主題
|
課程安排 |
| 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
- 自然語言處理
- 計(jì)算機(jī)視覺和圖像識(shí)別
- 人臉識(shí)別項(xiàng)目
- 數(shù)據(jù)挖掘算法
|
| 第一階段 初探機(jī)器學(xué)習(xí) |
1. 機(jī)器學(xué)習(xí)要解決的問題
2. 有監(jiān)督無監(jiān)督問題
3. 機(jī)器學(xué)習(xí)能做什么
4. 感知器-線性分類
5. 線性回歸原理,推導(dǎo)
6. 實(shí)例：預(yù)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(shí)現(xiàn)
9. 實(shí)例：使用K近鄰算法測試約會(huì)對(duì)象 |
| 第二階段 機(jī)器學(xué)習(xí)基礎(chǔ)算法 |
1. 邏輯回歸算法原理,推導(dǎo)
2. 邏輯回歸代碼實(shí)現(xiàn)
3. 多分類問題解決方案
4. 一對(duì)一分類,一對(duì)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(shí)現(xiàn)
9. 貝葉斯算法原理
10. 貝葉斯代碼實(shí)現(xiàn)
11. 實(shí)例1：使用貝葉斯分類器打造拼寫檢查器
12. 實(shí)例2：垃圾郵件分類任務(wù)
?
?
|
| 第三階段 機(jī)器學(xué)習(xí)進(jìn)階算法 |
1. Adaboosting算法原理
2. Boosting機(jī)制,優(yōu)勢分析
3. 自適應(yīng)增強(qiáng)算法代碼實(shí)現(xiàn)
4. 實(shí)例：使用集成算法改進(jìn)泰坦尼克號(hào)預(yù)測
5. 線性支持向量機(jī)算法原理推導(dǎo)
6. 支持向量機(jī)核變換推導(dǎo)
7. SMO求解支持向量機(jī)
8. SMO算法代碼實(shí)現(xiàn)
9. 隨機(jī)森林算法原理
10. 使用隨機(jī)森林衡量選擇特征標(biāo)準(zhǔn)
11. 實(shí)例：使用隨機(jī)森林改進(jìn)泰坦尼克獲救預(yù)測
12. 聚類算法綜述
13. K-MEANS與DBSCAN算法講解 |
| 第四階段 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目 |
1. HTTP日志流量數(shù)據(jù)分析
2. 特征提取
3. 預(yù)處理，歸一化
4. 分類解決方案
5. 聚類解決方案
6. 二分圖，轉(zhuǎn)移矩陣原理 |
| 第五階段 深度學(xué)習(xí)基礎(chǔ) |
1. 人工智能深度學(xué)習(xí)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(xué)習(xí)進(jìn)階 神經(jīng)網(wǎng)絡(luò) |
1. 神經(jīng)網(wǎng)絡(luò)原理
2. 激活函數(shù)
3. 深入神經(jīng)網(wǎng)絡(luò)細(xì)節(jié)
4. 感受神經(jīng)網(wǎng)絡(luò)的強(qiáng)大
5. 實(shí)例：神經(jīng)網(wǎng)絡(luò)代碼實(shí)現(xiàn)并與線性分類對(duì)比
?
|
| 第七階段 深度學(xué)習(xí)核心 卷積神經(jīng)網(wǎng)絡(luò) |
1. 卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大
2. 卷積神經(jīng)網(wǎng)絡(luò)詳解-卷積層
3. 卷積神經(jīng)網(wǎng)絡(luò)詳解-池化層
4. 卷積神經(jīng)網(wǎng)絡(luò)詳解-全連接層
5. 卷積效果實(shí)例 |
| 第八階段 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu) |
1. 經(jīng)典神經(jīng)網(wǎng)絡(luò)實(shí)例（ALEXNET,VGG）詳解
2. RNN與LSTM記憶網(wǎng)絡(luò)
3. 數(shù)據(jù)增強(qiáng)，網(wǎng)絡(luò)設(shè)計(jì)，參數(shù)初始化
4. 級(jí)聯(lián)模式網(wǎng)絡(luò)結(jié)構(gòu)分析-人臉檢測算法分析
5. 序列化網(wǎng)絡(luò)結(jié)構(gòu)分析-人體姿態(tài)識(shí)別算法分析
6. 深度殘差網(wǎng)絡(luò)
7. PRISMA如何實(shí)現(xiàn)風(fēng)格轉(zhuǎn)換
8. Faster-rcnn物體檢測框架原理詳解 |
| 第九階段 機(jī)器學(xué)習(xí)平臺(tái)TensorFlow詳解 |
1. TensorFlow 的應(yīng)用場景
2. TensorFlow和其他深度學(xué)習(xí)框架的對(duì)比
3. TensorFlow的線性與邏輯回歸
4. 使用TensorFlow實(shí)現(xiàn)自編碼器及多層感知機(jī)
5. 使用TensorFlow實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)DNN
6. 使用TensorFlow實(shí)現(xiàn)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)CNN
7. 使用TensorFlow實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
8. 使用TensorFlow實(shí)現(xiàn)深度強(qiáng)化學(xué)習(xí)
9. TensorBoard、多GPU并行及分布式并行 |
| 第十階段 機(jī)器學(xué)習(xí)習(xí)項(xiàng)目實(shí)戰(zhàn) |
1.項(xiàng)目需求分析
2. 數(shù)據(jù)采集與整理
3. 機(jī)器學(xué)習(xí)因子提取與算法設(shè)計(jì)
4. 搭建機(jī)器學(xué)習(xí)框架
5. 開發(fā)機(jī)器學(xué)習(xí)程序
6.運(yùn)行結(jié)果分析與算法優(yōu)化 |
