人工智能与深度学习实践培训班

模块一人工智能概述
1.人工智能世纪对弈
■AlphaGo围棋胜利的深度透视
■AlphaGo的身世
■AlphaGo的算法秘密以及三代AlphaGo技术对比
■对弈的意义
■AI发展的意义
2.人工智能发展概况
■什么是智能
■什么是人工智能 (AI)
■AI研究的方法和途径.
■AI的历史.
■ＡI的研究特点
■人工智能学科体系
3.人工智能中人文趣事
■图灵（Turing）
赫伯特西蒙（Herbert Simon）
模块二人工智能基本原理及应用
1.人工智能数学知识
■线性代数
■标量、向量、矩阵和张量
■矩阵和向量相乘
■单位矩阵和逆矩阵
■线性相关和生成子空间
■范数
■特殊类型的矩阵和向量
■特征分解
■奇异值分解
■概率与信息论
■随机变量
■概率分布
■离散型变量和概率质量函数
■连续型变量和概率密度函数
■边缘概率
■条件概率
■条件概率的链式法则
■独立性和条件独立性
■期望、方差和协方差
■常用概率分布
■Bernoulli分布
■Multinoulli分布
■高斯分布
■指数分布和Laplace分布
■Dirac分布和经验分布
■分布的混合
■常用函数的有用性质
■贝叶斯规则
■连续型变量的技术细节
■信息论
■结构化概率模型
■数值计算
■上溢和下溢
■病态条件
■基于梯度的优化方法
■梯度之上：Jacobian和Hessian矩阵
■约束优化
2.人工智能基础知识
■知识表示的概念
■知识的特性
■知识的分类
■知识表示的方法
■推理的定义
■Agent
3.智能机器人
■专家系统
■服务机器人
■工业机器人
■达芬奇机器人
模块三机器学习技术
1.学习算法
■任务T
■性能度量P
■经验E
■示例：线性回归
2.容量、过拟合和欠拟合
■没有免费午餐定理
■正则化
3.超参数和验证
■交叉验证
4.估计、偏差和方差
■点估计
■偏差
■方差和标准差
■衡偏差和方差以最小化均方误差
■一致性
5.大似然估计
■条件对数似然和均方误差
■大似然的性质
6.贝叶斯统计
■大后验(MAP)估计
7.监督学习算法
■概率监督学习
■支持向量机
■其他简单的监督学习算法.
8.无监督学习算法.
■主成分分析
■k-均值聚类
9.增强学习
10.随机梯度下降
11.构建机器学习算法
12.促使深度学习发展的挑战
■维数灾难
■局部不变性和平滑正则化
■流形学习
13.人工神经网络及其应用
■神经网络的发展简史
■神经元数学模型
■神经网络的分类
■神经网络的学习算法
■神经网络的特征
14.遗传算法及其应用
模块四深度网络
四、深度网络
1.深度前馈网络
■实例：学习XOR
■基于梯度的学习
■代价函数
■输出单元
■隐藏单元
■整流线性单元及其扩展
■Logistic sigmoid与双曲正切函数
■其他隐藏单元
■架构设计
■多能近似性质和深度
■其他架构上的考虑
■反向传播和其他的微分算法.
■计算图
■微积分中的链式法则
■递归地使用链式法则来实现反向传播
■全连接MLP中的反向传播计算
■符号到符号的导数
■一般化的反向传播
■实例：用于MLP训练的反向传播
■复杂化
■深度学习界以外的微分
■高阶微分
■历史小记
2.深度学习中的正则化
■参数范数惩罚
■L2参数正则化
■正则化
■作为约束的范数惩罚
■正则化和欠约束问题
■数据集增强
■噪声鲁棒性
■向输出目标注入噪声
■半监督学习
■多任务学习
■提前终止
■参数绑定和参数共享.
■卷积神经网络
■稀疏表示.
■Bagging和其他集成方法
■Dropout
■对抗训练.
■切面距离、正切传播和流形正切分类器
3.深度模型中的优化
■学习和纯优化有什么不同
■经验风险*小化
■代理损失函数和提前终止
■批量算法和小批量算法
■神经网络优化中的挑战
■病态
4.深度学习常见网络
模块五
深度学习必备框架
1.Tensorflow基础操作
2.Tensorflow建立机器学习模型
3.Tensorflow神经网络详解
4.基于Tensorflow的CNN与RNN模型
5.Caffe框架配置参数详解
6.Caffe两种常用数据源制作
7. Caffe技巧与应用
深度学习两大神器Caffe与Tensorflow实战，代码示例演示如何应用框架进行深度学习建模任务。
模块六深度学习项目实战（一）
1.验证码识别（基于Tensorflow）
2.文本分类（基于Tensorflow）
3.图像风格转换（基于Tensorflow）
模块七深度学习项目实战（二）
4.词向量模型Word2vec（基于Tensorflow）
5.强化学习让AI自己玩游戏（基于Tensorflow）
6.人脸检测（基于Caffe）
7.人脸关键点定位（基于Caffe）
基于深度学习框架Tensorflow与Caffe从数据源制作开始进行数据预处理与网络模型训练，完整演示如何应用深度学习到实际任务中。

周辉老师,()资深讲师。 中国科学院通信与信息系统专业博士。北京邮电大学移动互联网与信息化实验室特聘研究员、对外经贸大学信息学院特聘兼职教师、中国移动集团高级培训讲师，长期从事大数据、4G、移动互联网安全、管理及大数据精确营销等研究方向。国内顶级信息系统架构师，金牌讲师，技术顾问，移动开发专家。拥有丰富的通信信息系统设计、开发经验及培训行业经验，先后为全国超过15家省移动公司，超过30家地市移动公司有过项目开发合作及授课，担任多个大型通信项目的总师。