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
培训对象
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 |