人工智能(néng)和深度學(xué)习

前沿技术 / 2020-04-26 17:55:16
人工智能(néng)和深度學(xué)习
    马上咨询

    尹老师  移动云计算专家，资深软件架构师 

    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，Coudera大数据认证（图1），项目管理(lǐ)师（PMP）认证（图2）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。

    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

    • 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；
    • 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；
    • 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；
    • 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；
    • 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；
    • 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；
    • 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,)。
    • 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。
    • 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

    • 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。
    • 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；
    • 系统架构师、系统分(fēn)析师、高级程序员、资深开发人员；
    • 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

    时间   内容案例实践与练习

    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
    返回顶部