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 初探機器學(xué)習(xí) |
1. 機器學(xué)習(xí)要解決的問題2. 有監(jiān)督無監(jiān)督問題
3. 機器學(xué)習(xí)能做什么
4. 感知器-線性分類
5. 線性回歸原理,推導(dǎo)
6. 實例：預(yù)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(xiàn) |
| 第二階段 機器學(xué)習(xí)基礎(chǔ)算法 |
1. 邏輯回歸算法原理,推導(dǎo)
2. 邏輯回歸代碼實現(xiàn)
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(gòu)建
8. 決策樹代碼實現(xiàn)
9. 貝葉斯算法原理
10. 貝葉斯代碼實現(xiàn) |
| 第三階段 機器學(xué)習(xí)進階算法 |
1. 自適應(yīng)增強算法代碼
2. 線性支持向量機算法原理推導(dǎo)
3. 支持向量機核變換推導(dǎo)
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(biāo)準(zhǔn)
7. 實例：使用隨機森林改進泰坦尼克獲救預(yù)測
8. 聚類算法綜述
9. K-MEANS與DBSCAN算法講解 |
| 第四階段 機器學(xué)習(xí)實戰(zhàn)項目 |
1. 特征提取
2. 預(yù)處理，歸一化
3. 分類解決方案
4. 聚類解決方案
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)展及簡介
2. 得分函數(shù)
3. 損失函數(shù)
4. 正則化
5. Softmax分類器原理
6. 最優(yōu)化問題
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)的對比
4、 深度學(xué)習(xí)的訓(xùn)練過程
5、 深度學(xué)習(xí)的具體模型
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)與實現(xiàn)
- CNN的反向求導(dǎo)及練習(xí)
- CNN應(yīng)用：文本分類
- CNN 常見問題總結(jié)
2、 RNN
- RNN模型的推導(dǎo)與實現(xiàn)
- RNN的反向求導(dǎo)及練習(xí)
- RNN應(yīng)用：個性化電影推薦
- RNN常見問題總結(jié)
3、 LSTM
- LSTM模型的推導(dǎo)與實現(xiàn)
- LSTM的反向求導(dǎo)及練習(xí)
- LSTM應(yīng)用：文本識別
- LSTM常見問題總結(jié)
4、 DNN
- DNN模型的推導(dǎo)與實現(xiàn)
- DNN的反向求導(dǎo)及練習(xí)
- DNN應(yīng)用：CTR預(yù)估
- DNN常見問題總結(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)框架實踐Tensorflow |
Tensorflow框架介紹
TensorFlow和其他深度學(xué)習(xí)框架的對比
Tensorflow 架構(gòu)
Tensorflow 基本使用
TensorFlow實現(xiàn)多層感知機
TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
Tensorflow 實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
Tensorflow 實現(xiàn)LSTM
TensorFlow實現(xiàn)深度強化學(xué)習(xí)
實戰(zhàn)：TensorFlow進行機器學(xué)習(xí)和深度學(xué)習(xí)案例實踐。 |
| 第九階段，使用 Keras 進行深度學(xué)習(xí) |
Keras 簡介
Keras與TensorFlow比較
Keras的模塊結(jié)構(gòu)
Keras 中的模型
Keras 支持的對象概念
Keras 中的數(shù)據(jù)處理
使用Keras構(gòu)建深度學(xué)習(xí)模型 |
