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
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. 多分類問(wèn)題解決方案
4. 一對(duì)一分類,一對(duì)多分類
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(jiǎn)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(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
- 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 |
