人工智能初覽
|
人工智能基本概念
人工智能的核心技術
人工智能的應用領域介紹 |
| 第一階段 初探機器學習 |
1. 機器學習要解決的問題2. 有監督無監督問題
3. 機器學習能做什么
4. 感知器-線性分類
5. 線性回歸原理,推導
6. 實例：預測泰坦尼克船員能否獲救
7. K近鄰算法原理
8. K近鄰算法代碼實現 |
| 第二階段 機器學習基礎算法 |
1. 邏輯回歸算法原理,推導
2. 邏輯回歸代碼實現
3. 多分類問題解決方案
4. 一對一分類,一對多分類
5. 決策樹算法模型
6. 熵原理,信息增益
7. 決策樹構建
8. 決策樹代碼實現
9. 貝葉斯算法原理
10. 貝葉斯代碼實現 |
| 第三階段 機器學習進階算法 |
1. 自適應增強算法代碼
2. 線性支持向量機算法原理推導
3. 支持向量機核變換推導
4. SMO求解支持向量機
5. 隨機森林算法原理
6. 使用隨機森林衡量選擇特征標準
7. 實例：使用隨機森林改進泰坦尼克獲救預測
8. 聚類算法綜述
9. K-MEANS與DBSCAN算法講解 |
| 第四階段 機器學習實戰項目 |
1. 特征提取
2. 預處理，歸一化
3. 分類解決方案
4. 聚類解決方案
5. 二分圖，轉移矩陣原理 |
| 第五階段 深度學習基礎 |
1. 人工智能深度學習歷史發展及簡介
2. 得分函數
3. 損失函數
4. 正則化
5. Softmax分類器原理
6. 最優化問題
7. 梯度下降
8. 反向傳播
|
| 第六階段，深度學習基本原理 |
1、 深度學習簡介
2、 深度學習成功應用
3、 深度學習與神經網絡的對比
4、 深度學習的訓練過程
5、 深度學習的具體模型
6、 深度學習應用案例 |
| 第七階段，深度學習模型原理解析 |
1、 CNN
- CNN模型的推導與實現
- CNN的反向求導及練習
- CNN應用：文本分類
- CNN 常見問題總結
2、 RNN
- RNN模型的推導與實現
- RNN的反向求導及練習
- RNN應用：個性化電影推薦
- RNN常見問題總結
3、 LSTM
- LSTM模型的推導與實現
- LSTM的反向求導及練習
- LSTM應用：文本識別
- LSTM常見問題總結
4、 DNN
- DNN模型的推導與實現
- DNN的反向求導及練習
- DNN應用：CTR預估
- DNN常見問題總結
5、 廣告搜索中深度學習的應用
- 查詢意圖識別：CSR
- 文本相關性：Word2Vec。DSSM
- CTR預估：DNN、MxNet
- 圖像理解：VGGNet、CNN
|
| 第八階段，深度學習框架實踐Tensorflow |
Tensorflow框架介紹
TensorFlow和其他深度學習框架的對比
Tensorflow 架構
Tensorflow 基本使用
TensorFlow實現多層感知機
TensorFlow實現卷積神經網絡
Tensorflow 實現循環神經網絡
Tensorflow 實現LSTM
TensorFlow實現深度強化學習
實戰：TensorFlow進行機器學習和深度學習案例實踐。 |
| 第九階段，使用 Keras 進行深度學習 |
Keras 簡介
Keras與TensorFlow比較
Keras的模塊結構
Keras 中的模型
Keras 支持的對象概念
Keras 中的數據處理? |
