課程大綱： 人工智能：機器學習和深度學習+機器學習和深度學習之實戰進階培訓
第一講人工智能簡介
1.1什么是人工智能
1.2為什么要人工智能
1.3人工智能的發展簡史
1.4人工智能的現實案例舉例
第二講優分類面和支持向量機
2.1什么是優分類面
2.2支持向量機的本質是什么
2.3支持向量機在線性不可分時怎么辦
2.4支持向量機中核函數如何選擇
2.5支持向量機在車牌識別中的應用案例
第三講決策樹
31什么是非數值特征
3.2為什么要引入決策樹
3.3如何設計決策樹
3.4如何構造隨機森林
3.5決策樹在醫療系統中的應用案例
第四講深度學習之始：人工神經網絡
4.1人工神經網絡的設計動機是什么
4.2單個神經元的功能
4.3人工神經網絡的優化以及誤差逆傳播（BP）算法
4.4人工神經網絡中需要注意的問題
4.5人工神經網絡在表情識別、流量預測中的應用案例
第五講深度學習中的技巧和注意事項
5.1深度學習中過學習問題的處理
5.2如何選擇損失函數
5.3如何并行化
5.4如何解決深度學習中梯度消失問題
5.5如何選擇激勵函數
5.6權值衰減、Dropout以及新的網絡架構
第六講卷積神經網絡
6.1卷積以及卷積網絡的概念
6.2為什么在使用卷積網絡
6.3卷積網絡的結構設計
6.4卷積網絡在圍棋中的應用
6.5卷積神經網絡在圖像識別中的應用案例
第七講循環神經網絡
7.1為什么要使用循環神經網絡
7.21-of-N編碼
7.3循環神經網絡的介紹
7.4長短期記憶網絡
7.5長短期記憶網絡在自然語言處理中的應用案例
第八講人工智能未來展望
8.1監督學習中的新應用
8.2強制學習中的新應用
8.3非監督學習中的新應用
8.4DeepMind介紹
第九講使用支持向量機進行車牌識別
第十講使用深度學習進行手寫體識別、人臉識別以及自然語言處理
第十一講機器學習項目進階加深：實現與改進
1，支持向量機實現車牌識別：案例實現與分析改進
車牌數據預處理以及要注意的問題
特征提取及特征選擇
單特征識別模型搭建
特征融合實現、改進及注意的問題
實現車牌識別全流程自動化的關鍵改進
2，決策樹實現銀行客戶貸款風險預測：案例實現與分析改進
決策樹的模型搭建
如何選擇決策樹的分裂屬性以及深層次思考
如何根據測試結果進行決策樹的優化
決策樹中的剪枝實現
隨機森林的實現及注意事項
3，討論互動：學員提出問題并進行相互討論
4，案例總結：萃取案例中的經驗并進行推廣應用
第十二講深度學習項目進階加深：實現與改進
1，卷積神經網絡實現人臉識別：案例實現與分析改進
網絡搭建
如何根據結果進行網絡結構調整（逐步講解與分析）
如何根據結果進行參數調整（逐步講解與分析）
終的參數如何確定（不在是混亂嘗試，而是深層次理解參數的含義）
2，卷積神經網絡實現手寫體識別：案例實現與分析改進
網絡搭建（注意與人臉識別案例的對比）
如何根據結果進行網絡結構調整（注意與人臉識別案例的對比）
如何根據結果進行參數調整（注意與人臉識別案例的對比）
終的參數如何確定（注意與人臉識別案例的對比）
3，循環神經網絡實現客戶評價分類：案例實現與分析改進
網絡搭建
如何根據結果進行網絡結構調整
如何根據結果進行參數調整
終的參數如何確定
加入高級會員獲得助教答疑
