|
人工智能基礎(chǔ)、技術(shù)及其體系
|
1. 人工智能（Artificial Intelligence，AI）的定義、起源、用途
2. 人工智能的發(fā)展歷程與脈絡(luò)
3. 人工智能的國家政策解讀
4. 人工智能的技術(shù)體系
5. 人工智能的技術(shù)框架
6. 中國和美國的人工智能產(chǎn)業(yè)和主流人工智能產(chǎn)品
|
|
人工智能的問題求解及技術(shù)實(shí)現(xiàn)
|
7. 人工智能領(lǐng)域的經(jīng)典問題和求解方式
8. 機(jī)器學(xué)習(xí)模型和推理符號模型
9. 業(yè)界主流的機(jī)器學(xué)習(xí)方法解決人工智能領(lǐng)域的思路
10. 人工智能和大數(shù)據(jù)
11. 人工智能和機(jī)器學(xué)習(xí)
12. 人工智能和深度學(xué)習(xí)
|
|
人工智能的學(xué)習(xí)方式
|
13. 有監(jiān)督學(xué)習(xí)訓(xùn)練
14. 無監(jiān)督學(xué)習(xí)訓(xùn)練
15. 半監(jiān)督學(xué)習(xí)訓(xùn)練
|
|
人工智能的行業(yè)應(yīng)用與發(fā)展
|
16. 人工智能的行業(yè)圖譜和行業(yè)發(fā)展剖析
17. 人工智能結(jié)合大數(shù)據(jù)的行業(yè)應(yīng)用案例
18. 人工智能在“互聯(lián)網(wǎng)+”領(lǐng)域的應(yīng)用
19. 人工智能在制造業(yè)領(lǐng)域的應(yīng)用
20. 人工智能在金融、消費(fèi)領(lǐng)域的應(yīng)用
21. 人工智能在出行、旅游領(lǐng)域的應(yīng)用
|
|
部署人工智能實(shí)驗(yàn)平臺
|
22. 部署人工智能實(shí)驗(yàn)操作軟件和環(huán)境
23. 運(yùn)行講師提供的人工智能簡單示例驗(yàn)證環(huán)境的準(zhǔn)確性
24. 熟悉實(shí)驗(yàn)資料和實(shí)驗(yàn)環(huán)境
|
|
人工智能機(jī)器學(xué)習(xí)的算法模型的應(yīng)用實(shí)踐（1）?
|
25. 人工智能領(lǐng)域的四大類經(jīng)典算法模型
26. 神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法模型及其應(yīng)用
27. 決策樹算法模型及其應(yīng)用
28. 關(guān)聯(lián)分析算法模型及其應(yīng)用
29. 聚類分析算法模型及其應(yīng)用
30. 深度學(xué)習(xí)算法模型及應(yīng)用
|
|
人工智能機(jī)器學(xué)習(xí)的算法模型的應(yīng)用實(shí)踐（2）
|
31. 樸素貝葉斯算法模型及其應(yīng)用
32. 邏輯回歸算法模型及其預(yù)測應(yīng)用
33. Python機(jī)器學(xué)習(xí)庫的應(yīng)用
34. Python Scikit-learn算法庫的使用講解
|
|
人工智能和機(jī)器學(xué)習(xí)的實(shí)驗(yàn)操作
|
35. Python Scikit-learn算法庫的實(shí)戰(zhàn)操作
36. 利用Python語言編程，實(shí)現(xiàn)分類預(yù)測項(xiàng)目
37. 實(shí)驗(yàn)要求準(zhǔn)確率、召回率、誤差等指標(biāo)
|
|
深度學(xué)習(xí)技術(shù)及其應(yīng)用
|
38. 淺層學(xué)習(xí)技術(shù)及應(yīng)用
39. 深度學(xué)習(xí)算法、技模型及應(yīng)用
40. CNN卷積神經(jīng)網(wǎng)絡(luò)算法模型及應(yīng)用
41. RNN循環(huán)神經(jīng)網(wǎng)絡(luò)算法模型及應(yīng)用
42. LSTM神經(jīng)網(wǎng)絡(luò)算法模型及應(yīng)用
43. 深度學(xué)習(xí)在人臉識別、語音識別領(lǐng)域的解決方案
|
|
TensorFlow AI深度學(xué)習(xí)平臺及其應(yīng)用實(shí)踐（1）
|
44. TensorFlow：一個AI深度學(xué)習(xí)框架的概述
45. TensorFlow架構(gòu)
46. TensorFlow的安裝、部署、配置
47. TensorFlow的應(yīng)用場景和應(yīng)用案例
48. TensorFlow搭建GPU和CPU人工智能集群
49. 基于Tensorflow實(shí)現(xiàn)CNN模型應(yīng)用，以及算法部署，算法調(diào)優(yōu)，處理效率提升之道
50. 基于Tensorflow實(shí)現(xiàn)RNN（LSTM）模型應(yīng)用，以及算法部署，算法調(diào)優(yōu)，處理效率提升之道
|
|
TensorFlow AI深度學(xué)習(xí)平臺及其應(yīng)用實(shí)踐（2）
|
51. TensorFlow CNN應(yīng)用操作
52. TensorFlow RNN應(yīng)用操作
53. TensorFlow LSTM應(yīng)用操作
54. TensorFlow在自然語言生成建模案例
55. TensorFlow在圖像識別的實(shí)驗(yàn)操作
|
|
Tensorboard AI 深度學(xué)習(xí)可視化建模工具與模型優(yōu)化
|
56. Tensorboard簡介
57. Tensorboard可視化和命名空間
58. TensorFlow人工智能建模模型狀態(tài)評估與優(yōu)化
59. Tensorboard的部署、配置和應(yīng)用編程
60. 利用Tensorboard實(shí)現(xiàn)圖像識別操作
61. 利用TensorFlow實(shí)現(xiàn)文本挖掘操作
|
|
Keras 人工智能平臺應(yīng)用實(shí)踐
|
62. Keras人工智能平臺架構(gòu)
63. Keras AI平臺的部署與配置
64. Keras技術(shù)實(shí)現(xiàn)與工作機(jī)制
65. Keras序列模式
66. Keras圖像與自然語言應(yīng)用案例
67. Keras實(shí)驗(yàn)操作：Kaggle圖像比賽與優(yōu)化案例（選做）
|
|
人工智能的產(chǎn)品解決方案
|
68. 圖像處理解決方案
69. 人臉識別解決方案
70. 語音識別解決方案
71. 文本分類解決方案
72. 視頻理解解決方案
|
|
項(xiàng)目實(shí)踐
|
73. 人臉識別項(xiàng)目
74. 新聞內(nèi)容文本分類預(yù)測項(xiàng)目
講師答疑
|
