【課程簡(jiǎn)介】
人工智能（Artificial Intelligence），英文縮寫為AI。它是研究和開發(fā)用于模擬、延伸和擴(kuò)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(duì)人的意識(shí)、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(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)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(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識(shí)別、圖像識(shí)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(kuò)大。
人工智能是一門極富挑戰(zhàn)性的科學(xué)，從事這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識(shí)、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(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、神經(jīng)網(wǎng)絡(luò)等等，總的說來，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)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(shí)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、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、人工智能等重要性越發(fā)突出，本課程是針對(duì)大數(shù)據(jù)時(shí)代的特點(diǎn)，尹老師總結(jié)多年數(shù)據(jù)分析經(jīng)驗(yàn)，而精心設(shè)計(jì)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(jì)分析、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、人工智能等內(nèi)容，以及人工智能的應(yīng)用范圍、發(fā)展前景剖析。
【培訓(xùn)特色】
以課堂講解、演示、案例分析為主，輔以互動(dòng)研討、現(xiàn)場(chǎng)答疑、學(xué)以致用。
【目標(biāo)收益】
1、 使學(xué)員深入理解人工智能的概念、技術(shù)、模型、應(yīng)用等；
2、 使學(xué)員理解深度學(xué)習(xí)的概念、技術(shù)、模型、參數(shù)特征求解、應(yīng)用等；
3、 使學(xué)員深入理解人工神經(jīng)網(wǎng)絡(luò)的概念、技術(shù)、模型、參數(shù)特征求解、應(yīng)用等；
4、 使學(xué)員學(xué)會(huì)使用深度學(xué)習(xí)開源框架完成數(shù)據(jù)挖掘工作；
5、 機(jī)器學(xué)習(xí)等相關(guān)框架在企業(yè)研發(fā)、設(shè)計(jì)與實(shí)現(xiàn)等方面的應(yīng)用經(jīng)驗(yàn)分享；
6、 面向用戶數(shù)據(jù)的深度學(xué)習(xí)等技術(shù)的應(yīng)用經(jīng)驗(yàn)分享；
7、 結(jié)合代碼分析,剖析算法原理；實(shí)際應(yīng)用舉例和和業(yè)界趨勢(shì)分析；成熟開源框架介紹和實(shí)例(Numpy, Pandas, Sklearn, Keras, TensorFlow,)。
8、 內(nèi)容分四大部分：DNN 入門和基本模型；模型評(píng)估、調(diào)參和優(yōu)化；卷積神經(jīng)網(wǎng)絡(luò) CNN原理和實(shí)踐；循環(huán)神經(jīng)網(wǎng)絡(luò)RNN原理和實(shí)踐。
9、 完成課程后，學(xué)員能夠了解深度學(xué)習(xí)的流程步驟；理解用深度學(xué)習(xí)方法解決實(shí)際問題的方法和思路；掌握基礎(chǔ)深度學(xué)習(xí)的算法和實(shí)現(xiàn)方法，并應(yīng)用于多種項(xiàng)目中。
【培訓(xùn)對(duì)象】
1、 對(duì)深度學(xué)習(xí)算法原理和應(yīng)用感興趣，具有一定編程(Python)和數(shù)學(xué)基礎(chǔ)(線性代數(shù)、微積分、概率論)的技術(shù)人員。
2、 即將投身于人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘領(lǐng)域的企業(yè)或者個(gè)人；
3、 系統(tǒng)架構(gòu)師、系統(tǒng)分析師、高級(jí)程序員、經(jīng)驗(yàn)豐富開發(fā)人員；
4、 電信行業(yè)、政府機(jī)關(guān)、金融保險(xiǎn)、移動(dòng)互聯(lián)網(wǎng)、能源行業(yè)等人工智能相關(guān)人員；
5、 高校、科研院所統(tǒng)計(jì)分析研究員，涉及到人工智能的人員；
【培訓(xùn)時(shí)長(zhǎng)】
3天
【課程大綱】
|
時(shí)間 |
內(nèi)容 |
案例實(shí)踐與練習(xí) |
|
第一天 上午 第一篇 介紹人工智能的淵源及范圍 |
1. 人工智能概述 - 人工智能的歷史 - 人工智能的概念 - 人工智能當(dāng)前發(fā)展水平 - 人工智能未來趨勢(shì)預(yù)測(cè) - 人工智能的應(yīng)用領(lǐng)域 - 人工智能的國(guó)際主要流派和發(fā)展路線 - 人工智能的國(guó)內(nèi)研究情況 - 弱人工智能 - 強(qiáng)人工智能 - 機(jī)器學(xué)習(xí)介紹 - 深度學(xué)習(xí)介紹 - 神經(jīng)網(wǎng)絡(luò)介紹
2. 神經(jīng)網(wǎng)絡(luò)算法模型概述 - 人工智能介紹 - 神經(jīng)網(wǎng)絡(luò)介紹 - 神經(jīng)網(wǎng)絡(luò)概念 - 神經(jīng)網(wǎng)絡(luò)發(fā)展歷史 - 神經(jīng)網(wǎng)絡(luò)的別名 - 神經(jīng)網(wǎng)絡(luò)研究的主要內(nèi)容 - 神經(jīng)網(wǎng)絡(luò)基本構(gòu)成 - 神經(jīng)網(wǎng)絡(luò)模擬人的智能行為的四個(gè)方面 - 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) - 學(xué)習(xí)能力 - 適應(yīng)性問題 - 神經(jīng)網(wǎng)絡(luò)基本網(wǎng)絡(luò)模型 - 單層網(wǎng)絡(luò) - 多層網(wǎng)絡(luò) - 循環(huán)網(wǎng)絡(luò) - 基本網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn) - 典型訓(xùn)練算法 - 運(yùn)行方式 - 典型問題解決方法 - 感知機(jī) - 線性神經(jīng)網(wǎng)絡(luò) - BP神經(jīng)網(wǎng)絡(luò) - RBF網(wǎng)絡(luò) - 競(jìng)爭(zhēng)網(wǎng)絡(luò) - 反饋神經(jīng)網(wǎng)絡(luò) - 隨機(jī)神經(jīng)網(wǎng)絡(luò) - 遺傳算法 - PSO與神經(jīng)網(wǎng)絡(luò)優(yōu)化 - 神經(jīng)網(wǎng)絡(luò)算法模型應(yīng)用領(lǐng)域 - 神經(jīng)網(wǎng)絡(luò)算法模型優(yōu)缺剖析
3. 深度學(xué)習(xí)算法模型 - 深度學(xué)習(xí)介紹 - 深度學(xué)習(xí)概念 - 深度學(xué)習(xí)特征 - 深度學(xué)習(xí)基本思想 - 淺層學(xué)習(xí)與深度學(xué)習(xí) - 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) - 深度學(xué)習(xí)的訓(xùn)練過程 - 深度學(xué)習(xí)的常用模型 - 深度學(xué)習(xí)的應(yīng)用 - 深度學(xué)習(xí)算法模型應(yīng)用領(lǐng)域 - 深度學(xué)習(xí)算法模型優(yōu)劣勢(shì)剖析
|
案例研討：AlphaGo的基本原理，李世石與AlphaGo的對(duì)局分析
|
|
第一天 下午 第二篇 基本DNN模型
|
4. 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 5. 多層感知器模型Multi-Layer Perceptron–MLP - 神經(jīng)元權(quán)重和激活 NeuronsWeight 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 6. 用 Keras 搭建 MLP - 載入數(shù)據(jù) - 定義-編譯-訓(xùn)練-測(cè)試模型 |
實(shí)踐練習(xí)：手寫體數(shù)字圖片識(shí)別
|
|
第二天 上午 第三篇 評(píng)估、調(diào)參和優(yōu)化模型 |
7. 深度學(xué)習(xí)模型的性能評(píng)估 - 切分?jǐn)?shù)據(jù)集合 Data Splitting - 手工 k-fold cross validation 8. 通用深度學(xué)習(xí)工具集Keras + Scikit-Learn - 用 cross-validation 評(píng)估模型 - 用 grid-search 微調(diào)超參數(shù) 9. 序列化保存模型 10. 通過 check point 機(jī)制獲取典型模型 11. 通過繪制模型歷史理解訓(xùn)練行為 12. 通過 dropout regularization 降低模型過擬合 13. 選取不同的 Learning Rate Schedule 提升模型性能
|
案例研討： 實(shí)踐練習(xí)：用 MLP 進(jìn)行多元分類 – 植物品種分類
（可選）實(shí)踐練習(xí)：用 MLP 進(jìn)行二元分類 – 聲吶探測(cè)物體信號(hào)分析
（可選）實(shí)踐練習(xí)：用 MLP 進(jìn)行回歸 – Boston 房屋價(jià)格預(yù)測(cè) |
|
第二天 下午 第四篇 卷積神經(jīng)網(wǎng)絡(luò)CNN |
14. 卷積神經(jīng)網(wǎng)絡(luò) Convolutional Neural Network 15. 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 - Dropout 和 Batch Normalization - CNN典型實(shí)踐
|
CNN 實(shí)踐 項(xiàng)目：用 CNN 進(jìn)行手寫體識(shí)別
練習(xí)：在 CNN 圖像識(shí)別中通過 Image Augmentation 技術(shù)提升模型性能
項(xiàng)目：用 CNN 進(jìn)行圖片物體識(shí)別
項(xiàng)目：用 CNN電影評(píng)論情緒預(yù)測(cè) |
|
第三天 上午 第五篇 循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN |
16. 循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks 17. RNN 原理：基本 RNN - 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
18. RNN 實(shí)踐：RNN 回歸 - 用 MLP 進(jìn)行時(shí)間序列預(yù)測(cè) - 用長(zhǎng)短記憶網(wǎng)絡(luò)(Long-Short Term Memory, LSTM)進(jìn)行時(shí)間序列預(yù)測(cè) - 用LSTM進(jìn)行回歸 - 用LSTM 序列窗口（Window method）進(jìn)行回歸 - 用 LSTM 時(shí)間步長(zhǎng)（Time Step）進(jìn)行回歸 - 用 LSTM記憶（Memory）進(jìn)行回歸&Stacked LSTM - RNN 進(jìn)行文本生成–sequence - 用 LSTM 生成文本序列 - 深度 LSTM 生成文本 - 用 RNN 進(jìn)行文本生成 - 用LSTM進(jìn)行 one-char生成 - 用LSTM feature-window進(jìn)行one-char生成 - 用LSTM time-step進(jìn)行 one-char生成 - 用 LSTM 批內(nèi)樣本間保持狀態(tài)進(jìn)行 one-char 生成 - 有狀態(tài) LSTM進(jìn)行 one-char 生成 - 變長(zhǎng)輸入 LSTM - 討論：如何進(jìn)一步提高模型 performance
19. 更多 RNN 模型 - image captioning 圖像字幕 - machine translation 機(jī)器翻譯 - dialogue generation 對(duì)話生成 |
RNN 實(shí)踐與應(yīng)用： 自動(dòng)聊天機(jī)器人
|
|
第三天 下午 第六篇 介紹深度學(xué)習(xí)技術(shù)的應(yīng)用與分享 |
20. 深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用 - 機(jī)器學(xué)習(xí)對(duì)視頻認(rèn)知與理解 - 視頻結(jié)構(gòu)化分析 - 視頻的處理與表示 - 基于單幀的識(shí)別方法 - 基于CNN擴(kuò)展網(wǎng)絡(luò)的識(shí)別方法 - 雙路CNN的識(shí)別方法 - 基于LSTM的識(shí)別方法 - 3維卷積核(3D CNN)法 - 視頻目標(biāo)檢測(cè)與跟蹤 - 人物識(shí)別 - 動(dòng)作識(shí)別 - 情感語義分析 - 深度學(xué)習(xí)相關(guān)框架在企業(yè)研發(fā)、設(shè)計(jì)與實(shí)現(xiàn)方面的經(jīng)驗(yàn)分享 - 基于深度學(xué)習(xí)等技術(shù)面向用戶的研發(fā)經(jīng)驗(yàn)分享 - 多媒體數(shù)據(jù)處理經(jīng)驗(yàn)分享
21. 人工智能在金融風(fēng)控中的應(yīng)用 - 風(fēng)險(xiǎn)控制體系發(fā)展中的經(jīng)驗(yàn)理論體系 - 特定的指標(biāo)體系 - 特定的計(jì)算方式 - |
