課程介紹
人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。 人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”，也可能超過人的智能，因此中國軟件產(chǎn)業(yè)培訓(xùn)網(wǎng)特推出了“人工智能與深度學(xué)習(xí)實踐”培訓(xùn)班現(xiàn)將相關(guān)事宜通知如下：


培訓(xùn)時間
2018年01月25-01月29日 杭州（25日全天報到）


培訓(xùn)目標
1、了解人工智能基礎(chǔ)知識，人工智能與大數(shù)據(jù)、云計算的區(qū)別與聯(lián)系；
2、掌握有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、增強學(xué)習(xí)等的概念、原理、方法；
3、掌握幾種神經(jīng)網(wǎng)絡(luò)：卷積網(wǎng)絡(luò)CNN，循環(huán)網(wǎng)絡(luò)RNN，生成對抗網(wǎng)絡(luò)GAN等的原理、結(jié)構(gòu)、應(yīng)用；
4、了解相關(guān)框架、模型的研發(fā)、設(shè)計與實現(xiàn)方面的經(jīng)驗分享；
5、通過大量實際案例使學(xué)員真正掌握Caffe與Tensorflow框架在工作中的用法。


培訓(xùn)對象
各企事業(yè)單位，項目經(jīng)理、技術(shù)總監(jiān)、系統(tǒng)架構(gòu)師、系統(tǒng)分析師、高級程序員、資深開發(fā)人員、高校、科研院所牽涉到數(shù)據(jù)挖掘與統(tǒng)計分析處理的項目負責(zé)人

培訓(xùn)費用及須知 培訓(xùn)費6800元/人。（含培訓(xùn)費、資料費、考試費、證書費、講義費等）。需要住宿學(xué)員請?zhí)崆巴ㄖ�，可統(tǒng)一安排，費用自理


培訓(xùn)方式
理論講授，案例分析，方法傳授、動畫演示、互動討論，講師點評、實戰(zhàn)演練。


詳細大綱與培訓(xùn)內(nèi)容


模塊一：人工智能概述
1.人工智能——世紀對弈
AlphaGo圍棋勝利的深度透視
AlphaGo的身世
AlphaGo的算法秘密以及三代AlphaGo技術(shù)對比
對弈的意義
AI發(fā)展的意義
2.人工智能發(fā)展概況
什么是智能
什么是人工智能 (AI)
AI研究的方法和途徑.
AI的歷史.
ＡI的研究特點
人工智能學(xué)科體系
3.人工智能中人文趣事
圖靈（Turing）
赫伯特•西蒙（Herbert Simon）


模塊二：人工智能基本原理及應(yīng)用
1.人工智能數(shù)學(xué)知識
線性代數(shù)
標量、向量、矩陣和張量
矩陣和向量相乘
單位矩陣和逆矩陣
線性相關(guān)和生成子空間
范數(shù)
特殊類型的矩陣和向量
特征分解
奇異值分解
概率與信息論
隨機變量
概率分布
離散型變量和概率質(zhì)量函數(shù)
連續(xù)型變量和概率密度函數(shù)
邊緣概率
條件概率
條件概率的鏈式法則
獨立性和條件獨立性
期望、方差和協(xié)方差
常用概率分布
Bernoulli分布
Multinoulli分布
高斯分布
指數(shù)分布和Laplace分布
Dirac分布和經(jīng)驗分布
分布的混合
常用函數(shù)的有用性質(zhì)
貝葉斯規(guī)則
連續(xù)型變量的技術(shù)細節(jié)
信息論
結(jié)構(gòu)化概率模型
數(shù)值計算
上溢和下溢
病態(tài)條件
基于梯度的優(yōu)化方法
梯度之上：Jacobian和Hessian矩陣
約束優(yōu)化
2.人工智能基礎(chǔ)知識
知識表示的概念
知識的特性
知識的分類
知識表示的方法
推理的定義
Agent
3.智能機器人
專家系統(tǒng)
服務(wù)機器人
工業(yè)機器人
達芬奇機器人


模塊三：機器學(xué)習(xí)技術(shù)
1.學(xué)習(xí)算法
任務(wù)T
性能度量P
經(jīng)驗E
示例：線性回歸
2.容量、過擬合和欠擬合
沒有免費午餐定理
正則化
3.超參數(shù)和驗證
交叉驗證
4.估計、偏差和方差
點估計
偏差
方差和標準差
衡偏差和方差以最小化均方誤差
一致性
5.大似然估計
條件對數(shù)似然和均方誤差
大似然的性質(zhì)
6.貝葉斯統(tǒng)計
大后驗(MAP)估計
7.監(jiān)督學(xué)習(xí)算法
概率監(jiān)督學(xué)習(xí)
支持向量機
其他簡單的監(jiān)督學(xué)習(xí)算法.
8.無監(jiān)督學(xué)習(xí)算法.
主成分分析
k-均值聚類
9.增強學(xué)習(xí)
10.隨機梯度下降
11.構(gòu)建機器學(xué)習(xí)算法
12.促使深度學(xué)習(xí)發(fā)展的挑戰(zhàn)
維數(shù)災(zāi)難
局部不變性和平滑正則化
流形學(xué)習(xí)
13.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
神經(jīng)網(wǎng)絡(luò)的發(fā)展簡史
神經(jīng)元數(shù)學(xué)模型
神經(jīng)網(wǎng)絡(luò)的分類
神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
神經(jīng)網(wǎng)絡(luò)的特征
14.遺傳算法及其應(yīng)用


模塊四：深度網(wǎng)絡(luò)
四、深度網(wǎng)絡(luò)
1.深度前饋網(wǎng)絡(luò)
實例：學(xué)習(xí)XOR
基于梯度的學(xué)習(xí)
代價函數(shù)
輸出單元
隱藏單元
整流線性單元及其擴展
Logistic sigmoid與雙曲正切函數(shù)
其他隱藏單元
架構(gòu)設(shè)計
多能近似性質(zhì)和深度
其他架構(gòu)上的考慮
反向傳播和其他的微分算法.
計算圖
微積分中的鏈式法則
遞歸地使用鏈式法則來實現(xiàn)反向傳播
全連接MLP中的反向傳播計算
符號到符號的導(dǎo)數(shù)
一般化的反向傳播
實例：用于MLP訓(xùn)練的反向傳播
復(fù)雜化
深度學(xué)習(xí)界以外的微分
高階微分
歷史小記
2.深度學(xué)習(xí)中的正則化
參數(shù)范數(shù)懲罰
L2參數(shù)正則化
正則化
作為約束的范數(shù)懲罰
正則化和欠約束問題
數(shù)據(jù)集增強
噪聲魯棒性
向輸出目標注入噪聲
半監(jiān)督學(xué)習(xí)
多任務(wù)學(xué)習(xí)
提前終止
參數(shù)綁定和參數(shù)共享.
卷積神經(jīng)網(wǎng)絡(luò)
稀疏表示.
Bagging和其他集成方法
Dropout
對抗訓(xùn)練.
切面距離、正切傳播和流形正切分類器
3.深度模型中的優(yōu)化
學(xué)習(xí)和純優(yōu)化有什么不同
經(jīng)驗風(fēng)險*小化
代理損失函數(shù)和提前終止
批量算法和小批量算法
神經(jīng)網(wǎng)絡(luò)優(yōu)化中的挑戰(zhàn)
病態(tài)
4.深度學(xué)習(xí)常見網(wǎng)絡(luò)


模塊五：深度學(xué)習(xí)必備框架
1. Tensorflow基礎(chǔ)操作
2. Tensorflow建立機器學(xué)習(xí)模型
3. Tensorflow神經(jīng)網(wǎng)絡(luò)詳解
4. 基于Tensorflow的CNN與RNN模型
5. Caffe框架配置參數(shù)詳解
6. Caffe兩種常用數(shù)據(jù)源制作
7. Caffe技巧與應(yīng)用
深度學(xué)習(xí)兩大神器Caffe與Tensorflow實戰(zhàn)，代碼示例演示如何應(yīng)用框架進行深度學(xué)習(xí)建模任務(wù)。


模塊六：深度學(xué)習(xí)項目實戰(zhàn)（一）
1. 驗證碼識別（基于Tensorflow）
2. 文本分類（基于Tensorflow）
3. 圖像風(fēng)格轉(zhuǎn)換（基于Tensorflow）


模塊七：深度學(xué)習(xí)項目實戰(zhàn)（二）
4. 詞向量模型Word2vec（基于Tensorflow）
5. 強化學(xué)習(xí)讓AI自己玩游戲（基于Tensorflow）
6. 人臉檢測（基于Caffe）
7. 人臉關(guān)鍵點定位（基于Caffe）
基于深度學(xué)習(xí)框架Tensorflow與Caffe從數(shù)據(jù)源制作開始進行數(shù)據(jù)預(yù)處理與網(wǎng)絡(luò)模型訓(xùn)練，完整演示如何應(yīng)用深度學(xué)習(xí)到實際任務(wù)中。