時(shí)間

內(nèi)容

案例實(shí)踐與練習(xí)

第一天

上午

第一篇 介紹人工智能的淵源及范圍

1.    人工智能概述

-      人工智能的歷史

-      人工智能的概念

-      人工智能當(dāng)前發(fā)展水平

-      人工智能未來趨勢(shì)預(yù)測(cè)

-      人工智能的應(yīng)用領(lǐng)域

-      人工智能的國(guó)際主要流派和發(fā)展路線

-      人工智能的國(guó)內(nèi)研究情況

-      弱人工智能

-      強(qiáng)人工智能

-      機(jī)器學(xué)習(xí)介紹

-      深度學(xué)習(xí)介紹

-      神經(jīng)網(wǎng)絡(luò)介紹

2.    神經(jīng)網(wǎng)絡(luò)算法模型概述

-      人工智能介紹

-      神經(jīng)網(wǎng)絡(luò)介紹

-      神經(jīng)網(wǎng)絡(luò)概念

-      神經(jīng)網(wǎng)絡(luò)發(fā)展歷史

-      神經(jīng)網(wǎng)絡(luò)的別名

-      神經(jīng)網(wǎng)絡(luò)研究的主要內(nèi)容

-      神經(jīng)網(wǎng)絡(luò)基本構(gòu)成

-      神經(jīng)網(wǎng)絡(luò)模擬人的智能行為的四個(gè)方面

-      神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

-      學(xué)習(xí)能力

-      適應(yīng)性問題

-      神經(jīng)網(wǎng)絡(luò)基本網(wǎng)絡(luò)模型

-      單層網(wǎng)絡(luò)

-      多層網(wǎng)絡(luò)

-      循環(huán)網(wǎng)絡(luò)

-      基本網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)

-      典型訓(xùn)練算法

-      運(yùn)行方式

-      典型問題解決方法

-      感知機(jī)

-      線性神經(jīng)網(wǎng)絡(luò)

-      BP神經(jīng)網(wǎng)絡(luò)

-      RBF網(wǎng)絡(luò)

-      競(jìng)爭(zhēng)網(wǎng)絡(luò)

-      反饋神經(jīng)網(wǎng)絡(luò)

-      隨機(jī)神經(jīng)網(wǎng)絡(luò)

-      遺傳算法

-      PSO與神經(jīng)網(wǎng)絡(luò)優(yōu)化

-      神經(jīng)網(wǎng)絡(luò)算法模型應(yīng)用領(lǐng)域

-      神經(jīng)網(wǎng)絡(luò)算法模型優(yōu)缺剖析

3.    深度學(xué)習(xí)算法模型

-      深度學(xué)習(xí)介紹

-      深度學(xué)習(xí)概念

-      深度學(xué)習(xí)特征

-      深度學(xué)習(xí)基本思想

-      淺層學(xué)習(xí)與深度學(xué)習(xí)

-      深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

-      深度學(xué)習(xí)的訓(xùn)練過程

-      深度學(xué)習(xí)的常用模型

-      深度學(xué)習(xí)的應(yīng)用

-      深度學(xué)習(xí)算法模型應(yīng)用領(lǐng)域

-      深度學(xué)習(xí)算法模型優(yōu)劣勢(shì)剖析

案例研討：AlphaGo的基本原理，李世石與AlphaGo的對(duì)局分析

第一天

下午

第二篇 基本DNN模型

4.    深度學(xué)習(xí)概要

-      什么是深度學(xué)習(xí)&與機(jī)器學(xué)習(xí)的異同

5.    多層感知器模型Multi-Layer Perceptron–MLP

-      神經(jīng)元權(quán)重和激活 NeuronsWeight Activation

-      神經(jīng)元網(wǎng)絡(luò)Neuron Networks

-      訓(xùn)練網(wǎng)絡(luò)Training Networks

-      Back-propagation 算法和計(jì)算圖

-      多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate

6.    用 Keras 搭建 MLP

-      載入數(shù)據(jù)

-      定義-編譯-訓(xùn)練-測(cè)試模型

實(shí)踐練習(xí)：手寫體數(shù)字圖片識(shí)別

第二天

上午

第三篇 評(píng)估、調(diào)參和優(yōu)化模型

7.    深度學(xué)習(xí)模型的性能評(píng)估

-      切分?jǐn)?shù)據(jù)集合 Data Splitting

-      手工 k-fold cross validation

8.    通用深度學(xué)習(xí)工具集Keras + Scikit-Learn

-      用 cross-validation 評(píng)估模型

-      用 grid-search 微調(diào)超參數(shù)

9.    序列化保存模型

10. 通過 check point 機(jī)制獲取典型模型

11. 通過繪制模型歷史理解訓(xùn)練行為

12. 通過 dropout regularization 降低模型過擬合

13. 選取不同的 Learning Rate Schedule 提升模型性能

案例研討：

實(shí)踐練習(xí)：用 MLP 進(jìn)行多元分類 – 植物品種分類

（可選）實(shí)踐練習(xí)：用 MLP 進(jìn)行二元分類 – 聲吶探測(cè)物體信號(hào)分析

（可選）實(shí)踐練習(xí)：用 MLP 進(jìn)行回歸 – Boston 房屋價(jià)格預(yù)測(cè)

第二天

下午

第四篇 卷積神經(jīng)網(wǎng)絡(luò)CNN

14. 卷積神經(jīng)網(wǎng)絡(luò) Convolutional Neural Network

15. CNN 原理和構(gòu)造：

-      核 Filter 和卷積運(yùn)算 Convolutional Layer

-      特征圖 Feature Maps

-      池化層 Pooling

-      全連接層 Full Connected Layer

-      Dropout 和 Batch Normalization

-      CNN典型實(shí)踐

CNN 實(shí)踐

項(xiàng)目：用 CNN 進(jìn)行手寫體識(shí)別

練習(xí)：在 CNN 圖像識(shí)別中通過 Image Augmentation 技術(shù)提升模型性能

項(xiàng)目：用 CNN 進(jìn)行圖片物體識(shí)別

項(xiàng)目：用 CNN電影評(píng)論情緒預(yù)測(cè)

第三天

上午

第五篇 循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN

16. 循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks

17. RNN 原理：基本 RNN

-      處理序列（Sequence）數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)

-      循環(huán)神經(jīng)網(wǎng) RNN 架構(gòu)

-      RNN訓(xùn)練：如何在訓(xùn)練中獲得穩(wěn)定的梯度下降

-      RNN 網(wǎng)絡(luò)演化歷史：RNN，LSTM，GRU 結(jié)構(gòu)比較和分析

18. RNN 實(shí)踐：RNN 回歸

-      用 MLP 進(jìn)行時(shí)間序列預(yù)測(cè)

-      用長(zhǎng)短記憶網(wǎng)絡(luò)(Long-Short Term Memory, LSTM)進(jìn)行時(shí)間序列預(yù)測(cè)

-      用LSTM進(jìn)行回歸

-      用LSTM 序列窗口（Window method）進(jìn)行回歸

-      用 LSTM 時(shí)間步長(zhǎng)（Time Step）進(jìn)行回歸

-      用 LSTM記憶（Memory）進(jìn)行回歸&Stacked LSTM

-      RNN 進(jìn)行文本生成–sequence

-      用 LSTM 生成文本序列

-      深度 LSTM 生成文本

-      用 RNN 進(jìn)行文本生成

-      用LSTM進(jìn)行 one-char生成

-      用LSTM feature-window進(jìn)行one-char生成

-      用LSTM time-step進(jìn)行 one-char生成

-      用 LSTM 批內(nèi)樣本間保持狀態(tài)進(jìn)行 one-char 生成

-      有狀態(tài) LSTM進(jìn)行 one-char 生成

-      變長(zhǎng)輸入 LSTM

-      討論：如何進(jìn)一步提高模型 performance

19. 更多 RNN 模型

-      image captioning 圖像字幕

-      machine translation 機(jī)器翻譯

-      dialogue generation 對(duì)話生成

RNN 實(shí)踐與應(yīng)用：

自動(dòng)聊天機(jī)器人

第三天

下午

第六篇  介紹深度學(xué)習(xí)技術(shù)的應(yīng)用與分享

20. 深度學(xué)習(xí)技術(shù)與多媒體信息處理的結(jié)合應(yīng)用

-      機(jī)器學(xué)習(xí)對(duì)視頻認(rèn)知與理解

-      視頻結(jié)構(gòu)化分析

-      視頻的處理與表示

-      基于單幀的識(shí)別方法

-      基于CNN擴(kuò)展網(wǎng)絡(luò)的識(shí)別方法

-      雙路CNN的識(shí)別方法

-      基于LSTM的識(shí)別方法

-      3維卷積核(3D CNN)法

-      視頻目標(biāo)檢測(cè)與跟蹤

-      人物識(shí)別

-      動(dòng)作識(shí)別

-      情感語義分析

-      深度學(xué)習(xí)相關(guān)框架在企業(yè)研發(fā)、設(shè)計(jì)與實(shí)現(xiàn)方面的經(jīng)驗(yàn)分享

-      基于深度學(xué)習(xí)等技術(shù)面向用戶的研發(fā)經(jīng)驗(yàn)分享

-      多媒體數(shù)據(jù)處理經(jīng)驗(yàn)分享

21.  人工智能在金融風(fēng)控中的應(yīng)用

-      風(fēng)險(xiǎn)控制體系發(fā)展中的經(jīng)驗(yàn)理論體系

-      特定的指標(biāo)體系

-      特定的計(jì)算方式

-