15、 中文自動分詞（Chinese word segmentation） 16、 詞性標注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然語言生成（Natural language generation） 19、 文本分類（Text categorization） 20、 信息檢索（Information retrieval） 21、 信息抽取（Information extraction） 22、 文字校對（Text-proofing） 23、 問答系統（Question answering） 24、 機器翻譯（Machine translation） 25、 自動摘要（Automatic summarization） 26、 文字蘊涵（Textual entailment） 第5個主題： 自然語言處理(NLP)循環(huán)神經網絡（RNN）實現（介紹循環(huán)神經網絡（RNN）的基礎知識、概念、發(fā)展歷史以及將來趨勢，并實現自然語言處理NLP）（120分鐘） 1、 數據驅動的人工智能：循環(huán)神經網絡 2、 什么是循環(huán)神經網絡RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經網絡 4、 RNN循環(huán)神經網絡 5、 RNN應用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎 8、 Word Embedding 9、 RNN實現案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 語音識別 14、 語音識別中的經典模型：人機對話 15、 自然語言處理NLP 16、 NLP應用 a) 情緒分析、圖片描述 b) 機器翻譯、寫論文、寫代碼、作曲 17、 語言學家如何表達Word的含義 18、 統計學家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統語言模型的不足 22、 前饋式神經網絡的不足 23、 基于循環(huán)神經網絡RNN的語言模型 24、 基于循環(huán)神經網絡RNN的語言模型實現 25、 RNN工作原理 26、 深度RNN 27、 RNN的困難：梯度消失與梯度爆炸 28、 解決?法：Long Short Term Memory Units（LSTMs） 29、 標準RNN vs LSTM 30、 LSTM拆解：Cell Status，傳送帶 31、 LSTM拆解：Forget Gate，遺忘門 32、 LSTM拆解：InputGate讓多少新的信息加入到Cell狀態(tài)中 33、 LSTM拆解：OutputGate決定如何輸出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 詞的離散表達（one-hot）的不足 37、 現代統計NLP中最成功的想法 38、 如何使用周圍的詞來表達詞？ 39、 Co-occurrence 矩陣的缺陷與對策 40、 解決方法：SVD矩陣降維 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隱層的權重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權重矩陣訓練技巧 48、 遞歸神經網絡（RNN） 49、 LSTM應用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經網絡圖像描述實踐 52、 RNN LSTM(回歸例子) 53、 RNN LSTM(回歸例子可視化) 第6個主題： 人機對話（介紹人機對話實驗）（30分鐘） 1、 自然語言處理NLP 2、 語音轉化為文字 3、 文字轉化為語音 4、 語音特征提取 5、 貝葉斯與語音識別 6、 聲學模型 7、 高斯混合模型GMM 8、 隱馬爾科夫模型HMM(hidden markov model) 9、 馬爾可夫鏈 10、 加權有限狀態(tài)轉換機的語音識別 11、 DNN（Deep neutral network）深度神經網絡模型 12、 循環(huán)神經網絡（RNN）/卷積神經網絡（CNN）模型 13、 DNN-HMM混合系統架構 14、 SyntaxNet 15、 Word2vec&Glove |
| 第12個主題： 深度學習、神經網絡開源框架介紹（介紹深度學習、神經網絡開源的典型框架）（30分鐘） |
1、 開源深度學習框架介紹 2、 Caffe深度學習框架 3、 TensorFlow深度學習框架 |
| 第13個主題： 深度學習開源框架部署與調試（介紹深度學習開源框架部署與調試）（60分鐘） |
1、 Caffe安裝部署 2、 案例：Caffe使用介紹 3、 Caffe使用調試 4、 Caffe配置文件prototxt的編寫 5、 Caffe的使用案例分享： a) 圖書館人流量監(jiān)控系統 b) 基于人臉特征的員工識別系統 6、 TensorFlow安裝部署 7、 案例：TensorFlow使用介紹 8、 TensorFlow使用調試 |
| 第14個主題： 深度學習技術與多媒體信息處理的結合應用（介紹深度學習技術與多媒體信息處理的結合應用、開源社區(qū)中的相關資源介紹與分享）（30分鐘） |
1、 機器學習對視頻認知與理解 2、 視頻結構化分析 3、 視頻的處理與表示 4、 基于單幀的識別方法 5、 基于CNN擴展網絡的識別方法 6、 雙路CNN的識別方法 7、 基于LSTM的識別方法 8、 3維卷積核(3D CNN)法 9、 視頻目標檢測與跟蹤 10、 人物識別 11、 動作識別 12、 情感語義分析 13、 深度學習相關框架在企業(yè)研發(fā)、設計與實現方面的經驗分享 14、 基于深度學習等技術面向用戶的研發(fā)經驗分享 15、 多媒體數據處理經驗分享 |
| 第15個主題： 人臉識別（介紹人臉識別）（30分鐘） |
1、 人臉識別的工作原理 2、 臉部的長度和寬度 3、 臉部膚色 4、 臉局部細節(jié)寬度，如嘴、鼻子等 5、 臉部特征提取 6、 匹配算法 7、 人臉識別案例 8、 人臉檢測 9、 人臉識別算法的應用 10、 面部身份驗證 11、 用戶服務 12、 保險行業(yè) 13、 人臉識別Python代碼的實現 |
| 第16個主題： 視頻識別（介紹人臉識別）（30分鐘） |
1、 視頻目標檢測 2、 基于單幀的識別方法 3、 基于CNN擴展網絡的識別方法 4、 雙路CNN的識別方法 5、 基于LSTM的識別方法 6、 3維卷積核（3D CNN）法 |
| 第17個主題： 深度學習技術與多媒體信息處理的結合應用（介紹深度學習技術與多媒體信息處理的結合應用、開源社區(qū)中的相關資源介紹與分享）（30分鐘） |
1、 機器學習對視頻認知與理解 2、 視頻結構化分析 3、 視頻的處理與表示 4、 基于單幀的識別方法 5、 基于CNN擴展網絡的識別方法 6、 雙路CNN的識別方法 7、 基于LSTM的識別方法 8、 3維卷積核(3D CNN)法 9、 視頻目標檢測與跟蹤 10、 人物識別 11、 動作識別 12、 情感語義分析 13、 深度學習相關框架在企業(yè)研發(fā)、設計與實現方面的經驗分享 14、 基于深度學習等技術面向用戶的研發(fā)經驗分享 15、 多媒體數據處理經驗分享 |
| 第18個主題： 深度學習開源框架Keras部署（介紹深度學習開源框架Keras）（30分鐘） |
1、 開源深度學習框架介紹 2、 Keras深度學習框架 3、 Keras安裝部署 4、 案例：Keras使用介紹 5、 Keras使用調試 |
| 第19個主題： 深度學習開源框架Keras（介紹深度學習開源框Keras）（120分鐘） |
1、 Keras介紹 2、 Keras部署 3、 Sequential 順序模型指引 4、 函數式 API 指引 5、 FAQ 常見問題解答 6、 模型 7、 關于 Keras 模型 8、 Sequential 順序模型 API 9、 函數式 API 10、 Layers 11、 關于 Keras 網絡層 12、 核心網絡層 13、 卷積層 Convolutional 14、 池化層 Pooling 15、 局部連接層 Locally-connected 16、 循環(huán)層 Recurrent 17、 嵌入層 Embedding 18、 融合層 Merge 19、 高級激活層 Advanced Activations 20、 標準化層 Normalization 21、 噪聲層 Noise 22、 層封裝器 wrappers 23、 編寫你自己的層 24、 數據預處理 25、 序列預處理 26、 文本預處理 27、 圖像預處理 28、 損失函數 Losses 29、 評估標準 Metrics 30、 優(yōu)化器 Optimizers 31、 激活函數 Activations 32、 回調函數 Callbacks 33、 常用數據集 Datasets 34、 預訓練模型 Applications 35、 后端 Backend 36、 初始化 Initializers 37、 正則化 Regularizers 38、 約束 Constraints 39、 可視化 Visualization 40、 Scikit-learn API |
| 第20個主題： 模型效果評估體系（介紹模型評估理論、方法及指標）（30分鐘） |
1、 數據模型評估方法 2、 訓練集 3、 測試集 4、 訓練誤差 5、 交叉驗證法 6、 ROC AUC(Area Under ROC Curve) 7、 自助法 8、 留出法 9、 評估數據挖掘模型的性能 10、 評估數據挖掘模型的性能指標 11、 切分數據集合 Data Splitting 12、 手工 k-fold cross validation 13、 模型度量 14、 準確率(accuracy) 15、 loss-acc曲線 16、 模型質量評估 17、 訓練數據集與評估 18、 模型質量評估案例 19、 P-R曲線 20、 綜合評價指標(F-Measure) 21、 查準率 22、 查全率 |
| 第21個主題： 人工智能在制造企業(yè)應用案例（介紹人工智能在制造企業(yè)的融合與應用）（30分鐘） |
1、 可口可樂生產制造案例 2、 飲料行業(yè)、食品行業(yè)生產制造案例 3、 數字化、網絡化、智能化 4、 整合產業(yè)鏈，高效低成本 5、 消費者參與創(chuàng)新，定制化 6、 智能制造 7、 如何架構數字化工廠 8、 德國工業(yè)4.0 9、 中國制造2025 10、 美國工業(yè)互聯網，先進制造業(yè)國家戰(zhàn)略計劃 11、 日本科技工業(yè)聯盟 12、 英國工業(yè)2050戰(zhàn)略 |
| 第22個主題： 人工智能在裝備制造領域案例剖析（分享人工智能在裝備制造領域案例）（30分鐘） |
1、 融合AI深度學習技術 2、 柔性自動化生產線 3、 臺達機電柔性生產線 4、 寶馬自動化生產流水線 5、 工業(yè)機器人 6、 智能裝配機器人 7、 智能制造產業(yè)鏈 8、 傳感器嵌入式芯片 9、 射頻技術 10、 傳感器網絡 11、 物聯網技術 12、 智能芯片 13、 能源管理智能化 14、 供應鏈管理智能化 15、 設備智能化 16、 生產智能化 |
|
第1個主題： 人工智能概述（介紹人工智能的淵源及范圍）（90分鐘） 1、 人工智能應用場景：AlphaGo對弈李世石 2、 人工智能的歷史 3、 人工智能的概括 4、 大數據概述 5、 智能信息 6、 物聯網 7、 什么是人工智能 8、 人工智能的概念 9、 人工智能的基礎 10、 對智慧、知識和人類技能的態(tài)度 11、 人工智能的應用領域 12、 人工智能發(fā)展水平及趨勢 13、 人工智能當前發(fā)展水平 14、 人工智能未來趨勢預測 15、 人工智能發(fā)展的最終目標 16、 人工智能的國際主要流派和發(fā)展路線 17、 人工智能的國內研究情況 18、 弱人工智能 19、 強人工智能 20、 機器學習介紹 21、 深度學習介紹 22、 神經網絡介紹 23、 機器人產業(yè)鏈發(fā)展現狀及趨勢 24、 案例場景：阿里金融人工智能防詐騙應用案例分享 25、 案例場景：淘寶電商平臺精準營銷案例分享 |
|
第2個主題： 機器學習（介紹機器學習概念為深度學習奠定基礎）（90分鐘） 1、 機器學習能學習什么？ 2、 機器學習是如何學習的？ 3、 從哪里學習？ 4、 學習的目的是什么？ 5、 學習的方法是什么？ 6、 監(jiān)督式學習 7、 非監(jiān)督式學習 8、 半監(jiān)督式學習 9、 強化學習 10、 訓練集、測試集與驗證集 11、 模型評分 12、 損失函數 a) 最小二乘法 b) 梯度下降 c) 極大似然 13、 激活函數 a) S型曲線 b) 反正切 c) relu d) 階躍 14、 二元分類器 15、 多元分類器 a) Softmax 16、 求導 17、 求偏導 18、 鏈式求導 19、 機器學習的過程 a) 收集數據 b) 預處理數據 c) 探知數據 d) 分析數據 e) 選擇模型 f) 訓練模型 g) 評估模型 h) 發(fā)布模型 |
|
第3個主題： 機器學習算法剖析（典型的大數據挖掘機器學習算法剖析）（90分鐘） 1、 回歸分析 2、 邏輯回歸 3、 聚類算法解析 4、 分類算法解析 5、 決策樹算法 6、 支持向量機 7、 KNN 8、 關聯規(guī)則算法 9、 協同過濾算法解析 10、 訓練數據集與評分 11、 神經網絡 12、 深度學習 13、 案例演示：R語言實現邏輯回歸 |
|
第4個主題： 深度學習（介紹深度學習的相關知識）（60分鐘） 1、 深度學習介紹 2、 深度學習概念 3、 深度學習特征 4、 深度學習基本思想 5、 淺層學習與深度學習 6、 深度學習與神經網絡 7、 深度學習的訓練過程 8、 深度學習的常用模型 9、 深度學習的應用 10、 基于人臉特征的員工識別系統 11、 開源深度學習框架介紹 12、 Caffe深度學習框架 13、 TensorFlow深度學習框架 14、 使用方法介紹 15、 應用場景剖析 16、 應用的典型案例 |
|
第5個主題： 人工神經網絡實戰(zhàn)（介紹人工神經網絡的基礎知識與實戰(zhàn)）（60分鐘） 1、 人工智能介紹 2、 神經網絡介紹 3、 神經網絡概念 4、 神經網絡發(fā)展歷史 5、 神經網絡的別名 6、 神經網絡研究的主要內容 7、 神經網絡基本構成 8、 神經網絡模擬人的智能行為的四個方面 9、 神經網絡的特點 10、 學習能力 11、 適應性問題 12、 神經網絡基本網絡模型 13、 單層網絡 14、 多層網絡 15、 循環(huán)網絡 16、 基本網絡結構特點 17、 典型訓練算法 18、 運行方式 19、 典型問題解決方法 20、 感知機 21、 線性神經網絡 22、 BP神經網絡 23、 RBF網絡 24、 競爭網絡 25、 反饋神經網絡 26、 隨機神經網絡 27、 遺傳算法 28、 PSO與神經網絡優(yōu)化 |
|
第6個主題： 深度神經網絡（DNN）模型（介紹DNN的基礎知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） 1、 深度學習概要 2、 什么是深度學習&與機器學習的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經元權重和激活 NeuronsWeight Activation 5、 神經元網絡Neuron Networks 6、 訓練網絡Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應學習率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數據 11、 定義-編譯-訓練-測試模型 12、 案例實踐與練習：手寫體數字圖片識別 |
|
第7個主題： 深度學習開源框架TensorFlow部署（介紹深度學習開源框架TensorFlow）（180分鐘） 1、 為什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是數據流圖（Data Flow Graph）? 6、 TensorFlow的應用場景介紹 7、 人工智能 8、 深度學習 9、 神經網絡 10、 卷積神經網絡 11、 遞歸神經網絡 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎架構 14、 TensorFlow運行機制 |
|
第8個主題： 卷積神經網絡（CNN）在圖像識別中的應用與算法（介紹卷積神經網絡（CNN）的基礎理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細剖析總卷積神經網絡在圖像識別中的應用）（120分鐘） 1、 什么是卷積神經網絡CNN (Convolutional Neural Network) 2、 卷積神經網絡（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經網絡：對象識別 5、 卷積神經網絡概述 6、 AlphaGo 7、 卷積神經網絡應用 8、 Robot learns manipulation actions by watching videos 9、 CNN歷史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首層全連接導致網絡參數過多 13、 一些模式比圖像要小得多 14、 類似的模式出現在圖像的不同區(qū)域 15、 二次采樣像素不會改變對象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空間上權值共享的網絡 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構與術語 30、 Stride & Padding 31、 CNN參數計算 32、 鏈式求導 33、 無池化層的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全聯接層 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 殘差學習單元 45、 TF DNN Code 46、 卷積神經網絡在圖像識別中的實踐案例 47、 Save保存讀取 |
|
第9個主題： 語音識別（介紹語音識別處理模型理論、方法）（30分鐘） 1、 自然語言處理介紹 2、 自然語言理解算法 3、 自然語言生成 4、 自然語言處理應用領域 5、 數據稀疏與平滑技術 6、 語料庫 7、 馬可夫模型（Markov models） 8、 單詞的邊界界定 9、 詞義的消歧 10、 句法的模糊性 11、 有瑕疵的或不規(guī)范的輸入 12、 語言行為與計劃 13、 文本朗讀（Text to speech）/語音合成（Speech synthesis） 14、 語音識別（Speech recognition） 15、 中文自動分詞（Chinese word segmentation） 16、 詞性標注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然語言生成（Natural language generation） 19、 文本分類（Text categorization） 20、 信息檢索（Information retrieval） 21、 信息抽取（Information extraction） 22、 文字校對（Text-proofing） 23、 問答系統（Question answering） 24、 機器翻譯（Machine translation） 25、 自動摘要（Automatic summarization） 26、 文字蘊涵（Textual entailment） |
|
第10個主題： 自然語言處理(NLP)循環(huán)神經網絡（RNN）實現（介紹循環(huán)神經網絡（RNN）的基礎知識、概念、發(fā)展歷史以及將來趨勢，并實現自然語言處理NLP）（120分鐘） 1、 數據驅動的人工智能：循環(huán)神經網絡 2、 什么是循環(huán)神經網絡RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經網絡 4、 RNN循環(huán)神經網絡 5、 RNN應用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎 8、 Word Embedding 9、 RNN實現案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 語音識別 14、 語音識別中的經典模型：人機對話 15、 自然語言處理NLP 16、 NLP應用 a) 情緒分析、圖片描述 b) 機器翻譯、寫論文、寫代碼、作曲 17、 語言學家如何表達Word的含義 18、 統計學家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統語言模型的不足 22、 前饋式神經網絡的不足 23、 基于循環(huán)神經網絡RNN的語言模型 24、 基于循環(huán)神經網絡RNN的語言模型實現 25、 RNN工作原理 26、 深度RNN 27、 RNN的困難：梯度消失與梯度爆炸 28、 解決?法：Long Short Term Memory Units（LSTMs） 29、 標準RNN vs LSTM 30、 LSTM拆解：Cell Status，傳送帶 31、 LSTM拆解：Forget Gate，遺忘門 32、 LSTM拆解：InputGate讓多少新的信息加入到Cell狀態(tài)中 33、 LSTM拆解：OutputGate決定如何輸出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 詞的離散表達（one-hot）的不足 37、 現代統計NLP中最成功的想法 38、 如何使用周圍的詞來表達詞？ 39、 Co-occurrence 矩陣的缺陷與對策 40、 解決方法：SVD矩陣降維 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隱層的權重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權重矩陣訓練技巧 48、 遞歸神經網絡（RNN） 49、 LSTM應用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經網絡圖像描述實踐 52、 RNN LSTM(回歸例子) 53、 RNN LSTM(回歸例子可視化) |
|
第11個主題： 人機對話（介紹人機對話實驗）（30分鐘） 第1個主題： 深度神經網絡（DNN）模型（介紹DNN的基礎知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） 1、 深度學習概要 2、 什么是深度學習&與機器學習的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經元權重和激活 NeuronsWeight Activation 5、 神經元網絡Neuron Networks 6、 訓練網絡Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應學習率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數據 11、 定義-編譯-訓練-測試模型 12、 案例實踐與練習：手寫體數字圖片識別 第2個主題： 深度學習開源框架TensorFlow部署（介紹深度學習開源框架TensorFlow）（180分鐘） 1、 為什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是數據流圖（Data Flow Graph）? 6、 TensorFlow的應用場景介紹 7、 人工智能 8、 深度學習 9、 神經網絡 10、 卷積神經網絡 11、 遞歸神經網絡 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎架構 14、 TensorFlow運行機制 第3個主題： 卷積神經網絡（CNN）在圖像識別中的應用與算法（介紹卷積神經網絡（CNN）的基礎理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細剖析總卷積神經網絡在圖像識別中的應用）（120分鐘） 1、 什么是卷積神經網絡CNN (Convolutional Neural Network) 2、 卷積神經網絡（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經網絡：對象識別 5、 卷積神經網絡概述 6、 AlphaGo 7、 卷積神經網絡應用 8、 Robot learns manipulation actions by watching videos 9、 CNN歷史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首層全連接導致網絡參數過多 13、 一些模式比圖像要小得多 14、 類似的模式出現在圖像的不同區(qū)域 15、 二次采樣像素不會改變對象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空間上權值共享的網絡 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構與術語 30、 Stride & Padding 31、 CNN參數計算 32、 鏈式求導 33、 無池化層的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全聯接層 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 殘差學習單元 45、 TF DNN Code 46、 卷積神經網絡在圖像識別中的實踐案例 47、 Save保存讀取 第4個主題： 語音識別（介紹語音識別處理模型理論、方法）（30分鐘） 1、 自然語言處理介紹 2、 自然語言理解算法 3、 自然語言生成 4、 自然語言處理應用領域 5、 數據稀疏與平滑技術 6、 語料庫 7、 馬可夫模型（Markov models） 8、 單詞的邊界界定 9、 詞義的消歧 10、 句法的模糊性 11、 有瑕疵的或不規(guī)范的輸入 12、 語言行為與計劃 13、 文本朗讀（Text to speech）/語音合成（Speech synthesis） 14、 語音識別（Speech recognition） 15、 中文自動分詞（Chinese word segmentation） 16、 詞性標注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然語言生成（Natural language generation） 19、 文本分類（Text categorization） 20、 信息檢索（Information retrieval） 21、 信息抽?。↖nformation extraction） 22、 文字校對（Text-proofing） 23、 問答系統（Question answering） 24、 機器翻譯（Machine translation） 25、 自動摘要（Automatic summarization） 26、 文字蘊涵（Textual entailment） 第5個主題： 自然語言處理(NLP)循環(huán)神經網絡（RNN）實現（介紹循環(huán)神經網絡（RNN）的基礎知識、概念、發(fā)展歷史以及將來趨勢，并實現自然語言處理NLP）（120分鐘） 1、 數據驅動的人工智能：循環(huán)神經網絡 2、 什么是循環(huán)神經網絡RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經網絡 4、 RNN循環(huán)神經網絡 5、 RNN應用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎 8、 Word Embedding 9、 RNN實現案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 語音識別 14、 語音識別中的經典模型：人機對話 15、 自然語言處理NLP 16、 NLP應用 a) 情緒分析、圖片描述 b) 機器翻譯、寫論文、寫代碼、作曲 17、 語言學家如何表達Word的含義 18、 統計學家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統語言模型的不足 22、 前饋式神經網絡的不足 23、 基于循環(huán)神經網絡RNN的語言模型 24、 基于循環(huán)神經網絡RNN的語言模型實現 25、 RNN工作原理 26、 深度RNN 27、 RNN的困難：梯度消失與梯度爆炸 28、 解決?法：Long Short Term Memory Units（LSTMs） 29、 標準RNN vs LSTM 30、 LSTM拆解：Cell Status，傳送帶 31、 LSTM拆解：Forget Gate，遺忘門 32、 LSTM拆解：InputGate讓多少新的信息加入到Cell狀態(tài)中 33、 LSTM拆解：OutputGate決定如何輸出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 詞的離散表達（one-hot）的不足 37、 現代統計NLP中最成功的想法 38、 如何使用周圍的詞來表達詞？ 39、 Co-occurrence 矩陣的缺陷與對策 40、 解決方法：SVD矩陣降維 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隱層的權重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權重矩陣訓練技巧 48、 遞歸神經網絡（RNN） 49、 LSTM應用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經網絡圖像描述實踐 52、 RNN LSTM(回歸例子) 53、 RNN LSTM(回歸例子可視化) 第6個主題： 人機對話（介紹人機對話實驗）（30分鐘） 1、 自然語言處理NLP 2、 語音轉化為文字 3、 文字轉化為語音 4、 語音特征提取 5、 貝葉斯與語音識別 6、 聲學模型 7、 高斯混合模型GMM 8、 隱馬爾科夫模型HMM(hidden markov model) 9、 馬爾可夫鏈 10、 加權有限狀態(tài)轉換機的語音識別 11、 DNN（Deep neutral network）深度神經網絡模型 12、 循環(huán)神經網絡（RNN）/卷積神經網絡（CNN）模型 13、 DNN-HMM混合系統架構 14、 SyntaxNet 15、 Word2vec&Glove |
|
第12個主題： 深度學習、神經網絡開源框架介紹（介紹深度學習、神經網絡開源的典型框架）（30分鐘） 1、 開源深度學習框架介紹 2、 Caffe深度學習框架 3、 TensorFlow深度學習框架 |
|
第13個主題： 深度學習開源框架部署與調試（介紹深度學習開源框架部署與調試）（60分鐘） 1、 Caffe安裝部署 2、 案例：Caffe使用介紹 3、 Caffe使用調試 4、 Caffe配置文件prototxt的編寫 5、 Caffe的使用案例分享： a) 圖書館人流量監(jiān)控系統 b) 基于人臉特征的員工識別系統 6、 TensorFlow安裝部署 7、 案例：TensorFlow使用介紹 8、 TensorFlow使用調試 |
|
第14個主題： 深度學習技術與多媒體信息處理的結合應用（介紹深度學習技術與多媒體信息處理的結合應用、開源社區(qū)中的相關資源介紹與分享）（30分鐘） 1、 機器學習對視頻認知與理解 2、 視頻結構化分析 3、 視頻的處理與表示 4、 基于單幀的識別方法 5、 基于CNN擴展網絡的識別方法 6、 雙路CNN的識別方法 7、 基于LSTM的識別方法 8、 3維卷積核(3D CNN)法 9、 視頻目標檢測與跟蹤 10、 人物識別 11、 動作識別 12、 情感語義分析 13、 深度學習相關框架在企業(yè)研發(fā)、設計與實現方面的經驗分享 14、 基于深度學習等技術面向用戶的研發(fā)經驗分享 15、 多媒體數據處理經驗分享 |
|
第15個主題： 人臉識別（介紹人臉識別）（30分鐘） 1、 人臉識別的工作原理 2、 臉部的長度和寬度 3、 臉部膚色 4、 臉局部細節(jié)寬度，如嘴、鼻子等 5、 臉部特征提取 6、 匹配算法 7、 人臉識別案例 8、 人臉檢測 9、 人臉識別算法的應用 10、 面部身份驗證 11、 用戶服務 12、 保險行業(yè) 13、 人臉識別Python代碼的實現 |
|
第16個主題： 視頻識別（介紹人臉識別）（30分鐘） 1、 視頻目標檢測 2、 基于單幀的識別方法 3、 基于CNN擴展網絡的識別方法 4、 雙路CNN的識別方法 5、 基于LSTM的識別方法 6、 3維卷積核（3D CNN）法 |
|
第17個主題： 深度學習技術與多媒體信息處理的結合應用（介紹深度學習技術與多媒體信息處理的結合應用、開源社區(qū)中的相關資源介紹與分享）（30分鐘） 1、 機器學習對視頻認知與理解 2、 視頻結構化分析 3、 視頻的處理與表示 4、 基于單幀的識別方法 5、 基于CNN擴展網絡的識別方法 6、 雙路CNN的識別方法 7、 基于LSTM的識別方法 8、 3維卷積核(3D CNN)法 9、 視頻目標檢測與跟蹤 10、 人物識別 11、 動作識別 12、 情感語義分析 13、 深度學習相關框架在企業(yè)研發(fā)、設計與實現方面的經驗分享 14、 基于深度學習等技術面向用戶的研發(fā)經驗分享 15、 多媒體數據處理經驗分享 |
|
第18個主題： 深度學習開源框架Keras部署（介紹深度學習開源框架Keras）（30分鐘） 1、 開源深度學習框架介紹 2、 Keras深度學習框架 3、 Keras安裝部署 4、 案例：Keras使用介紹 5、 Keras使用調試 |
|
第19個主題： 深度學習開源框架Keras（介紹深度學習開源框Keras）（120分鐘） 1、 Keras介紹 2、 Keras部署 3、 Sequential 順序模型指引 4、 函數式 API 指引 5、 FAQ 常見問題解答 6、 模型 7、 關于 Keras 模型 8、 Sequential 順序模型 API 9、 函數式 API 10、 Layers 11、 關于 Keras 網絡層 12、 核心網絡層 13、 卷積層 Convolutional 14、 池化層 Pooling 15、 局部連接層 Locally-connected 16、 循環(huán)層 Recurrent 17、 嵌入層 Embedding 18、 融合層 Merge 19、 高級激活層 Advanced Activations 20、 標準化層 Normalization 21、 噪聲層 Noise 22、 層封裝器 wrappers 23、 編寫你自己的層 24、 數據預處理 25、 序列預處理 26、 文本預處理 27、 圖像預處理 28、 損失函數 Losses 29、 評估標準 Metrics 30、 優(yōu)化器 Optimizers 31、 激活函數 Activations 32、 回調函數 Callbacks 33、 常用數據集 Datasets 34、 預訓練模型 Applications 35、 后端 Backend 36、 初始化 Initializers 37、 正則化 Regularizers 38、 約束 Constraints 39、 可視化 Visualization 40、 Scikit-learn API |
|
第20個主題： 模型效果評估體系（介紹模型評估理論、方法及指標）（30分鐘） 1、 數據模型評估方法 2、 訓練集 3、 測試集 4、 訓練誤差 5、 交叉驗證法 6、 ROC AUC(Area Under ROC Curve) 7、 自助法 8、 留出法 9、 評估數據挖掘模型的性能 10、 評估數據挖掘模型的性能指標 11、 切分數據集合 Data Splitting 12、 手工 k-fold cross validation 13、 模型度量 14、 準確率(accuracy) 15、 loss-acc曲線 16、 模型質量評估 17、 訓練數據集與評估 18、 模型質量評估案例 19、 P-R曲線 20、 綜合評價指標(F-Measure) 21、 查準率 22、 查全率 |
|
第21個主題： 人工智能在制造企業(yè)應用案例（介紹人工智能在制造企業(yè)的融合與應用）（30分鐘） 1、 可口可樂生產制造案例 2、 飲料行業(yè)、食品行業(yè)生產制造案例 3、 數字化、網絡化、智能化 4、 整合產業(yè)鏈，高效低成本 5、 消費者參與創(chuàng)新，定制化 6、 智能制造 7、 如何架構數字化工廠 8、 德國工業(yè)4.0 9、 中國制造2025 10、 美國工業(yè)互聯網，先進制造業(yè)國家戰(zhàn)略計劃 11、 日本科技工業(yè)聯盟 12、 英國工業(yè)2050戰(zhàn)略 |
|
第22個主題： 人工智能在裝備制造領域案例剖析（分享人工智能在裝備制造領域案例）（30分鐘） 1、 融合AI深度學習技術 2、 柔性自動化生產線 3、 臺達機電柔性生產線 4、 寶馬自動化生產流水線 5、 工業(yè)機器人 6、 智能裝配機器人 7、 智能制造產業(yè)鏈 8、 傳感器嵌入式芯片 9、 射頻技術 10、 傳感器網絡 11、 物聯網技術 12、 智能芯片 13、 能源管理智能化 14、 供應鏈管理智能化 15、 設備智能化 16、 生產智能化 |
近期公開課推薦
