专题课程
【课程简介】
人工智能（Artificial Intelligence），英文缩写为AI。它是研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识、心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习、计算机视觉、神经网络等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
随着大数据时代的快速到来，以及大数据在生产生活中迅速应用，数据分析、数据建模、数据挖掘、机器学习、神经网络、深度学习、人工智能等重要性越发突出，本课程是针对大数据时代的特点，尹老师总结多年数据分析经验，而精心设计的课程，课程内容涵盖了数据领域的数据处理、统计分析、数据挖掘、机器学习、神经网络、深度学习、人工智能等内容，以及人工智能的应用范围、发展前景剖析。
【培训特色】
以课堂讲解、演示、案例分析为主，辅以互动研讨、现场答疑、学以致用。
【目标收益】
1、 使学员深入理解人工智能的概念、技术、模型、应用等；
2、 使学员理解深度学习的概念、技术、模型、参数特征求解、应用等；
3、 使学员深入理解人工神经网络的概念、技术、模型、参数特征求解、应用等；
4、 使学员学会使用深度学习开源框架完成数据挖掘工作；
5、 机器学习等相关框架在企业研发、设计与实现等方面的应用经验分享；
6、 面向用户数据的深度学习等技术的应用经验分享；
7、 结合代码分析,剖析算法原理；实际应用举例和和业界趋势分析；成熟开源框架介绍和实例(Numpy, Pandas, Sklearn, Keras, TensorFlow,)。
8、 内容分四大部分：DNN 入门和基本模型；模型评估、调参和优化；卷积神经网络 CNN原理和实践；循环神经网络RNN原理和实践。
9、 完成课程后，学员能够了解深度学习的流程步骤；理解用深度学习方法解决实际问题的方法和思路；掌握基础深度学习的算法和实现方法，并应用于多种项目中。
【培训对象】
1、 对深度学习算法原理和应用感兴趣，具有一定编程(Python)和数学基础(线性代数、微积分、概率论)的技术人员。
2、 即将投身于人工智能、机器学习、数据挖掘领域的企业或者个人；
3、 系统架构师、系统分析师、高级程序员、资深开发人员；
4、 电信行业、政府机关、金融保险、移动互联网、能源行业等人工智能相关人员；
5、 高校、科研院所统计分析研究员，涉及到人工智能的人员；
【培训时长】
3天
【课程大纲】
|
时间 |
内容 |
案例实践与练习 |
|
第一天 上午 第一篇 介绍人工智能的渊源及范围 |
1. 人工智能概述 人工智能的历史 人工智能的概念 人工智能当前发展水平 人工智能未来趋势预测 人工智能的应用领域 人工智能的国际主要流派和发展路线 人工智能的国内研究情况 弱人工智能 强人工智能 机器学习介绍 深度学习介绍 神经网络介绍
2. 神经网络算法模型概述 人工智能介绍 神经网络介绍 神经网络概念 神经网络发展历史 神经网络的别名 神经网络研究的主要内容 神经网络基本构成 神经网络模拟人的智能行为的四个方面 神经网络的特点 学习能力 适应性问题 神经网络基本网络模型 单层网络 多层网络 循环网络 基本网络结构特点 典型训练算法 运行方式 典型问题解决方法 感知机 线性神经网络 BP神经网络 RBF网络 竞争网络 反馈神经网络 随机神经网络 遗传算法 PSO与神经网络优化 神经网络算法模型应用领域 神经网络算法模型优缺剖析
3. 深度学习算法模型 深度学习介绍 深度学习概念 深度学习特征 深度学习基本思想 浅层学习与深度学习 深度学习与神经网络 深度学习的训练过程 深度学习的常用模型 深度学习的应用 深度学习算法模型应用领域 深度学习算法模型优劣势剖析
|
案例研讨：AlphaGo的基本原理，李世石与AlphaGo的对局分析
|
|
第一天 下午 第二篇 基本DNN模型
|
4. 深度学习概要 什么是深度学习&与机器学习的异同 5. 多层感知器模型Multi-Layer Perceptron–MLP 神经元权重和激活 NeuronsWeight Activation 神经元网络Neuron Networks 训练网络Training Networks Back-propagation 算法和计算图 多种自适应学习率算法 Adaptive Learning Rate 6. 用 Keras 搭建 MLP 载入数据 定义-编译-训练-测试模型 |
实践练习：手写体数字图片识别
|
|
第二天 上午 第三篇 评估、调参和优化模型 |
7. 深度学习模型的性能评估 切分数据集合 Data Splitting 手工 k-fold cross validation 8. 通用深度学习工具集Keras + Scikit-Learn 用 cross-validation 评估模型 用 grid-search 微调超参数 9. 序列化保存模型 10. 通过 check point 机制获取更佳模型 11. 通过绘制模型历史理解训练行为 12. 通过 dropout regularization 降低模型过拟合 13. 选取不同的 Learning Rate Schedule 提升模型性能
|
案例研讨： 实践练习：用 MLP 进行多元分类 – 植物品种分类
（可选）实践练习：用 MLP 进行二元分类 – 声呐探测物体信号分析
（可选）实践练习：用 MLP 进行回归 – Boston 房屋价格预测 |
|
第二天 下午 第四篇 卷积神经网络CNN |
14. 卷积神经网络 Convolutional Neural Network 15. CNN 原理和构造： 核 Filter 和卷积运算 Convolutional Layer 特征图 Feature Maps 池化层 Pooling 全连接层 Full Connected Layer Dropout 和 Batch Normalization CNN 典型实践
|
CNN 实践 项目：用 CNN 进行手写体识别
练习：在 CNN 图像识别中通过 Image Augmentation 技术提升模型性能
项目：用 CNN 进行图片物体识别
项目：用 CNN电影评论情绪预测 |
|
第三天 上午 第五篇 循环神经网络 Recurrent Neural Networks – RNN |
16. 循环神经网络 Recurrent Neural Networks 17. RNN 原理：基本 RNN 处理序列（Sequence）数据的神经网络 循环神经网 RNN 架构 RNN训练：如何在训练中获得稳定的梯度下降 RNN 网络演化历史：RNN，LSTM，GRU 结构比较和分析
18. RNN 实践：RNN 回归 用 MLP 进行时间序列预测 用长短记忆网络(Long-Short Term Memory, LSTM)进行时间序列预测 用LSTM进行回归 用LSTM 序列窗口（Window method）进行回归 用 LSTM 时间步长（Time Step）进行回归 用 LSTM记忆（Memory）进行回归&Stacked LSTM RNN 进行文本生成–sequence 用 LSTM 生成文本序列 深度 LSTM 生成文本 用 RNN 进行文本生成 用LSTM进行 one-char生成 用LSTM feature-window进行one-char生成 用LSTM time-step进行 one-char生成 用 LSTM 批内样本间保持状态进行 one-char 生成 有状态 LSTM进行 one-char 生成 变长输入 LSTM 讨论：如何进一步提高模型 performance
19. 更多 RNN 模型 image captioning 图像字幕 machine translation 机器翻译 dialogue generation 对话生成 |
RNN 实践与应用： 自动聊天机器人
|
|
第三天 下午 第六篇 介绍深度学习技术的应用与分享 |
20. 深度学习技术与多媒体信息处理的结合应用 机器学习对视频认知与理解 视频结构化分析 视频的处理与表示 基于单帧的识别方法 基于CNN扩展网络的识别方法 双路CNN的识别方法 基于LSTM的识别方法 3维卷积核(3D CNN)法 视频目标检测与跟踪 人物识别 动作识别 情感语义分析 深度学习相关框架在企业研发、设计与实现方面的经验分享 基于深度学习等技术面向用户的研发经验分享 多媒体数据处理经验分享
21. |
