|
第一章 人工智能概述
|
|
章节
|
教学重点
|
案例
|
|
人工智能概述
|
1. AI的社会认知
2. 人工智能技术的发展史
3. 人工智能技术的应用方向与应用场景
4. 人工智能的发展战略
5. 人工智能现有的问题
6. 人工智能的未来
|
无
|
|
第2章 人工智能数学基础
|
|
章节
|
教学重点
|
案例
|
|
2.1线性代数
|
1. 矩阵
2. 线性变换
3. 特殊矩阵
4. 矩阵分解
|
代码实现矩阵，线性变换等效果
|
|
2.2概率论
|
1. 随机变量
2. 概率分布
3. 边缘概率
4. 条件概率
5. 独立性和条件独立性
6. 期望、方差和协方差
7. 常用概率分布
8. 贝叶斯规则
9. 连续型变量
10. 信息论
11. 结构化概率模型
|
概率图形化界面分析
|
|
2.3数值计算
|
1. 上溢和下溢
2. 病态条件
3. 基于梯度的优化方法
4. 约束优化
|
最小二乘法实现
|
|
第3章 机器学习
|
|
章节
|
教学重点
|
案例
|
|
3.1机器学习概述
|
1. 机器学习发展史
2. 机器学习的应用场景介绍
3. 机器学习现有的问题
4. 机器学习的未来前景
5. 机器学习的分类
6. 机器学习的整体流程
|
无
|
|
3.2机器学习—k近邻算法
|
1. KNN算法综述
2. 数据预处理
3. Sklearn库的使用
4. 评估方案
|
1. 电影分类
2. 约会网站匹配
3. 信用卡欺诈检测
|
|
3.3决策树构造
|
1. 决策树原理概述
2. 熵、互信息
3. ID3、C4.5、Gini算法
4. 预剪枝、后剪枝
5. 决策树构造实例
|
葡萄酒数据集的决策树
|
|
3.4支持向量机
|
1. SVM原理
2. 算法推导
3. 拉格朗日对偶函数
4. SVM中的核函数
5. SVM中的重要参数
|
1. SVM实现二分类
2. SVM进行人脸识别
|
|
3.5贝叶斯算法
|
1. 贝叶斯算法概述
2. 贝叶斯算法推导实例
3. 条件概率
4. 高斯贝叶斯
5. 多项式贝叶斯
6. 伯努利贝叶斯
7. EM算法原理
8. EM算法推导
|
1. 拼写纠错
2. 垃圾邮件过滤实例
3. 新闻分类实例
|
|
3.6线性回归算法
|
1. 算法推导与案例
2. 线性回归算法概述
3. 误差项分析
4. 梯度下降原理
5. 标准方程组
6. 似然函数求解
7. 目标函数推导
8. 线性回归求解
9. 岭回归和正则化
10. 弹性网回归
|
1. 一元线性回归实现
2. 多元线性回归实现
3. 岭回顾实现
|
|
3.7逻辑回归算法
|
1. 逻辑回归算法原理推导
2. 逻辑回归求解
3. 逻辑回归多分类解决方案
|
逻辑回归代码实现
|
|
3.8Kmeans聚类算法及DBSCAN聚类算法
|
1. Kmeans算法与工作流程
2. Kmeans迭代迭代可视化展示
3. DBSCAN算法与工作流程
4. DBSCAN可视化展示
5. 多种聚类算法概述
|
聚类实例
|
|
3.9降维算法
|
1. 线性判别分析
2. 线性判别求解
3. PCA主成分分析
4. PCA降维概述
5. PCA优化的目标
6. PCA求解
|
量化投资策略
|
|
3.10随机森林与集成算法
|
1. 集成算法-随机森林
2. 特征重要性衡量
3. 提升模型
4. 堆叠模型
|
集成算法代码实战与随机森林代码实战
|
|
3.11机器学习高难度算法XGBOOST
|
1. XGBOOST算法概述
2. XGBOOST模型构造
3. 建模衡量标准
4. XGBOOST安装
5. 参数定义与基础模型定义
6. 树结构对结果的影响
7. 学习率与采样对结果影响
|
京东购买意向预测
|
|
3.12推荐系统
|
1. 推荐系统简介
2. 关联规则
3. 相似度计算
4. 基于用户的协同过滤
5. 基于物品的系统过滤
|
1. 信息流个性化推荐
2. 广告精准投放
|
|
第4章 深度学习
|
|
章节
|
教学重点
|
案例
|
|
4.1深度学习概述与基础
|
1. 深度学习概述
2. 得分函数
3. 损失函数
4. 正则化惩罚
5. SOFTMAX分类器
6. 最优化解释
7. 反向传播
|
无
|
|
4.2神经网络
|
1. 感知机模型
2. 神经网络结构
3. 简单的神经网络实现
4. 简单单层神经网络实现
|
手写数字图片与预测手写数字图片
|
|
4.3卷积神经网络
|
1. 卷积神经网络介绍
2. 单卷积核与多卷积核
3. 图像不变性
4. 局部感知与参数共享
5. 卷积网络结构
6. 卷积层，池化层与全连接层
7. ImageNet
8. AlexNet
9. VGGNet
10. GoogleNet
11. ResNet
12. SENet
|
1. 识别手写数字图片
2. 鲜花识别
|
|
4.4卷积神经网络细节
|
1. 数据增强策略
2. 迁移学习
3. 网络设计技巧
4. 经典网络架构
5. 分类与回归任务
6. 三代物体检测
|
车牌识别
|
|
4.5Tensorboard可视化展示
|
1. 可视化展示
2. 展示效果
3. 统计可视化
4. 参数对结果的影响
|
无
|
|
4.6 tfrecord制作数据源
|
1. 生成自己的数据集
2. 读取数据
3. 生成数据源
4. 加载数据进行分类任务
|
无
|
|
4.7验证识别任务
|
1. 验证码数据生成
2. 构造网络输入数据和标签
3. 卷积网络模型定义
4. 迭代测试网络效果
|
验证码实现
|
|
4.8RESNET残差网络
|
1. RESNET网络原理
2. 网络流程设计
3. 实现细节
|
RESNE实现
|
|
4.9循环神经网络与文本损失函数
|
1. 循环神经网络结构
2. 循环单元
3. 输出模式
4. 循环神经网络的反向传播
|
预测时间序列
|
|
4.10网络优化与神经网络模型
|
1. 网络参数优化
2. 网络模型优化
3. 图片识别器
|
图片生成器实现
|
|
4.11对抗神经网络
|
1. 对抗神经网络原理概述
2. GAM网络结构定义
3. 迭代生成
4. DCGAN网络特性
5. DCGAN训练
|
使用对抗网络生成图片
|
|
第5章 TensorFlow框架
|
|
章节
|
教学重点
|
案例
|
|
5.1 TensorFlow概述
|
1. Tensor的简介
2. 特点
3. 应用场景
4. 如何选择正确的TensoFlow版本
5. 系统环境变量的设置
|
无
|
|
5.2基础操作
|
1. 数据类型
2. 创建tensor
3. 索引和切片
4. 维度变换
5. Broadingcasting
6. 数学运算
|
神经网络层的实现
|
|
5.3高阶操作
|
1. 合并和分割
2. 数据统计
3. 张量排序
4. 填充和复制
5. 张量限幅
|
房价预测
|
|
5.4Keras
|
1. Keras优势
2. 安装
3. 符号计算
4. 张量
5. 数据格式
6. 模型
7. 高层接口使用
|
使用Keras搭建一个神经网络
|
|
5.5TensorFlow实验
|
1. 数据集的获取
2. 数据预处理
3. 特征工程
4. 模型的创建
5. 模型保存
6. 模型使用
|
1. 手写字体图像识别
2. 汽车油耗里程数回归预测
3. 猫狗识别
|
|
第6章 计算机视觉
|
|
章节
|
教学重点
|
案例
|
|
6.1计算机视觉概览及GUI特性
|
1. 概念与应用
2. 计算机视觉与人工智能
3. 图像的读取、显示、保存
4. 视频的读取、显示、保存
5. 图像的绘制函数
|
创建画板、绘制各种图形
|
|
6.2基本操作
|
1. 获取图像像素值及修改
2. 图像信息获取
3. 图像的ROI
4. 图像通道的拆分及合并
5. 图像上的算术运算
6. 程序性能检测及优化
|
将一幅图平滑的转换成另一幅图
|
|
6.3OpenCV中的图像处理
|
1. 颜色空间转换
2. 几何变换
3. 图像阈值设定
4. 图像平滑
5. 形态学转换
6. 图像梯度
|
实现一张图像的缩放、平移、旋转
|
|
6.4边缘检测
|
1. 噪声去除
2. 图像金字塔
3. 轮廓处理
4. 直方图
5. 模糊匹配
6. 图像分割
|
1. 实现图像的上点绘制不同的颜色
2. 匹配带有字符或者数字的图片
|
|
6.5特性特征值提取与描述
|
1. 图像特征理解
2. Harris角点检测
3. SIFIS算法
4. SURF
5. FAST算法
6. ORB算法
7. 特征匹配
|
将图像中检测的目标图像进行标记
|
|
6.6视频分析
|
1. 通过Meanshift、Camshift算法对视频进行目标跟踪
2. 光流应用
3. 背景减除
|
对视频中的目标进行跟踪
|
|
6.7摄像机标定和3D重构
|
1. 摄像机标定概述
2. 畸形校正
3. 反向投影误差
4. 姿势估计
5. 对积几何
6. 力图图像中的深度地图
|
1. 实现在图像中创建3D效果
2. 实现立体图像制作深度地图
|
|
6.8计算摄影学
|
1. 图像去燥
2. 图像修补
3. 对象检测
|
实现面部检测
|
|
第7章 语音处理
|
|
章节
|
教学重点
|
案例
|
|
7.1语音处理概述
|
1. 语音处理
2. 特征处理方法
3. 语音识别
4. 语音合成
5. 语音信号
|
语音预处理的实现
|
|
7.2传统语音模型
|
1. 高斯混合模型
2. 隐马尔科夫模型
3. 高斯混合模型-隐马尔科夫模型
|
无
|
|
7.3深度模型和混合模型
|
1. 深度神经网络
2. 深度神经网络-隐马尔科夫模型
3. CD-DNN-HMM
|
语音识别实现
|
|
7.4高级语音模型
|
1. 循环神经网络
2. 长短期记忆网络
|
无
|
|
第8章 自然语言处理
|
|
章节
|
教学重点
|
案例
|
|
8.1自然语言处理介绍
|
1. 语言模型
2. N - gram语言模型
3. 文本向量化
4. word2vec - CBOW
5. word2vec - Skip-gram
6. doc2vec - DM
7. doc2vec - DBOW
|
1.智能搜索引擎实现
2.对话机器人
|
|
8.2常用算法
|
1. HMM
2. 条件随机场
3. LSTM
4. GRU
|
LSTM实现情感分析
|
|
8.3关键技术
|
1. 分词
2. 词性标注
3. 命名实体识别
4. 关键词提取
5. 句法分析
6. 语义分析
7. 文本分类
8. 文本聚类
9. 机器翻译
10. 问答系统
11. 信息过滤
12. 自动文摘
13. 信息抽取
14. 舆情分析
15. 机器写作
|
机器人写诗
|
|
8.4机器翻译框架-NMT
|
1. 机器翻译框架概述
2. Attention机制
3. 数据准备
4. 参数设置
5. 数据加载
6. 网络结构定义
7. 模型训练
|
NMT实现翻译功能
|
|
8.5强化学习
|
1. 强化学习基本概念
2. 马尔科夫决策过程
3. BELLMAN方程
4. 值迭代求解
5. Qlearning基本原理
6. DQN网络原理
|
让AI自己玩游戏
|
课程大纲 
