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(lǐng)域
目標(biāo)收益
結(jié)合實(shí)際應(yīng)用舉例和和業(yè)界趨勢(shì)分析
主流技術(shù)方案、能力和發(fā)展方向
培訓(xùn)對(duì)象
對(duì) AI 特別是深度學(xué)習(xí)算法原理和應(yīng)用感興趣
課程大綱
| 1 賦予計(jì)算機(jī)學(xué)習(xí)數(shù)據(jù)的能力 |
1.1構(gòu)建智能機(jī)器將數(shù)據(jù)轉(zhuǎn)化為知識(shí) 1.2機(jī)器學(xué)習(xí)的三種不同方法 a 通過監(jiān)督學(xué)習(xí)對(duì)未來事件進(jìn)行預(yù)測 b 通過強(qiáng)化學(xué)習(xí)解決交互式問題 c 通過無監(jiān)督學(xué)習(xí)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(hào)介紹 1.4構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的藍(lán)圖 a 數(shù)據(jù)預(yù)處理 b 選擇預(yù)測模型類型并進(jìn)行訓(xùn)練 c模型驗(yàn)證與使用未知數(shù)據(jù)進(jìn)行預(yù)測 |
| 2. 深度學(xué)習(xí)概要 |
- 什么是深度學(xué)習(xí) - 與機(jī)器學(xué)習(xí)的異同 - 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) |
| 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(luò) Neuron Networks - 訓(xùn)練網(wǎng)絡(luò) Training Networks - Back-propagation 算法和計(jì)算圖 - 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate |
| 4. 卷積神經(jīng)網(wǎng)絡(luò) Convolutional Neural Network |
- CNN 原理和構(gòu)造： - 核 Filter 和卷積運(yùn)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(luò) Recurrent Neural Networks |
- RNN 原理 - 處理序列（Sequence）數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò) - 循環(huán)神經(jīng)網(wǎng) RNN 架構(gòu) - RNN訓(xùn)練：如何在訓(xùn)練中獲得穩(wěn)定的梯度下降 - RNN 網(wǎng)絡(luò)演化歷史：RNN，LSTM，GRU 結(jié)構(gòu)比較和分析 |
| 6. 當(dāng)前應(yīng)用 |
6.1 金融業(yè)： - 征信與反欺詐 - 定價(jià) 6.2圖形圖像： - 人臉識(shí)別 - 視頻識(shí)別 - 自動(dòng)圖像描述 6.3自然語言理解 - 情感分類 - 用戶意圖識(shí)別 - 機(jī)器翻譯 - 閱讀理解 和 自動(dòng) QA 6.4體育 - 球員訓(xùn)練 - 球隊(duì)組建 6.5 醫(yī)療 - 醫(yī)療影像識(shí)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(yàn) 6.6安防 - 犯罪率預(yù)測 - 尋人 6.7社交 - 婚戀匹配 - 輿情分析 6.8城市管理建設(shè) - 擁堵預(yù)測 - 房價(jià)預(yù)測 |
| 7. 未來發(fā)展方向 |
7.1計(jì)算能力的發(fā)展 - CPU / GPU / TPU 7.2 模型算法的發(fā)展 - 生成對(duì)抗網(wǎng)絡(luò) GAN: Generative Adversarial Network - 遷移學(xué)習(xí) - 感知：狀態(tài)、情感、邏輯 7.3應(yīng)用的發(fā)展 - 智能家居和穿戴智能 |
|
1 賦予計(jì)算機(jī)學(xué)習(xí)數(shù)據(jù)的能力 1.1構(gòu)建智能機(jī)器將數(shù)據(jù)轉(zhuǎn)化為知識(shí) 1.2機(jī)器學(xué)習(xí)的三種不同方法 a 通過監(jiān)督學(xué)習(xí)對(duì)未來事件進(jìn)行預(yù)測 b 通過強(qiáng)化學(xué)習(xí)解決交互式問題 c 通過無監(jiān)督學(xué)習(xí)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(hào)介紹 1.4構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的藍(lán)圖 a 數(shù)據(jù)預(yù)處理 b 選擇預(yù)測模型類型并進(jìn)行訓(xùn)練 c模型驗(yàn)證與使用未知數(shù)據(jù)進(jìn)行預(yù)測 |
|
2. 深度學(xué)習(xí)概要 - 什么是深度學(xué)習(xí) - 與機(jī)器學(xué)習(xí)的異同 - 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) |
|
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(luò) Neuron Networks - 訓(xùn)練網(wǎng)絡(luò) Training Networks - Back-propagation 算法和計(jì)算圖 - 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate |
|
4. 卷積神經(jīng)網(wǎng)絡(luò) Convolutional Neural Network - CNN 原理和構(gòu)造： - 核 Filter 和卷積運(yùn)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(luò) Recurrent Neural Networks - RNN 原理 - 處理序列（Sequence）數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò) - 循環(huán)神經(jīng)網(wǎng) RNN 架構(gòu) - RNN訓(xùn)練：如何在訓(xùn)練中獲得穩(wěn)定的梯度下降 - RNN 網(wǎng)絡(luò)演化歷史：RNN，LSTM，GRU 結(jié)構(gòu)比較和分析 |
|
6. 當(dāng)前應(yīng)用 6.1 金融業(yè)： - 征信與反欺詐 - 定價(jià) 6.2圖形圖像： - 人臉識(shí)別 - 視頻識(shí)別 - 自動(dòng)圖像描述 6.3自然語言理解 - 情感分類 - 用戶意圖識(shí)別 - 機(jī)器翻譯 - 閱讀理解 和 自動(dòng) QA 6.4體育 - 球員訓(xùn)練 - 球隊(duì)組建 6.5 醫(yī)療 - 醫(yī)療影像識(shí)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(yàn) 6.6安防 - 犯罪率預(yù)測 - 尋人 6.7社交 - 婚戀匹配 - 輿情分析 6.8城市管理建設(shè) - 擁堵預(yù)測 - 房價(jià)預(yù)測 |
|
7. 未來發(fā)展方向 7.1計(jì)算能力的發(fā)展 - CPU / GPU / TPU 7.2 模型算法的發(fā)展 - 生成對(duì)抗網(wǎng)絡(luò) GAN: Generative Adversarial Network - 遷移學(xué)習(xí) - 感知：狀態(tài)、情感、邏輯 7.3應(yīng)用的發(fā)展 - 智能家居和穿戴智能 |
近期公開課推薦
