人工智能初览
|
人工智能基本概念
人工智能的核心技术
人工智能的应用领域介绍 |
| 第一阶段 初探机器学习 |
1. 机器学习要解决的问题2. 有监督无监督问题
3. 机器学习能做什么
4. 感知器-线性分类
5. 线性回归原理,推导
6. 实例：预测泰坦尼克船员能否获救
7. K近邻算法原理
8. K近邻算法代码实现 |
| 第二阶段 机器学习基础算法 |
1. 逻辑回归算法原理,推导
2. 逻辑回归代码实现
3. 多分类问题解决方案
4. 一对一分类,一对多分类
5. 决策树算法模型
6. 熵原理,信息增益
7. 决策树构建
8. 决策树代码实现
9. 贝叶斯算法原理
10. 贝叶斯代码实现 |
| 第三阶段 机器学习进阶算法 |
1. 自适应增强算法代码
2. 线性支持向量机算法原理推导
3. 支持向量机核变换推导
4. SMO求解支持向量机
5. 随机森林算法原理
6. 使用随机森林衡量选择特征标准
7. 实例：使用随机森林改进泰坦尼克获救预测
8. 聚类算法综述
9. K-MEANS与DBSCAN算法讲解 |
| 第四阶段 机器学习实战项目 |
1. 特征提取
2. 预处理，归一化
3. 分类解决方案
4. 聚类解决方案
5. 二分图，转移矩阵原理 |
| 第五阶段 深度学习基础 |
1. 人工智能深度学习历史发展及简介
2. 得分函数
3. 损失函数
4. 正则化
5. Softmax分类器原理
6. 最优化问题
7. 梯度下降
8. 反向传播
|
| 第六阶段，深度学习基本原理 |
1、 深度学习简介
2、 深度学习成功应用
3、 深度学习与神经网络的对比
4、 深度学习的训练过程
5、 深度学习的具体模型
6、 深度学习应用案例 |
| 第七阶段，深度学习模型原理解析 |
1、 CNN
- CNN模型的推导与实现
- CNN的反向求导及练习
- CNN应用：文本分类
- CNN 常见问题总结
2、 RNN
- RNN模型的推导与实现
- RNN的反向求导及练习
- RNN应用：个性化电影推荐
- RNN常见问题总结
3、 LSTM
- LSTM模型的推导与实现
- LSTM的反向求导及练习
- LSTM应用：文本识别
- LSTM常见问题总结
4、 DNN
- DNN模型的推导与实现
- DNN的反向求导及练习
- DNN应用：CTR预估
- DNN常见问题总结
5、 广告搜索中深度学习的应用
- 查询意图识别：CSR
- 文本相关性：Word2Vec。DSSM
- CTR预估：DNN、MxNet
- 图像理解：VGGNet、CNN
|
| 第八阶段，深度学习框架实践Tensorflow |
Tensorflow框架介绍
TensorFlow和其他深度学习框架的对比
Tensorflow 架构
Tensorflow 基本使用
TensorFlow实现多层感知机
TensorFlow实现卷积神经网络
Tensorflow 实现循环神经网络
Tensorflow 实现LSTM
TensorFlow实现深度强化学习
实战：TensorFlow进行机器学习和深度学习案例实践。 |
| 第九阶段，使用 Keras 进行深度学习 |
Keras 简介
Keras与TensorFlow比较
Keras的模块结构
Keras 中的模型
Keras 支持的对象概念
Keras 中的数据处理
使用Keras构建深度学习模型 |
