人工智能算法詳解

人工智能技術(shù)詳解
【課程內(nèi)容】
本課程包含大數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識(shí)圖譜、強(qiáng)化學(xué)習(xí)與深度強(qiáng)化學(xué)習(xí)的相關(guān)知識(shí)。
【課程時(shí)長(zhǎng)】
7天（7小時(shí)/天）
【課程對(duì)象】
理工科本科及以上，且至少了解一門編程語言。
【課程大綱】（培訓(xùn)內(nèi)容可根據(jù)客戶需求調(diào)整）
時(shí)間
內(nèi)容
案例實(shí)踐與練習(xí)
Day1上午
準(zhǔn)備工作
準(zhǔn)備工作
1.概念與術(shù)語
2.Python（Anaconda）的安裝
3.Pycharm的安裝與使用
4.Jupyter Notebook的安裝與使用
5.Tensorflow與pytorch的安裝
6.Opencv、Sklearn工具包的運(yùn)用
貪婪決策過程
1.熵與熵減過程
2.貪婪法
3.ID3與C4.5
4.其他改進(jìn)方法
5.決策樹剪枝
案例實(shí)踐：
1.Anaconda安裝
2.Pip install的技巧
3.Tensorflow-GPU的安裝
4.pytorch的安裝
5.Jupyter Notebook的使用
6.Opencv的基本例子
Day1下午
經(jīng)典模型
經(jīng)典無監(jiān)督學(xué)習(xí)
1.監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)
2.K-means
3.k-medoids
4.判斷最優(yōu)分組個(gè)數(shù)的調(diào)參方法
5.基于層次、密度、網(wǎng)格的方法
BP神經(jīng)網(wǎng)絡(luò)
1.人工神經(jīng)元及感知機(jī)模型
2.Sigmoid激活函數(shù)
3.前向神經(jīng)網(wǎng)絡(luò)的架構(gòu)
4.梯度下降
5.誤差反向傳播詳解
性能評(píng)價(jià)指標(biāo)
1.精確率；
2.P、R與F1
3.ROC與AUC
4.對(duì)數(shù)損失
5.泛化性能評(píng)價(jià)：k折驗(yàn)證驗(yàn)證
案例實(shí)踐：
1.驗(yàn)證：K-means是不穩(wěn)定的
2.手肘法分析NBA球隊(duì)的檔次
3.繪制ROC并計(jì)算AUC
4.手算神經(jīng)網(wǎng)絡(luò)BP算法
5.只用numpy，手推BPNN
Day2上午
進(jìn)階模型
支持向量機(jī)
1.“雙螺旋”問題
2.基本模型與懲罰項(xiàng)
3.求解對(duì)偶問題
4.核函數(shù)：映射到高維
5.從二分類到多分類
6.用于連續(xù)值預(yù)測(cè)的支持向量機(jī)
集成學(xué)習(xí)
1.集成學(xué)習(xí)的思路
2.bagging與boosting
3.隨機(jī)森林
4.GBDT
5.XGboost
6.最新的集成學(xué)習(xí)算法
案例實(shí)踐：
1.SVM實(shí)現(xiàn)人臉識(shí)別應(yīng)用
2.通過深度BP網(wǎng)絡(luò)實(shí)現(xiàn)手寫數(shù)字的識(shí)別
3.皮馬印第安人糖尿病風(fēng)險(xiǎn)
4.Xgboost、GBDT等方法的比較
Day2下午
深度學(xué)習(xí)初步
深度學(xué)習(xí)基礎(chǔ)知識(shí)
1.連接主義的興衰
2.深度學(xué)習(xí)與NN的區(qū)別與聯(lián)系
3.目標(biāo)函數(shù)與激勵(lì)函數(shù)
4.學(xué)習(xí)步長(zhǎng)
5.權(quán)重初始化
6.權(quán)重衰減（Weight Decay）
7.各種梯度下降的方法
8.避免過適應(yīng)
卷積神經(jīng)網(wǎng)絡(luò)CNN
1.CNN概述
2.AlexNet與ZF-Net
3.VGG（5層變?yōu)?組）
4.遷移學(xué)習(xí)
5.GoogLenet和Inception模塊
6.模型退化與ResNet
案例實(shí)踐：
1.各種梯度下降方法的實(shí)戰(zhàn)效果
2.VGG各層的可視化展現(xiàn)
3.遷移學(xué)習(xí)：貓狗大戰(zhàn)
4.Resnet用于分類
Day3上午
目標(biāo)檢測(cè)
二階段目標(biāo)檢測(cè)
1.目標(biāo)檢測(cè)任務(wù)介紹
2.R-CNN
3.SPPNET（全圖卷積、SPP層）
4.Fast-RCNN（多任務(wù)）
5.Faster-RCNN（RPN）
一階段目標(biāo)檢測(cè)
1.YOLO-v1（一切都是回歸）
2.YOLO-v2（9000個(gè)分類）
3.YOLO-v3（多尺度）
4.YOLO-v4
5.YOLO-v5
案例實(shí)踐：
1.基于Faster-RCNN的通用目標(biāo)檢測(cè)
2.改造成“血細(xì)胞識(shí)別”系統(tǒng)
3.基于YOLO v3的通用目標(biāo)快速檢測(cè)
Day3下午
圖譜技術(shù)準(zhǔn)備-I
循環(huán)神經(jīng)網(wǎng)絡(luò)
RNN基本原理
LSTM、GRU
雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
編碼器與解碼器結(jié)構(gòu)
seq2seq模型
Attention
詞向量初步
1.Word2Vec:CBOW
2.Word2Vec:skip-gram
3.Hierachical Softmax
4.Negative Sampling
5.其他詞向量技術(shù)
案例實(shí)踐：
1.RNN的基礎(chǔ)實(shí)踐
2.股票交易數(shù)據(jù)的預(yù)測(cè)
3.《絕代雙驕》人物關(guān)系分析
Day4上午
圖譜技術(shù)準(zhǔn)備-II
隱馬爾科夫模型
1.HMM形式化定義
2.向前向后算法解評(píng)估問題
3.Viterbi算法處理解碼問題
4.鮑姆韋爾奇算法解學(xué)習(xí)問題
條件隨機(jī)場(chǎng)
產(chǎn)生式模型與判別式模型
最大熵原理
MRF（馬爾科夫隨機(jī)場(chǎng)）
最大團(tuán)與勢(shì)函數(shù)
線性鏈條件隨機(jī)場(chǎng)
案例實(shí)踐：
1.出現(xiàn)這種情況可能嗎？
2.今天身體怎么樣?
3.DenseCRF獲得精細(xì)的輪廓
Day4下午
知識(shí)圖譜基礎(chǔ)
知識(shí)圖譜基礎(chǔ)
1.知識(shí)圖譜基本概念
2.知識(shí)圖譜的發(fā)展史
3.實(shí)體的屬性與關(guān)系
4.知識(shí)圖譜的相關(guān)技術(shù)介紹
5.典型應(yīng)用案例
詞向量進(jìn)階（Transformer）
1.所有你需要的僅僅是“注意力”
2.Transformer中的block
3.自注意力機(jī)制
4.多頭注意力
5.位置編碼（拋棄RNN）
6.Batch Norm與Layer Norm
7.解碼器的構(gòu)造
案例實(shí)踐：
1.Neo4j工具的使用
2.知識(shí)圖譜項(xiàng)目展示
3.Transformer實(shí)現(xiàn)的機(jī)器翻譯
Day5上午
知識(shí)圖譜進(jìn)階
知識(shí)抽取
1.實(shí)體抽取
2.關(guān)系抽取
3.事件抽取
4.知識(shí)抽取及其相關(guān)工具
5.實(shí)體消歧與鏈接
6.知識(shí)規(guī)則挖掘
7.知識(shí)圖譜表示學(xué)習(xí)
基于知識(shí)圖譜的問答
1.知識(shí)問答技術(shù)概述
2.知識(shí)問答系統(tǒng)簡(jiǎn)史
3.知識(shí)問答的評(píng)測(cè)數(shù)據(jù)集
4.KBQA基本概念及挑戰(zhàn)
5.知識(shí)問答主流方法介紹
案例實(shí)踐：
1.實(shí)體關(guān)系抽取案例
2.基于圖譜的領(lǐng)域問答
Day5下午
強(qiáng)化學(xué)習(xí)
強(qiáng)化學(xué)習(xí)初步
1.agent的屬性
2.馬爾科夫獎(jiǎng)勵(lì)/決策過程
3.exploration and exploitation
4.狀態(tài)行為值函數(shù)
5.Bellman期望方程
6.最優(yōu)策略
強(qiáng)化學(xué)習(xí)經(jīng)典方法
1.策略迭代與價(jià)值迭代
2.動(dòng)態(tài)規(guī)劃法：DP
3.蒙特卡洛法：MC
4.時(shí)序差分法：TD
5.DP、MC、TD的關(guān)系
案例實(shí)踐：
1.財(cái)寶在右
2.格子世界
3.谷底的小車
4.倒立擺
Day6上午
深度強(qiáng)化學(xué)習(xí)
深度強(qiáng)化學(xué)習(xí)（DQN）
1.值函數(shù)的參數(shù)化表示
2.值函數(shù)的估計(jì)過程
3.基礎(chǔ)的DQN 方法
4.Double DQN
5.Prioritized Replay
6.Dueling Network
深度強(qiáng)化學(xué)習(xí)（PG）
1.策略梯度方法介紹
2.常見的策略表示
3.減小方差的方法
4.引入基函數(shù)與修改估計(jì)值函數(shù)
案例實(shí)踐：
1.自我進(jìn)化的井字棋
2.笨鳥先飛：DQN
Day6下午
深度強(qiáng)化學(xué)習(xí)
AlphaGo
1.圍棋AI的難點(diǎn)
2.MCTS
3.策略網(wǎng)絡(luò)
4.價(jià)值網(wǎng)絡(luò)
5.Alpha Go的完整架構(gòu)
6.Alpha Go zero
Actor-Critic算法
1.隨機(jī)策略與確定性策略比較
2.隨機(jī)策略AC的方法
3.確定性策略梯度方法
4.DDPG 方法及實(shí)現(xiàn)
5.A3C方法
案例實(shí)踐：
1.山寨版alpha go
2.Actor-Critic的應(yīng)用場(chǎng)景
Day7上午
大數(shù)據(jù)技術(shù)
大數(shù)據(jù)技術(shù)綜述
1.從數(shù)據(jù)庫，數(shù)據(jù)倉庫到大數(shù)據(jù)
2.大數(shù)據(jù)的6V特征
3.Hadoop生態(tài)圈簡(jiǎn)介
4.Spark生態(tài)圈簡(jiǎn)介
5.搜索引擎：ES
hadoop
1.文件系統(tǒng)：HDFS
2.計(jì)算框架Map-Reduce
3.數(shù)據(jù)庫Hbase
4.數(shù)據(jù)倉庫Hive
5.數(shù)據(jù)遷移：sqoop
案例實(shí)踐：
1.Hadoop集群的操作
2.Hbase的操作
Day7下午
大數(shù)據(jù)及其他
Spark
1.scala
2.RDD
3.數(shù)據(jù)庫操作：spark-SQL
4.流操作：spark-Streaming
GAN
1.生成對(duì)抗網(wǎng)絡(luò)（GAN）
2.KL散度與JS散度
3.改進(jìn)的GAN：DCGAN
4.Wasserstein GAN
案例實(shí)踐：
1.spark集群的演示
2.計(jì)算機(jī)想象的數(shù)字
3.特朗普的孩子？

葉梓老師的其它課程