培訓(xùn)要點(diǎn)
隨著國家在人工智能領(lǐng)域的戰(zhàn)略布局，人工智能已經(jīng)應(yīng)用于各個(gè)方面：專家系統(tǒng)、自動(dòng)推理、圖像識(shí)別、模式識(shí)別、語音識(shí)別、自然語言理解、指紋識(shí)別、人臉識(shí)別、無人駕駛、推薦系統(tǒng)、社交網(wǎng)絡(luò)、計(jì)算機(jī)視覺、智能機(jī)器人等。但是，有沒有一種方法能迅速把握精髓，從而更快的進(jìn)入人工智能的廣闊天地呢？
本次培訓(xùn)采用深入理論+淺出實(shí)踐相結(jié)合的模式。在理論上，精選最關(guān)鍵最重要的理論，為進(jìn)一步獲取相關(guān)知識(shí)打下基礎(chǔ)。在實(shí)踐上，精選目前比較有啟發(fā)性的案例，既幫助我們理解理論，更能幫助我們開闊思路，為研發(fā)相關(guān)領(lǐng)域的人工智能系統(tǒng)，提供一條思考脈絡(luò)。


培訓(xùn)內(nèi)容
理論篇
第一講 人工智能簡介
1.1 什么是人工智能
1.2 為什么要人工智能
1.3 人工智能的發(fā)展簡史
1.4 人工智能的現(xiàn)實(shí)案例舉例
第二講 最優(yōu)分類面和支持向量機(jī)
2.1 什么是最優(yōu)分類面
2.2 支持向量機(jī)的本質(zhì)是什么
2.3 支持向量機(jī)在線性不可分時(shí)怎么辦
2.4 支持向量機(jī)中核函數(shù)如何選擇
2.5 支持向量機(jī)在車牌識(shí)別中的應(yīng)用案例
第三講 決策樹
31 什么是非數(shù)值特征
3.2 為什么要引入決策樹
3.3 如何設(shè)計(jì)決策樹
3.4 如何構(gòu)造隨機(jī)森林
3.5 決策樹在醫(yī)療系統(tǒng)中的應(yīng)用案例
第四講 深度學(xué)習(xí)之始：人工神經(jīng)網(wǎng)絡(luò)
4.1 人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)動(dòng)機(jī)是什么
4.2 單個(gè)神經(jīng)元的功能
4.3 人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化以及誤差逆?zhèn)鞑ィ˙P）算法
4.4 人工神經(jīng)網(wǎng)絡(luò)中需要注意的問題
4.5 人工神經(jīng)網(wǎng)絡(luò)在表情識(shí)別、流量預(yù)測(cè)中的應(yīng)用案例
第五講 深度學(xué)習(xí)中的技巧和注意事項(xiàng)
5.1 深度學(xué)習(xí)中過學(xué)習(xí)問題的處理
5.2 如何選擇損失函數(shù)
5.3 如何并行化
5.4 如何解決深度學(xué)習(xí)中梯度消失問題
5.5 如何選擇激勵(lì)函數(shù)
5.6 權(quán)值衰減、Dropout以及新的網(wǎng)絡(luò)架構(gòu)
第六講 卷積神經(jīng)網(wǎng)絡(luò)
6.1 卷積以及卷積網(wǎng)絡(luò)的概念
6.2 為什么在使用卷積網(wǎng)絡(luò)
6.3 卷積網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)
6.4 卷積網(wǎng)絡(luò)在圍棋中的應(yīng)用
6.5 卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用案例
第七講 循環(huán)神經(jīng)網(wǎng)絡(luò)
7.1 為什么要使用循環(huán)神經(jīng)網(wǎng)絡(luò)
7.2 1-of-N編碼
7.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的介紹
7.4 長短期記憶網(wǎng)絡(luò)
7.5 長短期記憶網(wǎng)絡(luò)在自然語言處理中的應(yīng)用案例
第八講 人工智能未來展望
8.1 監(jiān)督學(xué)習(xí)中的新應(yīng)用
8.2 強(qiáng)制學(xué)習(xí)中的新應(yīng)用
8.3 非監(jiān)督學(xué)習(xí)中的新應(yīng)用
8.4 DeepMind介紹
實(shí)踐篇
第九講 使用支持向量機(jī)進(jìn)行車牌識(shí)別
第十講 使用深度學(xué)習(xí)進(jìn)行手寫體識(shí)別、人臉識(shí)別以及自然語言處理