|
主題
|
內(nèi)容 |
|
1 賦予計算機(jī)學(xué)習(xí)數(shù)據(jù)的能力
|
1.1構(gòu)建智能機(jī)器將數(shù)據(jù)轉(zhuǎn)化為知識
1.2機(jī)器學(xué)習(xí)的三種不同方法
a 通過監(jiān)督學(xué)習(xí)對未來事件進(jìn)行預(yù)測
b 通過強(qiáng)化學(xué)習(xí)解決交互式問題
c 通過無監(jiān)督學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)本身潛在的結(jié)構(gòu)
1.3基本術(shù)語及符號介紹
1.4構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的藍(lán)圖
a 數(shù)據(jù)預(yù)處理
b 選擇預(yù)測模型類型并進(jìn)行訓(xùn)練
c模型驗證與使用未知數(shù)據(jù)進(jìn)行預(yù)測 |
|
2. 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
- 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) |
|
3. 多層感知器模型 Multi-Layer Perceptron – MLP
|
- 神經(jīng)元 權(quán)重和激活 Neurons Weight Activation
- 神經(jīng)元網(wǎng)絡(luò) Neuron Networks
- 訓(xùn)練網(wǎng)絡(luò) Training Networks
- Back-propagation 算法和計算圖
- 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate |
|
4. 卷積神經(jīng)網(wǎng)絡(luò) Convolutional Neural Network
|
- 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 |
|
5. 循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks
|
- RNN 原理
- 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 |
|
6. 當(dāng)前應(yīng)用
|
6.1 金融業(yè)：
- 征信與反欺詐
- 定價
6.2圖形圖像：
- 人臉識別
- 視頻識別
- 自動圖像描述
6.3自然語言理解
- 情感分類
- 用戶意圖識別
- 機(jī)器翻譯
- 閱讀理解 和 自動 QA
6.4體育
- 球員訓(xùn)練
- 球隊組建
6.5 醫(yī)療
- 醫(yī)療影像識別
a糖尿病病變鑒別
b心血管核磁共振界別
c 讀心術(shù)
- 病例輔助判定
- 藥物試驗
6.6安防
- 犯罪率預(yù)測
- 尋人
6.7社交
- 婚戀匹配
- 輿情分析
6.8城市管理建設(shè)
- 擁堵預(yù)測
- 房價預(yù)測 |
|
7. 未來發(fā)展方向
|
7.1計算能力的發(fā)展
- CPU / GPU / TPU
7.2 模型算法的發(fā)展
- 生成對抗網(wǎng)絡(luò) GAN: Generative Adversarial Network
- 遷移學(xué)習(xí)
- 感知：狀態(tài)、情感、邏輯
7.3應(yīng)用的發(fā)展
- 智能家居和穿戴智能 |
