人工智能初覽

人工智能基本概念
人工智能的核心技術(shù)
人工智能的應(yīng)用領(lǐng)域介紹

第一階段 初探機(jī)器學(xué)習(xí)

1. 機(jī)器學(xué)習(xí)要解決的問(wèn)題2. 有監(jiān)督無(wú)監(jiān)督問(wèn)題
3. 機(jī)器學(xué)習(xí)能做什么
4. 感知器-線性分類(lèi)
5. 線性回歸原理,推導(dǎo)
6. 實(shí)例：預(yù)測(cè)泰坦尼克船員能否獲救
7. K近鄰算法原理
8. K近鄰算法代碼實(shí)現(xiàn)

第二階段 機(jī)器學(xué)習(xí)基礎(chǔ)算法

1. 邏輯回歸算法原理,推導(dǎo)
2. 邏輯回歸代碼實(shí)現(xiàn)
3. 多分類(lèi)問(wèn)題解決方案
4. 一對(duì)一分類(lèi),一對(duì)多分類(lèi)
5. 決策樹(shù)算法模型
6. 熵原理,信息增益
7. 決策樹(shù)構(gòu)建
8. 決策樹(shù)代碼實(shí)現(xiàn)
9. 貝葉斯算法原理
10. 貝葉斯代碼實(shí)現(xiàn)

第三階段 機(jī)器學(xué)習(xí)進(jìn)階算法

1. 自適應(yīng)增強(qiáng)算法代碼
2. 線性支持向量機(jī)算法原理推導(dǎo)
3. 支持向量機(jī)核變換推導(dǎo)
4. SMO求解支持向量機(jī)
5. 隨機(jī)森林算法原理
6. 使用隨機(jī)森林衡量選擇特征標(biāo)準(zhǔn)
7. 實(shí)例：使用隨機(jī)森林改進(jìn)泰坦尼克獲救預(yù)測(cè)
8. 聚類(lèi)算法綜述
9. K-MEANS與DBSCAN算法講解

第四階段 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目

1. 特征提取
2. 預(yù)處理，歸一化
3. 分類(lèi)解決方案
4. 聚類(lèi)解決方案
5. 二分圖，轉(zhuǎn)移矩陣原理

第五階段 深度學(xué)習(xí)基礎(chǔ)

1. 人工智能深度學(xué)習(xí)歷史發(fā)展及簡(jiǎn)介
2. 得分函數(shù)
3. 損失函數(shù)
4. 正則化
5. Softmax分類(lèi)器原理
6. 最優(yōu)化問(wèn)題
7. 梯度下降
8. 反向傳播

第六階段，深度學(xué)習(xí)基本原理

1、 深度學(xué)習(xí)簡(jiǎn)介
2、 深度學(xué)習(xí)成功應(yīng)用
3、 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的對(duì)比
4、 深度學(xué)習(xí)的訓(xùn)練過(guò)程
5、 深度學(xué)習(xí)的具體模型

·?自動(dòng)編碼器

·?稀疏自動(dòng)編碼器

·?降噪自動(dòng)編碼器

6、 深度學(xué)習(xí)應(yīng)用案例

第七階段，深度學(xué)習(xí)模型原理解析

1、 CNN

·?CNN模型的推導(dǎo)與實(shí)現(xiàn)

·?CNN的反向求導(dǎo)及練習(xí)

·?CNN應(yīng)用：文本分類(lèi)

·?CNN 常見(jiàn)問(wèn)題總結(jié)

2、 RNN

·?RNN模型的推導(dǎo)與實(shí)現(xiàn)

·?RNN的反向求導(dǎo)及練習(xí)

·?RNN應(yīng)用：個(gè)性化電影推薦

·?RNN常見(jiàn)問(wèn)題總結(jié)

3、 LSTM

·?LSTM模型的推導(dǎo)與實(shí)現(xiàn)

·?LSTM的反向求導(dǎo)及練習(xí)

·?LSTM應(yīng)用：文本識(shí)別

·?LSTM常見(jiàn)問(wèn)題總結(jié)

4、 DNN

·?DNN模型的推導(dǎo)與實(shí)現(xiàn)

·?DNN的反向求導(dǎo)及練習(xí)

·?DNN應(yīng)用：CTR預(yù)估

·?DNN常見(jiàn)問(wèn)題總結(jié)

5、 廣告搜索中深度學(xué)習(xí)的應(yīng)用

·?查詢意圖識(shí)別：CSR

·?文本相關(guān)性：Word2Vec。DSSM

·?CTR預(yù)估：DNN、MxNet

·?圖像理解：VGGNet、CNN

第八階段，深度學(xué)習(xí)框架實(shí)踐Tensorflow

Tensorflow框架介紹
TensorFlow和其他深度學(xué)習(xí)框架的對(duì)比
Tensorflow 架構(gòu)
Tensorflow 基本使用
TensorFlow實(shí)現(xiàn)多層感知機(jī)
TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
Tensorflow 實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
Tensorflow 實(shí)現(xiàn)LSTM
TensorFlow實(shí)現(xiàn)深度強(qiáng)化學(xué)習(xí)
實(shí)戰(zhàn)：TensorFlow進(jìn)行機(jī)器學(xué)習(xí)和深度學(xué)習(xí)案例實(shí)踐。

第九階段，使用 Keras 進(jìn)行深度學(xué)習(xí)

Keras 簡(jiǎn)介
Keras與TensorFlow比較
Keras的模塊結(jié)構(gòu)
Keras 中的模型
Keras 支持的對(duì)象概念
Keras 中的數(shù)據(jù)處理
使用Keras構(gòu)建深度學(xué)習(xí)模型