《新技術(shù)基礎(chǔ)——人工智能技術(shù)》

《新技術(shù)——人工智能的基礎(chǔ)》 段方 北京大學(xué)博士后
1 概述
1.1 從阿爾法狗與李世石的圍棋說(shuō)起
1.1.1 過(guò)程概述
1.1.2 阿爾法狗改變了什么？
1.2 AI 的概念和特點(diǎn)
1.2.1 AI 的各種定義
1.2.2 AI 的特點(diǎn)
1.3 AI 的發(fā)展歷史
1.3.1 史前期
1.3.2 形成期
1.3.3 蕭條期
1.3.4 興旺期
1.4 人工智能的研究?jī)?nèi)容
1.4.1 知識(shí)表示
1.4.2 機(jī)器感知
1.4.3 機(jī)器學(xué)習(xí)
1.4.4 機(jī)器思維
1.4.5 機(jī)器行為
1.5 硬件的進(jìn)步
1.5.1 GPU 的發(fā)展
1.5.2 FPGA 的應(yīng)用
1.5.3 物聯(lián)網(wǎng)的進(jìn)步
1.6 人工智能行業(yè)發(fā)展現(xiàn)狀
1.6.1 芯片層面
1.6.2 算法層面
1.6.3 應(yīng)用層面
1.6.4 開源的深遠(yuǎn)影響
1.7 人工智能存在的問(wèn)題及前景
1.7.1 人工智能的這一波進(jìn)展有何局限？
1.7.2 人工智能會(huì)替代人嗎?
1.8 【案例】
1.8.1 《谷歌的無(wú)人駕駛汽車案例》
1.8.2 《人工智能在智能交通中的應(yīng)用》
智能流量控制
停車位智能引導(dǎo)
車牌的識(shí)別——套牌監(jiān)控
罪犯人臉識(shí)別
車聯(lián)網(wǎng)的事故分析 線路規(guī)劃設(shè)置
2 人工智能技術(shù)內(nèi)容與分類
2.1 技術(shù)內(nèi)容
2.1.1 推理技術(shù)
2.1.2 搜索技術(shù)
2.1.3 知識(shí)表示與知識(shí)庫(kù)技術(shù)
2.1.4 歸納技術(shù)
2.1.5 聯(lián)想技術(shù)
2.2 人工智能架構(gòu)
2.2.1 TensorFlow
2.2.2 caffe
2.2.3 MXNET 等
2.3 人工智能編程語(yǔ)言
2.3.1 Python
2.3.2 Java
2.3.3 Lisp
2.3.4 Prolog
2.4 分類
2.4.1 腦功能領(lǐng)域劃分
機(jī)器感知 機(jī)器聯(lián)想 機(jī)器推理 機(jī)器學(xué)習(xí) 機(jī)器理解
機(jī)器行為
2.4.2 研究途徑與實(shí)現(xiàn)技術(shù)的劃分
符號(hào)智能 計(jì)算智能
2.4.3 應(yīng)用領(lǐng)域的劃分
自動(dòng)定理證明 自動(dòng)程序設(shè)計(jì)
智能管理/決策/通信 專家系統(tǒng)
知識(shí)庫(kù)系統(tǒng)
智能數(shù)據(jù)庫(kù)系統(tǒng) 智能機(jī)器人系統(tǒng)
2.4.4 計(jì)算機(jī)系統(tǒng)的領(lǐng)域劃分
智能操作系統(tǒng)
智能多媒體系統(tǒng)
智能計(jì)算機(jī)系統(tǒng) 智能網(wǎng)絡(luò)系統(tǒng)
2.4.5 實(shí)現(xiàn)工具與環(huán)境的劃分
智能軟件工具 智能硬件平臺(tái)
2.4.6 基于體系結(jié)構(gòu)領(lǐng)域
集中式人工智能 分布式人工智能
2.5 人工智能系統(tǒng)的構(gòu)建
2.5.1 明確業(yè)務(wù)目標(biāo)
目標(biāo)的表述
每個(gè)部分使用什么算法？
2.5.2 收集數(shù)據(jù)
有哪些數(shù)據(jù)？
數(shù)據(jù)質(zhì)量的評(píng)估
數(shù)據(jù)的建模
2.5.3 確定算法
算法選擇的依據(jù) 算法的評(píng)估標(biāo)準(zhǔn) 算法的對(duì)比
算法的確立
2.5.4 評(píng)估結(jié)果
評(píng)估什么內(nèi)容？ 評(píng)估的指標(biāo)
是否調(diào)優(yōu)算法
2.5.5 應(yīng)用部署
如何部署到實(shí)際系統(tǒng)中 結(jié)構(gòu)的可視化解釋
業(yè)務(wù)流程如何變更？
2.6 【案例】基于人工智能的人臉識(shí)別技術(shù)案例
3 人工智能的應(yīng)用內(nèi)容
3.1 模式識(shí)別應(yīng)用
3.1.1 人臉識(shí)別
3.1.2 文字識(shí)別
3.1.3 物體識(shí)別
3.2 博奕類應(yīng)用
3.2.1 IBM 的 “深藍(lán)”
3.2.2 “紫光之星”
3.3 專家系統(tǒng)
3.3.1 醫(yī)療領(lǐng)域
3.3.2 探礦領(lǐng)域
3.4 機(jī)器人
3.4.1 KAKU 機(jī)器人
3.4.2 機(jī)器人足球
3.4.3 機(jī)器人舞蹈
3.5 機(jī)器視覺(jué)
3.5.1 圖像識(shí)別
3.5.2 罪犯人臉特征分析
3.6 自然語(yǔ)言理解
3.6.1 谷歌翻譯
3.6.2 語(yǔ)音識(shí)別
3.7 其它應(yīng)用
3.7.1 自動(dòng)程序設(shè)計(jì)
3.7.2 智能信息檢索
3.7.3 聲紋識(shí)別
3.7.4 智能仿真
3.8 【案例】AlphaGo 下圍棋的原理介紹
3.9 【討論】AI 會(huì)如何從各個(gè)領(lǐng)域改變汽車行業(yè)？
4 人工智能的深度學(xué)習(xí)
4.1 概述
4.1.1 為什么是深度學(xué)習(xí)？
引出
與淺層學(xué)習(xí)的區(qū)別 原因
4.1.2 什么是“無(wú)監(jiān)督 ”學(xué)習(xí)？
4.1.3 與神經(jīng)網(wǎng)絡(luò)的關(guān)系？
4.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
4.2.1 概念 腦神經(jīng)元分析 4.2.2 原理 BP 網(wǎng)絡(luò)
4.3 深度學(xué)習(xí)介紹
4.3.1 多層神經(jīng)網(wǎng)絡(luò)
4.3.2 深度學(xué)習(xí)的弱點(diǎn) 缺乏時(shí)間概念
視頻與圖片
4.4 深度學(xué)習(xí)原理
4.4.1 從單層神經(jīng)網(wǎng)絡(luò)到多層神經(jīng)網(wǎng)絡(luò)
4.4.2 深度學(xué)習(xí)的訓(xùn)練過(guò)程
4.4.3 深度學(xué)習(xí)的具體模型及方法
4.4.4 深度學(xué)習(xí)的性能比較
4.4.5 深度學(xué)習(xí)的應(yīng)用
4.5 深度學(xué)習(xí)的意義
4.5.1 改變了傳統(tǒng)人工智能的哪些思維定式？
4.5.2 深度學(xué)習(xí)的無(wú)監(jiān)督學(xué)習(xí)
4.6 TensorFlow
4.6.1 技術(shù)框架
4.6.2 與 Python 的關(guān)系
4.6.3 TensorFlow 實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
4.6.4 TensorFlow 實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
4.6.5 TensorFlow 實(shí)現(xiàn)多 GPU 并行及分布計(jì)算
4.7 【案例】谷歌如何識(shí)別一只“貓 ” ？
4.8 【案例】電信行業(yè)人工智能應(yīng)用案例
5 人工智能的算法解析
5.1 人工智能的算法范疇
5.1.1 搜索算法
5.1.2 博弈算法
5.1.3 模糊算法
5.1.4 遺傳算法
5.2 機(jī)器學(xué)習(xí)算法
5.2.1 C4.5 算法
5.2.2 K-means 算法
5.2.3 樸素貝葉斯算法
5.2.4 K 最近鄰分類算法
5.2.5 ME 最大期望算法
5.2.6 PAGERANK 算法
5.2.7 AdaBoost 算法
5.2.8 APRIORI 算法
5.2.9 CART 分類與回歸樹
5.3 深度學(xué)習(xí)的算法
5.3.1 （多層） 感知機(jī)
5.3.2 深度神經(jīng)網(wǎng)絡(luò)（DNN）
5.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
5.3.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
5.3.5 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）
5.4 數(shù)據(jù)分析框架——Spark MLib
5.4.1 Spark MLib 的基礎(chǔ)框架與原理
5.4.2 Spark MLib 基本算法 Spark MLib 支持的分類算法
Spark MLib 支持的聚類算法 Spark MLib 協(xié)同過(guò)濾
5.4.3 Spark MLib 中的矩陣向量運(yùn)算庫(kù) jblas
5.4.4 Spark MLib 梯度下降算法
5.4.5 【實(shí)際操作】Spark MLib 中 K-means 算法源碼相關(guān)參 數(shù)、分析與調(diào)試，熟悉 k_means 的步驟
K-means 算法源碼分析 K-means 算法實(shí)例
數(shù)據(jù)準(zhǔn)備及參數(shù)配置
使用 KMeans 建立模型、訓(xùn)練、預(yù)測(cè)結(jié)果及模型評(píng)估
5.5 【案例】算法實(shí)際應(yīng)用案例
5.5.1 客戶語(yǔ)音識(shí)別案例
5.5.2 人臉識(shí)別案例
6 人工智能的應(yīng)用 1 ：人機(jī)對(duì)弈，ALPHA 狗 原理
6.1 ALPHA 狗算法可以應(yīng)用于哪些領(lǐng)域？（供應(yīng)鏈等）
6.2 人類還能戰(zhàn)勝 ALPHA 狗嗎？
6.3 【例】 ALPHA 狗原理
7 人工智能的應(yīng)用 2 ：模式識(shí)別：谷歌的圖 像識(shí)別原理
7.1 圖像識(shí)別的技術(shù)原理
7.2 【例】谷歌圖像識(shí)別的實(shí)際案例分享
7.3 【例】谷歌無(wú)人汽車的原理
8 人工智能的應(yīng)用 3 ：語(yǔ)音識(shí)別算法
8.1 語(yǔ)音識(shí)別的技術(shù)原理
8.2 語(yǔ)音識(shí)別的關(guān)鍵內(nèi)容
8.3 聊天機(jī)器人的原理
8.4 智能客服的應(yīng)用領(lǐng)域
8.5 【例】智能客服應(yīng)用舉例
9 人工智能的關(guān)鍵點(diǎn)
9.1 數(shù)據(jù)重要還是算法重要？
9.2 如何收集非結(jié)構(gòu)化數(shù)據(jù)？
9.3 應(yīng)用的最后一公里問(wèn)題
9.4 人工智能應(yīng)用步驟規(guī)劃
9.5 如何借助他人的“肩膀 ” ？
10 總結(jié)

段方老師的其它課程