人工智能概述

章節

教學重點

案例

人工智能概述

1.     AI的社會認知

2.     人工智能技術的發展史

3.     人工智能技術的應用方向與應用場景

4.     人工智能的發展戰略

5.     人工智能現有的問題

6.     人工智能的未來

無

人工智能數學基礎

章節

教學重點

案例

2.1線性代數

1.     矩陣

2.     線性變換

3.     特殊矩陣

4.     矩陣分解

代碼實現矩陣，線性變換等效果

2.2概率論

1.     隨機變量

2.       概率分布

3.       邊緣概率

4.       條件概率

5.       獨立性和條件獨立性

6.       期望、方差和協方差

7.       常用概率分布

8.       貝葉斯規則

9.       連續型變量

10. 信息論

11. 結構化概率模型

概率圖形化界面分析

2.3數值計算

1.       上溢和下溢

2.       病態條件

3.       基于梯度的優化方法

4.       約束優化

最小二乘法實現

機器學習

章節

教學重點

案例

3.1機器學習概述

1.       機器學習發展史

2.       機器學習的應用場景介紹

3.       機器學習現有的問題

4.       機器學習的未來前景

5.       機器學習的分類

6.       機器學習的整體流程

無

3.2機器學習—k近鄰算法

1.       KNN算法綜述

2.       數據預處理

3.       Sklearn庫的使用

4.       評估方案

1.   電影分類

2.   約會網站匹配

3.   信用卡欺詐檢測

3.3決策樹構造

1.       決策樹原理概述

2.       熵、互信息

3.       ID3、C4.5、Gini算法

4.       預剪枝、后剪枝

5.       決策樹構造實例

葡萄酒數據集的決策樹

3.4支持向量機

1.       SVM原理

2.       算法推導

3.       拉格朗日對偶函數

4.       SVM中的核函數

5.       SVM中的重要參數

1.   SVM實現二分類

2.   SVM進行人臉識別

3.5貝葉斯算法

1.       貝葉斯算法概述

2.       貝葉斯算法推導實例

3.       條件概率

4.       高斯貝葉斯

5.       多項式貝葉斯

6.       伯努利貝葉斯

7.       EM算法原理

8.       EM算法推導

1.   拼寫糾錯

2.   垃圾郵件過濾實例

3.   新聞分類實例

3.6線性回歸算法

1.       算法推導與案例

2.       線性回歸算法概述

3.       誤差項分析

4.       梯度下降原理

5.       標準方程組

6.       似然函數求解

7.       目標函數推導

8.       線性回歸求解

9.       嶺回歸和正則化

10. 彈性網回歸

1.   一元線性回歸實現

2.   多元線性回歸實現

3.   嶺回顧實現

3.7邏輯回歸算法

1.       邏輯回歸算法原理推導

2.       邏輯回歸求解

3.       邏輯回歸多分類解決方案

邏輯回歸代碼實現

3.8Kmeans聚類算法及DBSCAN聚類算法

1.       Kmeans算法與流程

2.       Kmeans迭代迭代可視化展示

3.       DBSCAN算法與流程

4.       DBSCAN可視化展示

5.       多種聚類算法概述

聚類實例

3.9降維算法

1.       線性判別分析

2.       線性判別求解

3.       PCA主成分分析

4.       PCA降維概述

5.       PCA優化的目標

6.       PCA求解

量化投資策略

3.10隨機森林與集成算法

1.       集成算法-隨機森林

2.       特征重要性衡量

3.       提升模型

4.       堆疊模型

集成算法代碼實戰與隨機森林代碼實戰

3.11機器學習高難度算法XGBOOST

1.       XGBOOST算法概述

2.       XGBOOST模型構造

3.       建模衡量標準

4.       XGBOOST安裝

5.       參數定義與基礎模型定義

6.       樹結構對結果的影響

7.       學習率與采樣對結果影響

京東購買意向預測

3.12推薦系統

1.       推薦系統簡介

2.       關聯規則

3.       相似度計算

4.       基于用戶的協同過濾

5.       基于物品的系統過濾

1.   信息流個性化推薦

2.   廣告精準投放

深度學習

章節

教學重點

案例

4.1深度學習概述與基礎

1.       深度學習概述

2.       得分函數

3.       損失函數

4.       正則化懲罰

5.       SOFTMAX分類器

6.       最優化解釋

7.       反向傳播

無

4.2神經網絡

1.       感知機模型

2.       神經網絡結構

3.       簡單的神經網絡實現

4.       簡單單層神經網絡實現

手寫數字圖片與預測手寫數字圖片

4.3卷積神經網絡

1.       卷積神經網絡介紹

2.       單卷積核與多卷積核

3.       圖像不變性

4.       局部感知與參數共享

5.       卷積網絡結構

6.       卷積層，池化層與全連接層

7.       ImageNet

8.       AlexNet

9.       VGGNet

10. GoogleNet

11. ResNet

12. SENet

1.   識別手寫數字圖片

2.   鮮花識別

4.4卷積神經網絡細節

1.       數據增強策略

2.       遷移學習

3.       網絡設計技巧

4.       經典網絡架構

5.       分類與回歸任務

6.       三代物體檢測

車牌識別

4.5Tensorboard可視化展示

1.       可視化展示

2.       展示效果

3.       統計可視化

4.       參數對結果的影響

無

4.6 tfrecord制作數據源

1.       生成自己的數據集

2.       讀取數據

3.       生成數據源

4.       加載數據進行分類任務

無

4.7驗證識別任務

1.        驗證碼數據生成

2.        構造網絡輸入數據和標簽

3.        卷積網絡模型定義

4.        迭代測試網絡效果

驗證碼實現

4.8RESNET殘差網絡

1.        RESNET網絡原理

2.        網絡流程設計

3.        實現細節

RESNE實現

4.9循環神經網絡與文本損失函數

1.        循環神經網絡結構

2.        循環單元

3.        輸出模式

4.        循環神經網絡的反向傳播

預測時間序列

4.10網絡優化與神經網絡模型

1.       網絡參數優化

2.       網絡模型優化

3.       圖片識別器

圖片生成器實現

4.11對抗神經網絡

1.     對抗神經網絡原理概述

2.     GAM網絡結構定義

3.     迭代生成

4.     DCGAN網絡特性

5.     DCGAN訓練

使用對抗網絡生成圖片

TensorFlow框架

章節

教學重點

案例

5.1 TensorFlow概述

1.       Tensor的簡介

2.       特點

3.       應用場景

4.       如何選擇正確的TensoFlow版本

5.       系統環境變量的設置

無

5.2基礎操作

1.     數據類型

2.     創建tensor

3.     索引和切片

4.     維度變換

5.     Broadingcasting

6.       數學運算

神經網絡層的實現

5.3高階操作

1.       合并和分割

2.       數據統計

3.       張量排序

4.       填充和復制

5.       張量限幅

房價預測

5.4Keras

1.     Keras優勢

2.     安裝

3.     符號計算

4.     張量

5.     數據格式

6.     模型

7.     高層接口使用

使用Keras搭建一個神經網絡

5.5TensorFlow實驗

1.     數據集的獲取

2.     數據預處理

3.     特征工程

4.     模型的創建

5.     模型保存

6.     模型使用

1.   手寫字體圖像識別

2.   汽車油耗里程數回歸預測

3.   貓狗識別

計算機視覺

章節

教學重點

案例

6.1計算機視覺概覽及GUI特性

1.     概念與應用

2.     計算機視覺與人工智能

3.     圖像的讀取、顯示、保存

4.     視頻的讀取、顯示、保存

5.     圖像的繪制函數

創建畫板、繪制各種圖形

6.2基本操作

1.     獲取圖像像素值及修改

2.     圖像信息獲取

3.     圖像的ROI

4.     圖像通道的拆分及合并

5.     圖像上的算術運算

6.     程序性能檢測及優化

將一幅圖平滑的轉換成另一幅圖

6.3OpenCV中的圖像處理

1.     顏色空間轉換

2.     幾何變換

3.     圖像閾值設定

4.     圖像平滑

5.     形態學轉換

6.     圖像梯度

實現一張圖像的縮放、平移、旋轉

6.4邊緣檢測

1.     噪聲去除

2.     圖像金字塔

3.     輪廓處理

4.     直方圖

5.     模糊匹配

6.     圖像分割

1.   實現圖像的上點繪制不同的顏色

2.   匹配帶有字符或者數字的圖片

6.5特性特征值提取與描述

1.     圖像特征理解

2.     Harris角點檢測

3.     SIFIS算法

4.     SURF

5.     FAST算法

6.     ORB算法

7.     特征匹配

將圖像中檢測的目標圖像進行標記

6.6視頻分析

1.     通過Meanshift、Camshift算法對視頻進行目標跟蹤

2.     光流應用

3.     背景減除

對視頻中的目標進行跟蹤

6.7攝像機標定和3D重構

1.     攝像機標定概述

2.     畸形校正

3.     反向投影誤差

4.     姿勢估計

5.     對積幾何

6.     力圖圖像中的深度地圖

1.   實現在圖像中創建3D效果

2.   實現立體圖像制作深度地圖

6.8計算攝影學

1.     圖像去燥

2.     圖像修補

3.     對象檢測

實現面部檢測

語音處理

章節

教學重點

案例

7.1語音處理概述

1.     語音處理

2.     特征處理方法

3.     語音識別

4.     語音合成

5.       語音信號

語音預處理的實現

7.2傳統語音模型

1.     高斯混合模型

2.     隱馬爾科夫模型

3.       高斯混合模型-隱馬爾科夫模型

無

7.3深度模型和混合模型

1.     深度神經網絡

2.     深度神經網絡-隱馬爾科夫模型

3.     CD-DNN-HMM

語音識別實現

7.4高級語音模型

1.       循環神經網絡

2.       長短期記憶網絡

無

自然語言處理

章節

教學重點

案例

8.1自然語言處理介紹

1.     語言模型

2.     N - gram語言模型

3.     文本向量化

4.     word2vec - CBOW

5.     word2vec - Skip-gram

6.     doc2vec - DM

7.       doc2vec - DBOW

1.智能搜索引擎實現

2.對話機器人

8.2常用算法

1.     HMM

2.     條件隨機場

3.     LSTM

4.       GRU

LSTM實現情感分析

8.3關鍵技術

1.     分詞

2.     詞性標注

3.     命名實體識別

4.     關鍵詞提取

5.     句法分析

6.     語義分析

7.     文本分類

8.     文本聚類

9.     機器翻譯

10. 問答系統

11. 信息過濾

12. 自動文摘

13. 信息抽取

14. 輿情分析

15. 機器寫作

機器人寫詩

8.4機器翻譯框架-NMT

1.     機器翻譯框架概述

2.     Attention機制

3.     數據準備

4.     參數設置

5.     數據加載

6.     網絡結構定義

7.       模型訓練

NMT實現翻譯功能

8.5強化學習

1.       強化學習基本概念

2.       馬爾科夫決策過程

3.       BELLMAN方程

4.       值迭代求解

5.       Qlearning基本原理

6.       DQN網絡原理

讓AI自己玩游戲