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(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。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(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)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(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大。
人工智能是一門極富挑戰(zhàn)性的科學(xué)，從事這項工作的人必須懂得計算機知識、心理學(xué)和哲學(xué)。人工智能是包括十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，如機器學(xué)習(xí)，計算機視覺等等，總的說來，人工智能研究的一個主要目標(biāo)是使機器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。
隨著大數(shù)據(jù)時代的快速到來，以及大數(shù)據(jù)在生產(chǎn)生活中迅速應(yīng)用，數(shù)據(jù)分析、數(shù)據(jù)建模、數(shù)據(jù)挖掘、人工智能等重要性越發(fā)突出，本課程是針對大數(shù)據(jù)時代的特點，尹老師總結(jié)多年數(shù)據(jù)分析經(jīng)驗，而精心設(shè)計的課程，課程內(nèi)容涵蓋了數(shù)據(jù)領(lǐng)域的數(shù)據(jù)處理、統(tǒng)計分析、數(shù)據(jù)挖掘、機器學(xué)習(xí)、人工智能等內(nèi)容，應(yīng)用范圍廣泛、前景廣闊。
目標(biāo)收益
1、 人工智能基礎(chǔ)、技術(shù)及其體系；
2、 人工智能的問題求解及技術(shù)實現(xiàn)；
3、 人工智能的學(xué)習(xí)方式；
4、 人工智能行業(yè)應(yīng)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(xué)習(xí)的算法模型的應(yīng)用實踐
培訓(xùn)對象
1、 即將投身于人工智能、機器學(xué)習(xí)、數(shù)據(jù)挖掘領(lǐng)域的企業(yè)或者個人；
2、 系統(tǒng)架構(gòu)師、系統(tǒng)分析師、高級程序員、資深開發(fā)人員；
3、 政府機關(guān)，金融保險、移動互聯(lián)網(wǎng)、能源行業(yè)等人工智能相關(guān)人員；
4、 高校、科研院所統(tǒng)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(yīng)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(shù)據(jù)概述 5、 智能信息 6、 物聯(lián)網(wǎng) 7、 什么是人工智能 8、 人工智能的概念 9、 人工智能的基礎(chǔ) 10、 對智慧、知識和人類技能的態(tài)度 11、 人工智能的應(yīng)用領(lǐng)域 12、 人工智能發(fā)展水平及趨勢 13、 人工智能當(dāng)前發(fā)展水平 14、 人工智能未來趨勢預(yù)測 15、 人工智能發(fā)展的最終目標(biāo) 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(nèi)研究情況 18、 弱人工智能 19、 強人工智能 20、 機器學(xué)習(xí)介紹 21、 深度學(xué)習(xí)介紹 22、 神經(jīng)網(wǎng)絡(luò)介紹 23、 機器人產(chǎn)業(yè)鏈發(fā)展現(xiàn)狀及趨勢 24、 案例場景：阿里金融人工智能防詐騙應(yīng)用案例分享 25、 案例場景：淘寶電商平臺精準(zhǔn)營銷案例分享 |
| 第2個主題： 機器學(xué)習(xí)（介紹機器學(xué)習(xí)概念為深度學(xué)習(xí)奠定基礎(chǔ)）（90分鐘） |
1、 機器學(xué)習(xí)能學(xué)習(xí)什么？ 2、 機器學(xué)習(xí)是如何學(xué)習(xí)的？ 3、 從哪里學(xué)習(xí)？ 4、 學(xué)習(xí)的目的是什么？ 5、 學(xué)習(xí)的方法是什么？ 6、 監(jiān)督式學(xué)習(xí) 7、 非監(jiān)督式學(xué)習(xí) 8、 半監(jiān)督式學(xué)習(xí) 9、 強化學(xué)習(xí) 10、 訓(xùn)練集、測試集與驗證集 11、 模型評分 12、 損失函數(shù) a) 最小二乘法 b) 梯度下降 c) 極大似然 13、 激活函數(shù) 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(dǎo) 17、 求偏導(dǎo) 18、 鏈?zhǔn)角髮?dǎo) 19、 機器學(xué)習(xí)的過程 a) 收集數(shù)據(jù) b) 預(yù)處理數(shù)據(jù) c) 探知數(shù)據(jù) d) 分析數(shù)據(jù) e) 選擇模型 f) 訓(xùn)練模型 g) 評估模型 h) 發(fā)布模型 |
| 第3個主題： 機器學(xué)習(xí)算法剖析（典型的大數(shù)據(jù)挖掘機器學(xué)習(xí)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(guān)聯(lián)規(guī)則算法 9、 協(xié)同過濾算法解析 10、 訓(xùn)練數(shù)據(jù)集與評分 11、 神經(jīng)網(wǎng)絡(luò) 12、 深度學(xué)習(xí) 13、 案例演示：R語言實現(xiàn)邏輯回歸 |
| 第4個主題： 深度學(xué)習(xí)（介紹深度學(xué)習(xí)的相關(guān)知識）（60分鐘） |
1、 深度學(xué)習(xí)介紹 2、 深度學(xué)習(xí)概念 3、 深度學(xué)習(xí)特征 4、 深度學(xué)習(xí)基本思想 5、 淺層學(xué)習(xí)與深度學(xué)習(xí) 6、 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 7、 深度學(xué)習(xí)的訓(xùn)練過程 8、 深度學(xué)習(xí)的常用模型 9、 深度學(xué)習(xí)的應(yīng)用 10、 基于人臉特征的員工識別系統(tǒng) 11、 開源深度學(xué)習(xí)框架介紹 12、 Caffe深度學(xué)習(xí)框架 13、 TensorFlow深度學(xué)習(xí)框架 14、 使用方法介紹 15、 應(yīng)用場景剖析 16、 應(yīng)用的典型案例 |
| 第5個主題： 人工神經(jīng)網(wǎng)絡(luò)實戰(zhàn)（介紹人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識與實戰(zhàn)）（60分鐘） |
1、 人工智能介紹 2、 神經(jīng)網(wǎng)絡(luò)介紹 3、 神經(jīng)網(wǎng)絡(luò)概念 4、 神經(jīng)網(wǎng)絡(luò)發(fā)展歷史 5、 神經(jīng)網(wǎng)絡(luò)的別名 6、 神經(jīng)網(wǎng)絡(luò)研究的主要內(nèi)容 7、 神經(jīng)網(wǎng)絡(luò)基本構(gòu)成 8、 神經(jīng)網(wǎng)絡(luò)模擬人的智能行為的四個方面 9、 神經(jīng)網(wǎng)絡(luò)的特點 10、 學(xué)習(xí)能力 11、 適應(yīng)性問題 12、 神經(jīng)網(wǎng)絡(luò)基本網(wǎng)絡(luò)模型 13、 單層網(wǎng)絡(luò) 14、 多層網(wǎng)絡(luò) 15、 循環(huán)網(wǎng)絡(luò) 16、 基本網(wǎng)絡(luò)結(jié)構(gòu)特點 17、 典型訓(xùn)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(jīng)網(wǎng)絡(luò) 22、 BP神經(jīng)網(wǎng)絡(luò) 23、 RBF網(wǎng)絡(luò) 24、 競爭網(wǎng)絡(luò) 25、 反饋神經(jīng)網(wǎng)絡(luò) 26、 隨機神經(jīng)網(wǎng)絡(luò) 27、 遺傳算法 28、 PSO與神經(jīng)網(wǎng)絡(luò)優(yōu)化 |
| 第6個主題： 深度神經(jīng)網(wǎng)絡(luò)（DNN）模型（介紹DNN的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） |
1、 深度學(xué)習(xí)概要 2、 什么是深度學(xué)習(xí)&與機器學(xué)習(xí)的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經(jīng)元權(quán)重和激活 NeuronsWeight Activation 5、 神經(jīng)元網(wǎng)絡(luò)Neuron Networks 6、 訓(xùn)練網(wǎng)絡(luò)Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數(shù)據(jù) 11、 定義-編譯-訓(xùn)練-測試模型 12、 案例實踐與練習(xí)：手寫體數(shù)字圖片識別 |
| 第7個主題： 深度學(xué)習(xí)開源框架TensorFlow部署（介紹深度學(xué)習(xí)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(shù)據(jù)流圖（Data Flow Graph）? 6、 TensorFlow的應(yīng)用場景介紹 7、 人工智能 8、 深度學(xué)習(xí) 9、 神經(jīng)網(wǎng)絡(luò) 10、 卷積神經(jīng)網(wǎng)絡(luò) 11、 遞歸神經(jīng)網(wǎng)絡(luò) 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎(chǔ)架構(gòu) 14、 TensorFlow運行機制 |
| 第8個主題： 卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別中的應(yīng)用與算法（介紹卷積神經(jīng)網(wǎng)絡(luò)（CNN）的基礎(chǔ)理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細(xì)剖析總卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用）（120分鐘） |
1、 什么是卷積神經(jīng)網(wǎng)絡(luò)CNN (Convolutional Neural Network) 2、 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經(jīng)網(wǎng)絡(luò)：對象識別 5、 卷積神經(jīng)網(wǎng)絡(luò)概述 6、 AlphaGo 7、 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)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(dǎo)致網(wǎng)絡(luò)參數(shù)過多 13、 一些模式比圖像要小得多 14、 類似的模式出現(xiàn)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(quán)值共享的網(wǎng)絡(luò) 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構(gòu)與術(shù)語 30、 Stride & Padding 31、 CNN參數(shù)計算 32、 鏈?zhǔn)角髮?dǎo) 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(lián)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(xué)習(xí)單元 45、 TF DNN Code 46、 卷積神經(jīng)網(wǎng)絡(luò)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(yīng)用領(lǐng)域 5、 數(shù)據(jù)稀疏與平滑技術(shù) 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(biāo)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(tǒng)（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(jīng)網(wǎng)絡(luò)（RNN）實現(xiàn)（介紹循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢，并實現(xiàn)自然語言處理NLP）（120分鐘） |
1、 數(shù)據(jù)驅(qū)動的人工智能：循環(huán)神經(jīng)網(wǎng)絡(luò) 2、 什么是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò) 4、 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 5、 RNN應(yīng)用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎(chǔ) 8、 Word Embedding 9、 RNN實現(xiàn)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(jīng)典模型：人機對話 15、 自然語言處理NLP 16、 NLP應(yīng)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(xué)家如何表達(dá)Word的含義 18、 統(tǒng)計學(xué)家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統(tǒng)語言模型的不足 22、 前饋式神經(jīng)網(wǎng)絡(luò)的不足 23、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型 24、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型實現(xiàn) 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(biāo)準(zhǔn)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(dá)（one-hot）的不足 37、 現(xiàn)代統(tǒng)計NLP中最成功的想法 38、 如何使用周圍的詞來表達(dá)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(quán)重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權(quán)重矩陣訓(xùn)練技巧 48、 遞歸神經(jīng)網(wǎng)絡(luò)（RNN） 49、 LSTM應(yīng)用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)（DNN）模型（介紹DNN的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） 1、 深度學(xué)習(xí)概要 2、 什么是深度學(xué)習(xí)&與機器學(xué)習(xí)的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經(jīng)元權(quán)重和激活 NeuronsWeight Activation 5、 神經(jīng)元網(wǎng)絡(luò)Neuron Networks 6、 訓(xùn)練網(wǎng)絡(luò)Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數(shù)據(jù) 11、 定義-編譯-訓(xùn)練-測試模型 12、 案例實踐與練習(xí)：手寫體數(shù)字圖片識別 第2個主題： 深度學(xué)習(xí)開源框架TensorFlow部署（介紹深度學(xué)習(xí)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(shù)據(jù)流圖（Data Flow Graph）? 6、 TensorFlow的應(yīng)用場景介紹 7、 人工智能 8、 深度學(xué)習(xí) 9、 神經(jīng)網(wǎng)絡(luò) 10、 卷積神經(jīng)網(wǎng)絡(luò) 11、 遞歸神經(jīng)網(wǎng)絡(luò) 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎(chǔ)架構(gòu) 14、 TensorFlow運行機制 第3個主題： 卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別中的應(yīng)用與算法（介紹卷積神經(jīng)網(wǎng)絡(luò)（CNN）的基礎(chǔ)理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細(xì)剖析總卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用）（120分鐘） 1、 什么是卷積神經(jīng)網(wǎng)絡(luò)CNN (Convolutional Neural Network) 2、 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經(jīng)網(wǎng)絡(luò)：對象識別 5、 卷積神經(jīng)網(wǎng)絡(luò)概述 6、 AlphaGo 7、 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)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(dǎo)致網(wǎng)絡(luò)參數(shù)過多 13、 一些模式比圖像要小得多 14、 類似的模式出現(xiàn)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(quán)值共享的網(wǎng)絡(luò) 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構(gòu)與術(shù)語 30、 Stride & Padding 31、 CNN參數(shù)計算 32、 鏈?zhǔn)角髮?dǎo) 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(lián)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(xué)習(xí)單元 45、 TF DNN Code 46、 卷積神經(jīng)網(wǎng)絡(luò)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(yīng)用領(lǐng)域 5、 數(shù)據(jù)稀疏與平滑技術(shù) 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(biāo)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(tǒng)（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(jīng)網(wǎng)絡(luò)（RNN）實現(xiàn)（介紹循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢，并實現(xiàn)自然語言處理NLP）（120分鐘） 1、 數(shù)據(jù)驅(qū)動的人工智能：循環(huán)神經(jīng)網(wǎng)絡(luò) 2、 什么是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò) 4、 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 5、 RNN應(yīng)用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎(chǔ) 8、 Word Embedding 9、 RNN實現(xiàn)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(jīng)典模型：人機對話 15、 自然語言處理NLP 16、 NLP應(yīng)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(xué)家如何表達(dá)Word的含義 18、 統(tǒng)計學(xué)家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統(tǒng)語言模型的不足 22、 前饋式神經(jīng)網(wǎng)絡(luò)的不足 23、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型 24、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型實現(xiàn) 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(biāo)準(zhǔn)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(dá)（one-hot）的不足 37、 現(xiàn)代統(tǒng)計NLP中最成功的想法 38、 如何使用周圍的詞來表達(dá)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(quán)重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權(quán)重矩陣訓(xùn)練技巧 48、 遞歸神經(jīng)網(wǎng)絡(luò)（RNN） 49、 LSTM應(yīng)用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)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(zhuǎn)化為文字 3、 文字轉(zhuǎn)化為語音 4、 語音特征提取 5、 貝葉斯與語音識別 6、 聲學(xué)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(quán)有限狀態(tài)轉(zhuǎn)換機的語音識別 11、 DNN（Deep neutral network）深度神經(jīng)網(wǎng)絡(luò)模型 12、 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）/卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型 13、 DNN-HMM混合系統(tǒng)架構(gòu) 14、 SyntaxNet 15、 Word2vec&Glove |
| 第12個主題： 深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)開源框架介紹（介紹深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)開源的典型框架）（30分鐘） |
1、 開源深度學(xué)習(xí)框架介紹 2、 Caffe深度學(xué)習(xí)框架 3、 TensorFlow深度學(xué)習(xí)框架 |
| 第13個主題： 深度學(xué)習(xí)開源框架部署與調(diào)試（介紹深度學(xué)習(xí)開源框架部署與調(diào)試）（60分鐘） |
1、 Caffe安裝部署 2、 案例：Caffe使用介紹 3、 Caffe使用調(diào)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(tǒng) b) 基于人臉特征的員工識別系統(tǒng) 6、 TensorFlow安裝部署 7、 案例：TensorFlow使用介紹 8、 TensorFlow使用調(diào)試 |
| 第14個主題： 深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用（介紹深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用、開源社區(qū)中的相關(guān)資源介紹與分享）（30分鐘） |
1、 機器學(xué)習(xí)對視頻認(rèn)知與理解 2、 視頻結(jié)構(gòu)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(wǎng)絡(luò)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(biāo)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(xué)習(xí)相關(guān)框架在企業(yè)研發(fā)、設(shè)計與實現(xiàn)方面的經(jīng)驗分享 14、 基于深度學(xué)習(xí)等技術(shù)面向用戶的研發(fā)經(jīng)驗分享 15、 多媒體數(shù)據(jù)處理經(jīng)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(xì)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(yīng)用 10、 面部身份驗證 11、 用戶服務(wù) 12、 保險行業(yè) 13、 人臉識別Python代碼的實現(xiàn) |
| 第16個主題： 視頻識別（介紹人臉識別）（30分鐘） |
1、 視頻目標(biāo)檢測 2、 基于單幀的識別方法 3、 基于CNN擴展網(wǎng)絡(luò)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(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用（介紹深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用、開源社區(qū)中的相關(guān)資源介紹與分享）（30分鐘） |
1、 機器學(xué)習(xí)對視頻認(rèn)知與理解 2、 視頻結(jié)構(gòu)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(wǎng)絡(luò)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(biāo)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(xué)習(xí)相關(guān)框架在企業(yè)研發(fā)、設(shè)計與實現(xiàn)方面的經(jīng)驗分享 14、 基于深度學(xué)習(xí)等技術(shù)面向用戶的研發(fā)經(jīng)驗分享 15、 多媒體數(shù)據(jù)處理經(jīng)驗分享 |
| 第18個主題： 深度學(xué)習(xí)開源框架Keras部署（介紹深度學(xué)習(xí)開源框架Keras）（30分鐘） |
1、 開源深度學(xué)習(xí)框架介紹 2、 Keras深度學(xué)習(xí)框架 3、 Keras安裝部署 4、 案例：Keras使用介紹 5、 Keras使用調(diào)試 |
| 第19個主題： 深度學(xué)習(xí)開源框架Keras（介紹深度學(xué)習(xí)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(shù)式 API 指引 5、 FAQ 常見問題解答 6、 模型 7、 關(guān)于 Keras 模型 8、 Sequential 順序模型 API 9、 函數(shù)式 API 10、 Layers 11、 關(guān)于 Keras 網(wǎng)絡(luò)層 12、 核心網(wǎng)絡(luò)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(biāo)準(zhǔn)化層 Normalization 21、 噪聲層 Noise 22、 層封裝器 wrappers 23、 編寫你自己的層 24、 數(shù)據(jù)預(yù)處理 25、 序列預(yù)處理 26、 文本預(yù)處理 27、 圖像預(yù)處理 28、 損失函數(shù) Losses 29、 評估標(biāo)準(zhǔn) Metrics 30、 優(yōu)化器 Optimizers 31、 激活函數(shù) Activations 32、 回調(diào)函數(shù) Callbacks 33、 常用數(shù)據(jù)集 Datasets 34、 預(yù)訓(xùn)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(biāo)）（30分鐘） |
1、 數(shù)據(jù)模型評估方法 2、 訓(xùn)練集 3、 測試集 4、 訓(xùn)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(shù)據(jù)挖掘模型的性能 10、 評估數(shù)據(jù)挖掘模型的性能指標(biāo) 11、 切分?jǐn)?shù)據(jù)集合 Data Splitting 12、 手工 k-fold cross validation 13、 模型度量 14、 準(zhǔn)確率(accuracy) 15、 loss-acc曲線 16、 模型質(zhì)量評估 17、 訓(xùn)練數(shù)據(jù)集與評估 18、 模型質(zhì)量評估案例 19、 P-R曲線 20、 綜合評價指標(biāo)(F-Measure) 21、 查準(zhǔn)率 22、 查全率 |
| 第21個主題： 人工智能在制造企業(yè)應(yīng)用案例（介紹人工智能在制造企業(yè)的融合與應(yīng)用）（30分鐘） |
1、 可口可樂生產(chǎn)制造案例 2、 飲料行業(yè)、食品行業(yè)生產(chǎn)制造案例 3、 數(shù)字化、網(wǎng)絡(luò)化、智能化 4、 整合產(chǎn)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(gòu)數(shù)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(lián)網(wǎng)，先進(jìn)制造業(yè)國家戰(zhàn)略計劃 11、 日本科技工業(yè)聯(lián)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(lǐng)域案例剖析（分享人工智能在裝備制造領(lǐng)域案例）（30分鐘） |
1、 融合AI深度學(xué)習(xí)技術(shù) 2、 柔性自動化生產(chǎn)線 3、 臺達(dá)機電柔性生產(chǎn)線 4、 寶馬自動化生產(chǎn)流水線 5、 工業(yè)機器人 6、 智能裝配機器人 7、 智能制造產(chǎn)業(yè)鏈 8、 傳感器嵌入式芯片 9、 射頻技術(shù) 10、 傳感器網(wǎng)絡(luò) 11、 物聯(lián)網(wǎng)技術(shù) 12、 智能芯片 13、 能源管理智能化 14、 供應(yīng)鏈管理智能化 15、 設(shè)備智能化 16、 生產(chǎn)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(yīng)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(shù)據(jù)概述 5、 智能信息 6、 物聯(lián)網(wǎng) 7、 什么是人工智能 8、 人工智能的概念 9、 人工智能的基礎(chǔ) 10、 對智慧、知識和人類技能的態(tài)度 11、 人工智能的應(yīng)用領(lǐng)域 12、 人工智能發(fā)展水平及趨勢 13、 人工智能當(dāng)前發(fā)展水平 14、 人工智能未來趨勢預(yù)測 15、 人工智能發(fā)展的最終目標(biāo) 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(nèi)研究情況 18、 弱人工智能 19、 強人工智能 20、 機器學(xué)習(xí)介紹 21、 深度學(xué)習(xí)介紹 22、 神經(jīng)網(wǎng)絡(luò)介紹 23、 機器人產(chǎn)業(yè)鏈發(fā)展現(xiàn)狀及趨勢 24、 案例場景：阿里金融人工智能防詐騙應(yīng)用案例分享 25、 案例場景：淘寶電商平臺精準(zhǔn)營銷案例分享 |
|
第2個主題： 機器學(xué)習(xí)（介紹機器學(xué)習(xí)概念為深度學(xué)習(xí)奠定基礎(chǔ)）（90分鐘） 1、 機器學(xué)習(xí)能學(xué)習(xí)什么？ 2、 機器學(xué)習(xí)是如何學(xué)習(xí)的？ 3、 從哪里學(xué)習(xí)？ 4、 學(xué)習(xí)的目的是什么？ 5、 學(xué)習(xí)的方法是什么？ 6、 監(jiān)督式學(xué)習(xí) 7、 非監(jiān)督式學(xué)習(xí) 8、 半監(jiān)督式學(xué)習(xí) 9、 強化學(xué)習(xí) 10、 訓(xùn)練集、測試集與驗證集 11、 模型評分 12、 損失函數(shù) a) 最小二乘法 b) 梯度下降 c) 極大似然 13、 激活函數(shù) 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(dǎo) 17、 求偏導(dǎo) 18、 鏈?zhǔn)角髮?dǎo) 19、 機器學(xué)習(xí)的過程 a) 收集數(shù)據(jù) b) 預(yù)處理數(shù)據(jù) c) 探知數(shù)據(jù) d) 分析數(shù)據(jù) e) 選擇模型 f) 訓(xùn)練模型 g) 評估模型 h) 發(fā)布模型 |
|
第3個主題： 機器學(xué)習(xí)算法剖析（典型的大數(shù)據(jù)挖掘機器學(xué)習(xí)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(guān)聯(lián)規(guī)則算法 9、 協(xié)同過濾算法解析 10、 訓(xùn)練數(shù)據(jù)集與評分 11、 神經(jīng)網(wǎng)絡(luò) 12、 深度學(xué)習(xí) 13、 案例演示：R語言實現(xiàn)邏輯回歸 |
|
第4個主題： 深度學(xué)習(xí)（介紹深度學(xué)習(xí)的相關(guān)知識）（60分鐘） 1、 深度學(xué)習(xí)介紹 2、 深度學(xué)習(xí)概念 3、 深度學(xué)習(xí)特征 4、 深度學(xué)習(xí)基本思想 5、 淺層學(xué)習(xí)與深度學(xué)習(xí) 6、 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 7、 深度學(xué)習(xí)的訓(xùn)練過程 8、 深度學(xué)習(xí)的常用模型 9、 深度學(xué)習(xí)的應(yīng)用 10、 基于人臉特征的員工識別系統(tǒng) 11、 開源深度學(xué)習(xí)框架介紹 12、 Caffe深度學(xué)習(xí)框架 13、 TensorFlow深度學(xué)習(xí)框架 14、 使用方法介紹 15、 應(yīng)用場景剖析 16、 應(yīng)用的典型案例 |
|
第5個主題： 人工神經(jīng)網(wǎng)絡(luò)實戰(zhàn)（介紹人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識與實戰(zhàn)）（60分鐘） 1、 人工智能介紹 2、 神經(jīng)網(wǎng)絡(luò)介紹 3、 神經(jīng)網(wǎng)絡(luò)概念 4、 神經(jīng)網(wǎng)絡(luò)發(fā)展歷史 5、 神經(jīng)網(wǎng)絡(luò)的別名 6、 神經(jīng)網(wǎng)絡(luò)研究的主要內(nèi)容 7、 神經(jīng)網(wǎng)絡(luò)基本構(gòu)成 8、 神經(jīng)網(wǎng)絡(luò)模擬人的智能行為的四個方面 9、 神經(jīng)網(wǎng)絡(luò)的特點 10、 學(xué)習(xí)能力 11、 適應(yīng)性問題 12、 神經(jīng)網(wǎng)絡(luò)基本網(wǎng)絡(luò)模型 13、 單層網(wǎng)絡(luò) 14、 多層網(wǎng)絡(luò) 15、 循環(huán)網(wǎng)絡(luò) 16、 基本網(wǎng)絡(luò)結(jié)構(gòu)特點 17、 典型訓(xùn)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(jīng)網(wǎng)絡(luò) 22、 BP神經(jīng)網(wǎng)絡(luò) 23、 RBF網(wǎng)絡(luò) 24、 競爭網(wǎng)絡(luò) 25、 反饋神經(jīng)網(wǎng)絡(luò) 26、 隨機神經(jīng)網(wǎng)絡(luò) 27、 遺傳算法 28、 PSO與神經(jīng)網(wǎng)絡(luò)優(yōu)化 |
|
第6個主題： 深度神經(jīng)網(wǎng)絡(luò)（DNN）模型（介紹DNN的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） 1、 深度學(xué)習(xí)概要 2、 什么是深度學(xué)習(xí)&與機器學(xué)習(xí)的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經(jīng)元權(quán)重和激活 NeuronsWeight Activation 5、 神經(jīng)元網(wǎng)絡(luò)Neuron Networks 6、 訓(xùn)練網(wǎng)絡(luò)Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數(shù)據(jù) 11、 定義-編譯-訓(xùn)練-測試模型 12、 案例實踐與練習(xí)：手寫體數(shù)字圖片識別 |
|
第7個主題： 深度學(xué)習(xí)開源框架TensorFlow部署（介紹深度學(xué)習(xí)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(shù)據(jù)流圖（Data Flow Graph）? 6、 TensorFlow的應(yīng)用場景介紹 7、 人工智能 8、 深度學(xué)習(xí) 9、 神經(jīng)網(wǎng)絡(luò) 10、 卷積神經(jīng)網(wǎng)絡(luò) 11、 遞歸神經(jīng)網(wǎng)絡(luò) 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎(chǔ)架構(gòu) 14、 TensorFlow運行機制 |
|
第8個主題： 卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別中的應(yīng)用與算法（介紹卷積神經(jīng)網(wǎng)絡(luò)（CNN）的基礎(chǔ)理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細(xì)剖析總卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用）（120分鐘） 1、 什么是卷積神經(jīng)網(wǎng)絡(luò)CNN (Convolutional Neural Network) 2、 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經(jīng)網(wǎng)絡(luò)：對象識別 5、 卷積神經(jīng)網(wǎng)絡(luò)概述 6、 AlphaGo 7、 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)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(dǎo)致網(wǎng)絡(luò)參數(shù)過多 13、 一些模式比圖像要小得多 14、 類似的模式出現(xiàn)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(quán)值共享的網(wǎng)絡(luò) 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構(gòu)與術(shù)語 30、 Stride & Padding 31、 CNN參數(shù)計算 32、 鏈?zhǔn)角髮?dǎo) 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(lián)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(xué)習(xí)單元 45、 TF DNN Code 46、 卷積神經(jīng)網(wǎng)絡(luò)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(yīng)用領(lǐng)域 5、 數(shù)據(jù)稀疏與平滑技術(shù) 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(biāo)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(tǒng)（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(jīng)網(wǎng)絡(luò)（RNN）實現(xiàn)（介紹循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢，并實現(xiàn)自然語言處理NLP）（120分鐘） 1、 數(shù)據(jù)驅(qū)動的人工智能：循環(huán)神經(jīng)網(wǎng)絡(luò) 2、 什么是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò) 4、 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 5、 RNN應(yīng)用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎(chǔ) 8、 Word Embedding 9、 RNN實現(xiàn)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(jīng)典模型：人機對話 15、 自然語言處理NLP 16、 NLP應(yīng)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(xué)家如何表達(dá)Word的含義 18、 統(tǒng)計學(xué)家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統(tǒng)語言模型的不足 22、 前饋式神經(jīng)網(wǎng)絡(luò)的不足 23、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型 24、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型實現(xiàn) 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(biāo)準(zhǔn)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(dá)（one-hot）的不足 37、 現(xiàn)代統(tǒng)計NLP中最成功的想法 38、 如何使用周圍的詞來表達(dá)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(quán)重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權(quán)重矩陣訓(xùn)練技巧 48、 遞歸神經(jīng)網(wǎng)絡(luò)（RNN） 49、 LSTM應(yīng)用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)（DNN）模型（介紹DNN的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢）（120分鐘） 1、 深度學(xué)習(xí)概要 2、 什么是深度學(xué)習(xí)&與機器學(xué)習(xí)的異同 3、 多層感知器模型Multi-Layer Perceptron–MLP 4、 神經(jīng)元權(quán)重和激活 NeuronsWeight Activation 5、 神經(jīng)元網(wǎng)絡(luò)Neuron Networks 6、 訓(xùn)練網(wǎng)絡(luò)Training Networks 7、 Back-propagation 算法和計算圖 8、 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 載入數(shù)據(jù) 11、 定義-編譯-訓(xùn)練-測試模型 12、 案例實踐與練習(xí)：手寫體數(shù)字圖片識別 第2個主題： 深度學(xué)習(xí)開源框架TensorFlow部署（介紹深度學(xué)習(xí)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(shù)據(jù)流圖（Data Flow Graph）? 6、 TensorFlow的應(yīng)用場景介紹 7、 人工智能 8、 深度學(xué)習(xí) 9、 神經(jīng)網(wǎng)絡(luò) 10、 卷積神經(jīng)網(wǎng)絡(luò) 11、 遞歸神經(jīng)網(wǎng)絡(luò) 12、 TensorFlow概念 a) 計算圖 b) 張量 c) 變量 d) 取回 e) 供給 13、 TensorFlow基礎(chǔ)架構(gòu) 14、 TensorFlow運行機制 第3個主題： 卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別中的應(yīng)用與算法（介紹卷積神經(jīng)網(wǎng)絡(luò)（CNN）的基礎(chǔ)理論知識、概念、發(fā)展歷史以及將來趨勢，并詳細(xì)剖析總卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用）（120分鐘） 1、 什么是卷積神經(jīng)網(wǎng)絡(luò)CNN (Convolutional Neural Network) 2、 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 3、 早期針對視覺的層次特征建模 4、 卷積神經(jīng)網(wǎng)絡(luò)：對象識別 5、 卷積神經(jīng)網(wǎng)絡(luò)概述 6、 AlphaGo 7、 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)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(dǎo)致網(wǎng)絡(luò)參數(shù)過多 13、 一些模式比圖像要小得多 14、 類似的模式出現(xiàn)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(quán)值共享的網(wǎng)絡(luò) 26、 Convolution Filter 濾波器 27、 Color Channels 28、 RGB輸入圖像 29、 CNN架構(gòu)與術(shù)語 30、 Stride & Padding 31、 CNN參數(shù)計算 32、 鏈?zhǔn)角髮?dǎo) 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(lián)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(xué)習(xí)單元 45、 TF DNN Code 46、 卷積神經(jīng)網(wǎng)絡(luò)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(yīng)用領(lǐng)域 5、 數(shù)據(jù)稀疏與平滑技術(shù) 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(biāo)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(tǒng)（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(jīng)網(wǎng)絡(luò)（RNN）實現(xiàn)（介紹循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)知識、概念、發(fā)展歷史以及將來趨勢，并實現(xiàn)自然語言處理NLP）（120分鐘） 1、 數(shù)據(jù)驅(qū)動的人工智能：循環(huán)神經(jīng)網(wǎng)絡(luò) 2、 什么是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN (Recurrent Neural Network) 3、 什么是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò) 4、 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 5、 RNN應(yīng)用概述 6、 時間序列、LSTM、GRU 7、 自然語言處理基礎(chǔ) 8、 Word Embedding 9、 RNN實現(xiàn)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(jīng)典模型：人機對話 15、 自然語言處理NLP 16、 NLP應(yīng)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(xué)家如何表達(dá)Word的含義 18、 統(tǒng)計學(xué)家：Language Model 19、 語言模型Language Model 20、 N-gram 21、 傳統(tǒng)語言模型的不足 22、 前饋式神經(jīng)網(wǎng)絡(luò)的不足 23、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型 24、 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的語言模型實現(xiàn) 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(biāo)準(zhǔn)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(dá)（one-hot）的不足 37、 現(xiàn)代統(tǒng)計NLP中最成功的想法 38、 如何使用周圍的詞來表達(dá)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(quán)重矩陣就是Word Vector 45、 輸出層 46、 Insights 47、 Word2Vec 龐大的權(quán)重矩陣訓(xùn)練技巧 48、 遞歸神經(jīng)網(wǎng)絡(luò)（RNN） 49、 LSTM應(yīng)用2：圖像/視頻生成文字 50、 Confusion Matrix 51、 RNN LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)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(zhuǎn)化為文字 3、 文字轉(zhuǎn)化為語音 4、 語音特征提取 5、 貝葉斯與語音識別 6、 聲學(xué)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(quán)有限狀態(tài)轉(zhuǎn)換機的語音識別 11、 DNN（Deep neutral network）深度神經(jīng)網(wǎng)絡(luò)模型 12、 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）/卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型 13、 DNN-HMM混合系統(tǒng)架構(gòu) 14、 SyntaxNet 15、 Word2vec&Glove |
|
第12個主題： 深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)開源框架介紹（介紹深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)開源的典型框架）（30分鐘） 1、 開源深度學(xué)習(xí)框架介紹 2、 Caffe深度學(xué)習(xí)框架 3、 TensorFlow深度學(xué)習(xí)框架 |
|
第13個主題： 深度學(xué)習(xí)開源框架部署與調(diào)試（介紹深度學(xué)習(xí)開源框架部署與調(diào)試）（60分鐘） 1、 Caffe安裝部署 2、 案例：Caffe使用介紹 3、 Caffe使用調(diào)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(tǒng) b) 基于人臉特征的員工識別系統(tǒng) 6、 TensorFlow安裝部署 7、 案例：TensorFlow使用介紹 8、 TensorFlow使用調(diào)試 |
|
第14個主題： 深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用（介紹深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用、開源社區(qū)中的相關(guān)資源介紹與分享）（30分鐘） 1、 機器學(xué)習(xí)對視頻認(rèn)知與理解 2、 視頻結(jié)構(gòu)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(wǎng)絡(luò)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(biāo)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(xué)習(xí)相關(guān)框架在企業(yè)研發(fā)、設(shè)計與實現(xiàn)方面的經(jīng)驗分享 14、 基于深度學(xué)習(xí)等技術(shù)面向用戶的研發(fā)經(jīng)驗分享 15、 多媒體數(shù)據(jù)處理經(jīng)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(xì)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(yīng)用 10、 面部身份驗證 11、 用戶服務(wù) 12、 保險行業(yè) 13、 人臉識別Python代碼的實現(xiàn) |
|
第16個主題： 視頻識別（介紹人臉識別）（30分鐘） 1、 視頻目標(biāo)檢測 2、 基于單幀的識別方法 3、 基于CNN擴展網(wǎng)絡(luò)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(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用（介紹深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用、開源社區(qū)中的相關(guān)資源介紹與分享）（30分鐘） 1、 機器學(xué)習(xí)對視頻認(rèn)知與理解 2、 視頻結(jié)構(gòu)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(wǎng)絡(luò)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(biāo)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(xué)習(xí)相關(guān)框架在企業(yè)研發(fā)、設(shè)計與實現(xiàn)方面的經(jīng)驗分享 14、 基于深度學(xué)習(xí)等技術(shù)面向用戶的研發(fā)經(jīng)驗分享 15、 多媒體數(shù)據(jù)處理經(jīng)驗分享 |
|
第18個主題： 深度學(xué)習(xí)開源框架Keras部署（介紹深度學(xué)習(xí)開源框架Keras）（30分鐘） 1、 開源深度學(xué)習(xí)框架介紹 2、 Keras深度學(xué)習(xí)框架 3、 Keras安裝部署 4、 案例：Keras使用介紹 5、 Keras使用調(diào)試 |
|
第19個主題： 深度學(xué)習(xí)開源框架Keras（介紹深度學(xué)習(xí)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(shù)式 API 指引 5、 FAQ 常見問題解答 6、 模型 7、 關(guān)于 Keras 模型 8、 Sequential 順序模型 API 9、 函數(shù)式 API 10、 Layers 11、 關(guān)于 Keras 網(wǎng)絡(luò)層 12、 核心網(wǎng)絡(luò)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(biāo)準(zhǔn)化層 Normalization 21、 噪聲層 Noise 22、 層封裝器 wrappers 23、 編寫你自己的層 24、 數(shù)據(jù)預(yù)處理 25、 序列預(yù)處理 26、 文本預(yù)處理 27、 圖像預(yù)處理 28、 損失函數(shù) Losses 29、 評估標(biāo)準(zhǔn) Metrics 30、 優(yōu)化器 Optimizers 31、 激活函數(shù) Activations 32、 回調(diào)函數(shù) Callbacks 33、 常用數(shù)據(jù)集 Datasets 34、 預(yù)訓(xùn)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(biāo)）（30分鐘） 1、 數(shù)據(jù)模型評估方法 2、 訓(xùn)練集 3、 測試集 4、 訓(xùn)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(shù)據(jù)挖掘模型的性能 10、 評估數(shù)據(jù)挖掘模型的性能指標(biāo) 11、 切分?jǐn)?shù)據(jù)集合 Data Splitting 12、 手工 k-fold cross validation 13、 模型度量 14、 準(zhǔn)確率(accuracy) 15、 loss-acc曲線 16、 模型質(zhì)量評估 17、 訓(xùn)練數(shù)據(jù)集與評估 18、 模型質(zhì)量評估案例 19、 P-R曲線 20、 綜合評價指標(biāo)(F-Measure) 21、 查準(zhǔn)率 22、 查全率 |
|
第21個主題： 人工智能在制造企業(yè)應(yīng)用案例（介紹人工智能在制造企業(yè)的融合與應(yīng)用）（30分鐘） 1、 可口可樂生產(chǎn)制造案例 2、 飲料行業(yè)、食品行業(yè)生產(chǎn)制造案例 3、 數(shù)字化、網(wǎng)絡(luò)化、智能化 4、 整合產(chǎn)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(gòu)數(shù)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(lián)網(wǎng)，先進(jìn)制造業(yè)國家戰(zhàn)略計劃 11、 日本科技工業(yè)聯(lián)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(lǐng)域案例剖析（分享人工智能在裝備制造領(lǐng)域案例）（30分鐘） 1、 融合AI深度學(xué)習(xí)技術(shù) 2、 柔性自動化生產(chǎn)線 3、 臺達(dá)機電柔性生產(chǎn)線 4、 寶馬自動化生產(chǎn)流水線 5、 工業(yè)機器人 6、 智能裝配機器人 7、 智能制造產(chǎn)業(yè)鏈 8、 傳感器嵌入式芯片 9、 射頻技術(shù) 10、 傳感器網(wǎng)絡(luò) 11、 物聯(lián)網(wǎng)技術(shù) 12、 智能芯片 13、 能源管理智能化 14、 供應(yīng)鏈管理智能化 15、 設(shè)備智能化 16、 生產(chǎn)智能化 |
近期公開課推薦
