人工智能初覽

人工智能基本概念
人工智能的核心技術(shù)
人工智能的應(yīng)用領(lǐng)域介紹

第一階段 初探機器學習

1. 機器學習要解決的問題2. 有監(jiān)督無監(jiān)督問題
3. 機器學習能做什么
4. 感知器-線性分類
5. 線性回歸原理,推導
6. 實例：預測泰坦尼克船員能否獲救
7. K近鄰算法原理
8. K近鄰算法代碼實現(xiàn)

第二階段 機器學習基礎(chǔ)算法

1. 邏輯回歸算法原理,推導
2. 邏輯回歸代碼實現(xiàn)
3. 多分類問題解決方案
4. 一對一分類,一對多分類
5. 決策樹算法模型
6. 熵原理,信息增益
7. 決策樹構(gòu)建
8. 決策樹代碼實現(xiàn)
9. 貝葉斯算法原理
10. 貝葉斯代碼實現(xiàn)

第三階段 機器學習進階算法

1. 自適應(yīng)增強算法代碼
2. 線性支持向量機算法原理推導
3. 支持向量機核變換推導
4. SMO求解支持向量機
5. 隨機森林算法原理
6. 使用隨機森林衡量選擇特征標準
7. 實例：使用隨機森林改進泰坦尼克獲救預測
8. 聚類算法綜述
9. K-MEANS與DBSCAN算法講解

第四階段 機器學習實戰(zhàn)項目

1. 特征提取
2. 預處理，歸一化
3. 分類解決方案
4. 聚類解決方案
5. 二分圖，轉(zhuǎn)移矩陣原理

第五階段 深度學習基礎(chǔ)

1. 人工智能深度學習歷史發(fā)展及簡介
2. 得分函數(shù)
3. 損失函數(shù)
4. 正則化
5. Softmax分類器原理
6. 最優(yōu)化問題
7. 梯度下降
8. 反向傳播

第六階段，深度學習基本原理

1、 深度學習簡介
2、 深度學習成功應(yīng)用
3、 深度學習與神經(jīng)網(wǎng)絡(luò)的對比
4、 深度學習的訓練過程
5、 深度學習的具體模型

·?自動編碼器

·?稀疏自動編碼器

·?降噪自動編碼器

6、 深度學習應(yīng)用案例

第七階段，深度學習模型原理解析

1、 CNN

·?CNN模型的推導與實現(xiàn)

·?CNN的反向求導及練習

·?CNN應(yīng)用：文本分類

·?CNN 常見問題總結(jié)

2、 RNN

·?RNN模型的推導與實現(xiàn)

·?RNN的反向求導及練習

·?RNN應(yīng)用：個性化電影推薦

·?RNN常見問題總結(jié)

3、 LSTM

·?LSTM模型的推導與實現(xiàn)

·?LSTM的反向求導及練習

·?LSTM應(yīng)用：文本識別

·?LSTM常見問題總結(jié)

4、 DNN

·?DNN模型的推導與實現(xiàn)

·?DNN的反向求導及練習

·?DNN應(yīng)用：CTR預估

·?DNN常見問題總結(jié)

5、 廣告搜索中深度學習的應(yīng)用

·?查詢意圖識別：CSR

·?文本相關(guān)性：Word2Vec。DSSM

·?CTR預估：DNN、MxNet

·?圖像理解：VGGNet、CNN

第八階段，深度學習框架實踐Tensorflow

Tensorflow框架介紹
TensorFlow和其他深度學習框架的對比
Tensorflow 架構(gòu)
Tensorflow 基本使用
TensorFlow實現(xiàn)多層感知機
TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
Tensorflow 實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
Tensorflow 實現(xiàn)LSTM
TensorFlow實現(xiàn)深度強化學習
實戰(zhàn)：TensorFlow進行機器學習和深度學習案例實踐。

第九階段，使用 Keras 進行深度學習

Keras 簡介
Keras與TensorFlow比較
Keras的模塊結(jié)構(gòu)
Keras 中的模型
Keras 支持的對象概念
Keras 中的數(shù)據(jù)處理
使用Keras構(gòu)建深度學習模型