人工智能(néng)和深度學(xué)习

人工智能(néng)和深度學(xué)习
    马上咨询


    尹老师  资深软件架构师,移动云计算专家

    多(duō)年从事大数据、云计算研发工作经验,数學(xué)博士,北航移动云计算硕士,资深软件架构师,移动云计算专家,主要研究方向包括云计算、大数据、移动开发、互联网营销、電(diàn)子商(shāng)務(wù)、项目管理(lǐ)等;某大型知名企业首席架构,负责PaaS平台研发。

    IT从业近二十年,秉承理(lǐ)论与实践相结合,在學(xué)习中实践,在实践中學(xué)习,积累了丰富的理(lǐ)论与实践经验,并且乐于将自己的经验分(fēn)享。尹老师具有(yǒu)敏锐的目光与头脑,发现并集成整合社会资源,為(wèi)企业节省资源并创造价值,达到為(wèi)合作伙伴创收的目的。曾為(wèi)多(duō)家國(guó)内知名企业提供培训与咨询,包含阿里集团、阿尔卡特朗讯、中國(guó)移动、中國(guó)電(diàn)信、当当网、中石油、中航國(guó)际等。拥有(yǒu)大数据、大流量、高并发、分(fēn)布式的大型网站架构和设计经验。曾主导过多(duō)个私有(yǒu)云建设项目,早些年也主导过ERP、CMS等软件项目,这些项目中包含多(duō)个数百万、上千万的大型项目。

    在工作中研究新(xīn)技术、新(xīn)框架、及时更新(xīn)知识體(tǐ)系,并長(cháng)期坚持编写架构核心代码。在技术平台方面,善于Hadoop、Spark、Docker、OpenStack、Storm等技术平台的应用(yòng)与运维。深入理(lǐ)解Hadoop、HDFS、HBase、MapReduce、Zookeeper、Hive、Sqoop、BigTable 等大数据技术和开源框架理(lǐ)论。对于云计算體(tǐ)系有(yǒu)深刻认识,及独到的见解,如OpenStack的技术架构、安装部署、运维等。在移动云计算方面,善于设计与建设云计算體(tǐ)系;也善于移动云计算相关的咨询与培训。在项目管理(lǐ)方面,善于使用(yòng)敏捷项目管理(lǐ)方法,把客户的需求变更作為(wèi)常态,作為(wèi)软件架构设计的一部分(fēn),减少需求变更带来的返工;善于捕捉、挖掘、分(fēn)析客户需求,為(wèi)用(yòng)户提供满意的产品,项目经历:贵州省政府云呼叫中心建设项目、广东发展银行電(diàn)营、运维大数据分(fēn)析项目、中石油工程设计西南分(fēn)公司云计算项目评审委员、中石油大数据挖掘项目,電(diàn)商(shāng)库存预测大数据分(fēn)析项目、大型ERP、電(diàn)子商(shāng)務(wù)、CRM、電(diàn)子政務(wù)等多(duō)个项目。

    2015年到2018年着重在AI人工智能(néng)方向研究,曾给平安,中國(guó)银行培训过。

    课程简介

    人工智能(néng)(Artificial Intelligence),英文(wén)缩写為(wèi)AI。它是研究和开发用(yòng)于模拟、延伸和扩展人的智能(néng)的理(lǐ)论、方法、技术及应用(yòng)系统的一门新(xīn)的技术科(kē)學(xué)。是对人的意识、思维的信息过程的模拟。人工智能(néng)不是人的智能(néng),但能(néng)像人那样思考、也可(kě)能(néng)超过人的智能(néng)。

    人工智能(néng)是计算机科(kē)學(xué)的一个分(fēn)支,它企图了解智能(néng)的实质,并生产出一种新(xīn)的能(néng)以人类智能(néng)相似的方式做出反应的智能(néng)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(lǐ)和专家系统等。人工智能(néng)从诞生以来,理(lǐ)论和技术日益成熟,应用(yòng)领域也不断扩大。

    人工智能(néng)是一门极富挑战性的科(kē)學(xué),从事这项工作的人必须懂得计算机知识、心理(lǐ)學(xué)和哲學(xué)。人工智能(néng)是包括十分(fēn)广泛的科(kē)學(xué),它由不同的领域组成,如机器學(xué)习、计算机视觉、神经网络等等,总的说来,人工智能(néng)研究的一个主要目标是使机器能(néng)够胜任一些通常需要人类智能(néng)才能(néng)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(yòng),数据分(fēn)析、数据建模、数据挖掘、机器學(xué)习、深度學(xué)习、人工智能(néng)等重要性越发突出,本课程是针对大数据时代的特点,老师总结多(duō)年数据分(fēn)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(lǐ)、统计分(fēn)析、数据挖掘、机器學(xué)习、神经网络、深度學(xué)习、人工智能(néng)等内容,以及人工智能(néng)的应用(yòng)范围、发展前景剖析。

    培训目标

    1. 使學(xué)员深入理(lǐ)解人工智能(néng)的概念、技术、模型、应用(yòng)等;
    2. 使學(xué)员彻底理(lǐ)解深度學(xué)习的概念、技术、模型、应用(yòng)等;
    3. 使學(xué)员深入理(lǐ)解人工神经网络的概念、技术、模型、应用(yòng)等;
    4. 使學(xué)员學(xué)会使用(yòng)深度學(xué)习开源框架完成数据挖掘工作;
    5. 机器學(xué)习等相关框架在企业研发、设计与实现等方面的应用(yòng)经验分(fēn)享;
    6. 面向用(yòng)户数据的深度學(xué)习等技术的应用(yòng)经验分(fēn)享;
    7. 结合代码分(fēn)析,剖析算法原理(lǐ);实际应用(yòng)举例和和业界趋势分(fēn)析;成熟开源框架介绍和实例(Numpy, Pandas, Sklearn, Keras, TensorFlow,)。
    8. 内容分(fēn)四大部分(fēn):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(lǐ)和实践;循环神经网络RNN原理(lǐ)和实践。
    9. 完成课程后,學(xué)员能(néng)够了解深度學(xué)习的流程步骤;理(lǐ)解用(yòng)深度學(xué)习方法解决实际问题的方法和思路;掌握基础深度學(xué)习的算法和实现方法,并应用(yòng)于多(duō)种项目中。

    培训对象

    1. 对深度學(xué)习算法原理(lǐ)和应用(yòng)感兴趣,具有(yǒu)一定编程(Python)和数學(xué)基础(線(xiàn)性代数、微积分(fēn)、概率论)的技术人员。
    2. 即将投身于人工智能(néng)、机器學(xué)习、数据挖掘领域的企业或者个人;
    3. 系统架构师、系统分(fēn)析师、高级程序员、资深开发人员;
    4. 電(diàn)信行业、政府机关、金融保险、移动互联网、能(néng)源行业等人工智能(néng)相关人员;

    培训方式

    以课堂讲解、演示、案例分(fēn)析為(wèi)主,辅以互动研讨、现场答(dá)疑、學(xué)以致用(yòng)。

    课程大纲

    内容
    第一篇 介绍人工智能(néng)的渊源及范围

    1. 人工智能(néng)概述

    • 人工智能(néng)的历史
    • 人工智能(néng)的概念
    • 人工智能(néng)当前发展水平
    • 人工智能(néng)未来趋势预测
    • 人工智能(néng)的应用(yòng)领域
    • 人工智能(néng)的國(guó)际主要流派和发展路線(xiàn)
    • 人工智能(néng)的國(guó)内研究情况
    • 弱人工智能(néng)
    • 强人工智能(néng)
    • 机器學(xué)习介绍
    • 深度學(xué)习介绍
    • 神经网络介绍


    2. 机器學(xué)习概念

    • 机器學(xué)习介绍
    • 机器學(xué)习概念
    • 机器學(xué)习特征
    • 机器學(xué)习基本思想
    • 机器學(xué)习的训练过程
    • 机器學(xué)习的常用(yòng)模型
    • 机器學(xué)习分(fēn)类、聚类的概念
    • 机器學(xué)习的应用(yòng)与算法选择
    • 机器學(xué)习算法模型应用(yòng)领域
    • 机器學(xué)习算法模型优劣势剖析


    3. 神经网络算法模型概述

    • 人工智能(néng)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(néng)行為(wèi)的四个方面
    • 神经网络的特点
    • 學(xué)习能(néng)力
    • 适应性问题
    • 神经网络基本网络模型
    • 单层网络
    • 多(duō)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
    • 線(xiàn)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(yòng)领域
    • 神经网络算法模型优缺剖析


    4. 深度學(xué)习算法模型

    • 深度學(xué)习介绍
    • 深度學(xué)习概念
    • 深度學(xué)习特征
    • 深度學(xué)习基本思想
    • 浅层學(xué)习与深度學(xué)习
    • 深度學(xué)习与神经网络
    • 深度學(xué)习的训练过程
    • 深度學(xué)习的常用(yòng)模型
    • 深度學(xué)习的应用(yòng)
    • 深度學(xué)习算法模型应用(yòng)领域
    • 深度學(xué)习算法模型优劣势剖析


    5. 深度學(xué)习概要

    • 什么是深度學(xué)习&与机器學(xué)习的异同


    案例研讨:AlphaGo的基本原理(lǐ),李世石与AlphaGo的对局分(fēn)析

    第二篇 基于TensorFlow的基本DNN模型案例

    6. 基于TensorFlow的深度學(xué)习工具与平台

    • TensorFlow介绍
    • TensorFlow架构原理(lǐ)
    • TensorFlow的数据流图
    • TensorFlow的节点与边
    • TensorFlow张量
    • TensorFlow的特征
    • TensorFlow的下载安装
    • TensorFlow的基本用(yòng)法
    • 计算图
    • 构建图
    • 卷积神经网络 
    • 字词的向量表示 
    • 递归神经网络 
    • 曼德布洛特(Mandelbrot)集合 
    • 偏微分(fēn)方程
    • 变量:创建、初始化、保存和加载 
    • TensorBoard:可(kě)视化學(xué)习 
    • TensorBoard:图表可(kě)视化 
    • 读取数据 
    • 線(xiàn)程和队列 
    • 添加新(xīn)的OP
    • 自定义数据读取 
    • 使用(yòng)GPU
    • 共享变量
    • TensorFlow的应用(yòng)场景
    • TensorFlow的应用(yòng)案例剖析


    7. 基于TensorFlow多(duō)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(duō)种自适应學(xué)习率算法 Adaptive Learning Rate


    8. 基于TensorFlow用(yòng) Keras 搭建 MLP

    • 载入数据
    • 定义-编译-训练-测试模型


    实践练习:手写體(tǐ)数字图片识别

    第三篇 评估、调参和优化模型

    9. 深度學(xué)习模型的性能(néng)评估

    • 切分(fēn)数据集合 Data Splitting
    • 手工 k-fold cross validation


    10. 通用(yòng)深度學(xué)习工具集Keras + Scikit-Learn

    • 用(yòng) cross-validation 评估模型
    • 用(yòng) grid-search 微调超参数


    12. 基于TensorFlow序列化保存模型

    13. 通过 check point 机制获取最佳模型

    14. 通过绘制模型历史理(lǐ)解训练行為(wèi)

    15. 通过 dropout regularization 降低模型过拟合

    16. 选取不同的 Learning Rate Schedule 提升模型性能(néng)


    案例研讨:

    实践练习:用(yòng) MLP 进行多(duō)元分(fēn)类 – 植物(wù)品种分(fēn)类

    (可(kě)选)实践练习:用(yòng) MLP 进行二元分(fēn)类 – 声呐探测物(wù)體(tǐ)信号分(fēn)析

    (可(kě)选)实践练习:用(yòng) MLP 进行回归 – Boston 房屋价格预测

    第四篇 基于TensorFlow的卷积神经网络CNN案例

    17. 卷积神经网络 Convolutional Neural Network

    18. 基于TensorFlow的CNN 原理(lǐ)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 最佳实践


    CNN 实践

    项目:用(yòng) CNN 进行手写體(tǐ)识别

    练习:在 CNN 图像识别中通过 Image Augmentation 技术提升模型性能(néng)

    项目:用(yòng) CNN 进行图片物(wù)體(tǐ)识别

    项目:用(yòng) CNN電(diàn)影评论情绪预测