| 人工智能基礎(chǔ)、技術(shù)及其體系 |
1. 人工智能（Artificial Intelligence，AI）的定義、起源、用途
2. 人工智能的發(fā)展歷程與脈絡(luò)
3. 人工智能的國家政策解讀
4. 人工智能的技術(shù)體系
5. 人工智能的技術(shù)框架
6. 中國和美國的人工智能產(chǎn)業(yè)和主流人工智能產(chǎn)品 |
| 人工智能的問題求解及技術(shù)實現(xiàn) |
7. 人工智能領(lǐng)域的經(jīng)典問題和求解方式
8. 機器學(xué)習(xí)模型和推理符號模型
9. 業(yè)界主流的機器學(xué)習(xí)方法解決人工智能領(lǐng)域的思路
10. 人工智能和大數(shù)據(jù)
11. 人工智能和機器學(xué)習(xí)
12. 人工智能和深度學(xué)習(xí) |
| 人工智能的學(xué)習(xí)方式 |
13. 有監(jiān)督學(xué)習(xí)訓(xùn)練
14. 無監(jiān)督學(xué)習(xí)訓(xùn)練
15. 半監(jiān)督學(xué)習(xí)訓(xùn)練 |
| 人工智能的行業(yè)應(yīng)用與發(fā)展 |
16. 人工智能的行業(yè)圖譜和行業(yè)發(fā)展剖析
17. 人工智能結(jié)合大數(shù)據(jù)的行業(yè)應(yīng)用案例
18. 人工智能在“互聯(lián)網(wǎng)+”領(lǐng)域的應(yīng)用
19. 人工智能在制造業(yè)領(lǐng)域的應(yīng)用
20. 人工智能在金融、消費領(lǐng)域的應(yīng)用
21. 人工智能在出行、旅游領(lǐng)域的應(yīng)用 |
| 部署人工智能實驗平臺 |
22. 部署人工智能實驗操作軟件和環(huán)境
23. 運行講師提供的人工智能簡單示例驗證環(huán)境的準(zhǔn)確性
24. 熟悉實驗資料和實驗環(huán)境 |
| 人工智能機器學(xué)習(xí)的算法模型的應(yīng)用實踐（1） |
25. 人工智能領(lǐng)域的四大類經(jīng)典算法模型
26. 神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)算法模型及其應(yīng)用
27. 決策樹算法模型及其應(yīng)用
28. 關(guān)聯(lián)分析算法模型及其應(yīng)用
29. 聚類分析算法模型及其應(yīng)用
30. 深度學(xué)習(xí)算法模型及應(yīng)用 |
| 人工智能機器學(xué)習(xí)的算法模型的應(yīng)用實踐（2） |
31. 樸素貝葉斯算法模型及其應(yīng)用
32. 邏輯回歸算法模型及其預(yù)測應(yīng)用
33. Python機器學(xué)習(xí)庫的應(yīng)用
34. Python Scikit-learn算法庫的使用講解 |
| 人工智能和機器學(xué)習(xí)的實驗操作 |
35. Python Scikit-learn算法庫的實戰(zhàn)操作
36. 利用Python語言編程，實現(xiàn)分類預(yù)測項目
37. 實驗要求準(zhǔn)確率、召回率、誤差等指標(biāo) |
| 深度學(xué)習(xí)技術(shù)及其應(yīng)用 |
38. 淺層學(xué)習(xí)技術(shù)及應(yīng)用
39. 深度學(xué)習(xí)算法、技模型及應(yīng)用
40. CNN卷積神經(jīng)網(wǎng)絡(luò)算法模型及應(yīng)用
41. RNN循環(huán)神經(jīng)網(wǎng)絡(luò)算法模型及應(yīng)用
42. LSTM神經(jīng)網(wǎng)絡(luò)算法模型及應(yīng)用
43. 深度學(xué)習(xí)在人臉識別、語音識別領(lǐng)域的解決方案 |
| TensorFlow AI深度學(xué)習(xí)平臺及其應(yīng)用實踐（1） |
44. TensorFlow：一個AI深度學(xué)習(xí)框架的概述
45. TensorFlow架構(gòu)
46. TensorFlow的安裝、部署、配置
47. TensorFlow的應(yīng)用場景和應(yīng)用案例
48. TensorFlow搭建GPU和CPU人工智能集群
49. 基于Tensorflow實現(xiàn)CNN模型應(yīng)用，以及算法部署，算法調(diào)優(yōu)，處理效率提升之道
50. 基于Tensorflow實現(xiàn)RNN（LSTM）模型應(yīng)用，以及算法部署，算法調(diào)優(yōu)，處理效率提升之道 |
| TensorFlow AI深度學(xué)習(xí)平臺及其應(yīng)用實踐（2） |
51. TensorFlow CNN應(yīng)用操作
52. TensorFlow RNN應(yīng)用操作
53. TensorFlow LSTM應(yīng)用操作
54. TensorFlow在自然語言生成建模案例
55. TensorFlow在圖像識別的實驗操作 |
| Tensorboard AI 深度學(xué)習(xí)可視化建模工具與模型優(yōu)化 |
56. Tensorboard簡介
57. Tensorboard可視化和命名空間
58. TensorFlow人工智能建模模型狀態(tài)評估與優(yōu)化
59. Tensorboard的部署、配置和應(yīng)用編程
60. 利用Tensorboard實現(xiàn)圖像識別操作
61. 利用TensorFlow實現(xiàn)文本挖掘操作 |
| Keras 人工智能平臺應(yīng)用實踐 |
62. Keras人工智能平臺架構(gòu)
63. Keras AI平臺的部署與配置
64. Keras技術(shù)實現(xiàn)與工作機制
65. Keras序列模式
66. Keras圖像與自然語言應(yīng)用案例
67. Keras實驗操作：Kaggle圖像比賽與優(yōu)化案例（選做） |
| 人工智能的產(chǎn)品解決方案 |
68. 圖像處理解決方案
69. 人臉識別解決方案
70. 語音識別解決方案
71. 文本分類解決方案
72. 視頻理解解決方案 |
| 項目實踐 |
73. 人臉識別項目
74. 新聞內(nèi)容文本分類預(yù)測項目
75. 講師提供項目指導(dǎo)手冊，帶著學(xué)員完成，學(xué)員獨立完成后，講師答疑 |
| 人工智能項目工程師的技能素養(yǎng) （選講） |
76. 人工智能工程師的必備技術(shù)能力
77. 人工智能工程師的必備業(yè)務(wù)理解能力
78. 人工智能工程師的必備數(shù)據(jù)洞察能力
79. 人工智能工程師的進階路線和職業(yè)素養(yǎng) |
| 培訓(xùn)內(nèi)容綜合、應(yīng)用完整實踐與咨詢討論 |
80. 根據(jù)講師布置的實際應(yīng)用案例，開展人工智能和大數(shù)據(jù)完整項目部署設(shè)計和應(yīng)用開發(fā)實踐、應(yīng)用實施以及解決方案分享咨詢與交流討論 |
