專(zhuān)題課程
【課程簡(jiǎn)介】
人工智能（Artificial Intelligence），英文縮寫(xiě)為AI。它是研究和開(kāi)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(mén)新的技術(shù)科學(xué)。是對(duì)人的意識(shí)、思維的信息過(guò)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(guò)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(lèi)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(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等。人工智能從誕生以來(lái)，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(mén)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(jué)、神經(jīng)網(wǎng)絡(luò)等等，總的說(shuō)來(lái)，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(lèi)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(lái)，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(kāi)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(hù)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(kāi)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(mén)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(wèn)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(xiàn)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、資深開(kāi)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(lái)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(xiàn) 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(wèn)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(wèn)題解決方法 感知機(jī) 線(xiàn)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(guò)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(xiě)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(guò) check point 機(jī)制獲取更佳模型 11. 通過(guò)繪制模型歷史理解訓(xùn)練行為 12. 通過(guò) dropout regularization 降低模型過(guò)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(lèi) – 植物品種分類(lèi)
（可選）實(shí)踐練習(xí)：用 MLP 進(jìn)行二元分類(lèi) – 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(xiě)體識(shí)別
練習(xí)：在 CNN 圖像識(shí)別中通過(guò) 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(huà)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(yǔ)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(hù)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. |
