人工智能基礎(chǔ)及應(yīng)用培訓(xùn)

===========================================================
==
《人工智能基礎(chǔ)及應(yīng)用培訓(xùn)》 -段方
某世界 100 強(qiáng)大數(shù)據(jù)/AI 總設(shè)計(jì)師 教授 北京大學(xué)博士后
===========================================================
==
202916811801 概述
-------------------------------------------------------------
1.1 從阿爾法狗與李世石的圍棋說起 1.1.1 過程概述
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
1.3.2
1.3.3
1.3.4
史前期 形成期 蕭條期 興旺期
1.4 人工智能的研究內(nèi)容
1.4.1
1.4.2
1.4.3
1.4.4
1.4.5
知識表示 機(jī)器感知 機(jī)器學(xué)習(xí) 機(jī)器思維 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 ASIC 芯片崛起 1.5.4 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 人工智能會替代人嗎?
1.8 人工智能助力 5G 產(chǎn)業(yè)互聯(lián)網(wǎng) 1.8.1 5G 豐富物聯(lián)網(wǎng)數(shù)據(jù)
1.8.2 產(chǎn)業(yè)互聯(lián)網(wǎng)與消費(fèi)互聯(lián)網(wǎng)的異同
1.8.3 產(chǎn)業(yè)互聯(lián)到產(chǎn)業(yè)智能
1.9 “大模型、多模態(tài) ”的新發(fā)展
1.9.1 大模型的概念 1.9.2 多模態(tài)的價(jià)值 1.9.3 chatGPT 的意義 1.10 【案例】
1.10.1 附件-《人工智能在電信領(lǐng)域中的應(yīng)用》
237041172352 AI 大模型的概念和特點(diǎn)
-------------------------------------------------------------
2.1 什么是”大模型、多模態(tài)“？ 2.2 大模型帶來了什么？
2.3 大模型為什么能產(chǎn)生質(zhì)變？ 2.4 算法層面的躍升
2.4.1 RNN 到 transformor 2.4.2 擴(kuò)散模型 diffusion 2.4.3 跨模態(tài)的 CLIP 框架 2.5 AIGC 的耀眼成果
2.5.1 AI 的“詩詞歌賦 ”
2.5.2 AI 的小說 2.5.3 AI 繪畫
2.5.4 AI 音樂
2.5.5 AI 主播等等
2.6 AIGC 的代表——chatGPT 2.6.1 chatGPT 的江浙發(fā)展報(bào)告
2.6.2 對圖靈測試的超越 2.6.3 普通人 or 專家？
2.6.4 ChatGPT 帶來的“爆品”
2.7 “大模型、多模態(tài)”推動(dòng)了 AI 的“質(zhì)變 ”
2.7.1 從傳統(tǒng)機(jī)器學(xué)習(xí)開始 2.7.2 深度學(xué)習(xí)開啟了“ 突破 ” 2.7.3 大模型帶來的“質(zhì)變 ”
2.7.4 AIGC 產(chǎn)生的合成數(shù)據(jù) 2.8 從 SaaS 到 MaaS
2.8.1 AIGC 開辟了 MaaS 模式 2.8.2 模型調(diào)用 orAPI 調(diào)用
2.8.3 產(chǎn)品解決方案層級
2.8.4 面向行業(yè)大模型
2.9 【思考】AI 會有自我意識嗎？
2.10 【示例】附件——AIGC 帶來的藝術(shù)震撼
237041171073 為什么是 chatGPT？
-------------------------------------------------------------
3.1 從 OpenAI 說起
3.1.1 馬斯克的“沖動(dòng) ”
3.1.2 最大的閉源公司卻控股了最大的開源公司 3.1.3 微軟能彎道超車嗎？
3.2 GPT
3.2.1 參數(shù)擴(kuò)展到 1750 億
3.2.2 算力消耗驚人
3.2.3 數(shù)據(jù)的海量喂養(yǎng) 3.2.4 開源的資源投入 3.3 GPT 模型的演進(jìn)
3.3.1 GPT1 到 GPT2 3.3.2 GPT3
3.3.3 instructGPT
3.4 chatGPT 站在 GPT 之上 3.4.1 對 GPT 的改進(jìn)
3.4.2 算力方面的消耗
3.4.3 大數(shù)據(jù)的收集和標(biāo)注 3.4.4 應(yīng)用場景的“耀眼 ”
3.5 chatGPT 的革新
3.5.1 chatGPT 不是“忽悠 ” 3.5.2 基于互聯(lián)網(wǎng)海量數(shù)據(jù) 3.5.3 算法領(lǐng)域的突破
3.5.4 NLP 領(lǐng)域的“厚積薄發(fā)”
3.5.5 肯尼亞小哥的“標(biāo)注 ”
3.6 chatGPT 的商業(yè)模式創(chuàng)新 3.6.1 從閉源說起。。。
3.6.2 嵌入 office 產(chǎn)品體系 3.6.3 提供個(gè)人客戶服務(wù) 3.6.4 支撐 2B 客戶市場
3.6.5 通用大模型的擴(kuò)展空間
3.7 【思考】中國為什么沒有產(chǎn)生 chatGPT？
3.7.1 基礎(chǔ)研究的投入 3.7.2 開源文化的滲透 3.7.3 風(fēng)險(xiǎn)投資的機(jī)制
3.7.4 A100 芯片會是中國的“痛 ”嗎？ 3.7.5 還有什么？
3.8 【示例】附件-chatGPT 的“神跡 ”
237041167154 智能運(yùn)維（AIOPS)應(yīng)用基礎(chǔ)
-------------------------------------------------------------
4.1 智能運(yùn)維基礎(chǔ)
4.1.1 概念
4.1.2 發(fā)展情況
4.1.3 系統(tǒng)健康度
4.1.4 能力成熟度模型
4.1.5 AIOPS 分析
4.2 智能運(yùn)維體系架構(gòu)
4.2.1 體系架構(gòu)
4.2.2 智能故障診斷 4.2.3 數(shù)據(jù)架構(gòu)
4.2.4 物理架構(gòu)
4.2.5 數(shù)據(jù)安全設(shè)計(jì) 4.2.6 平臺自監(jiān)控
4.3 智能運(yùn)維數(shù)據(jù)采集
4.3.1 運(yùn)維數(shù)據(jù)種類 4.3.2 運(yùn)維數(shù)據(jù)采集 4.3.2.1 采集框架
4.3.2.2 采集流程
4.3.2.3 采集模式等 4.3.3 數(shù)據(jù)處理
4.3.3.1 緩存
4.3.3.2 處理 4.3.3.3 存儲
4.4 智能算法模型
4.4.1 無監(jiān)督異常檢測算法
4.4.2 異常根因定位 4.4.3 知識圖譜
4.4.4 自然語言理解
4.4.5 單指標(biāo)異常檢測 4.4.6 多指標(biāo)異常檢測 4.5 智能運(yùn)維應(yīng)用
4.5.1 故障預(yù)測
4.5.2 故障診斷
4.5.3 故障修復(fù)
4.5.4 日志數(shù)據(jù)分析
4.5.5 指標(biāo)的關(guān)聯(lián)分析 4.6 智能運(yùn)維新技術(shù)
4.6.1
4.6.2
4.6.3
巡檢機(jī)器人 數(shù)據(jù)孿生
低代碼技術(shù)
4.7 運(yùn)營商自動(dòng)駕駛網(wǎng)絡(luò)
4.7.1 TMF 自動(dòng)駕駛網(wǎng)絡(luò)框架 4.7.2 某運(yùn)營商能力分級指標(biāo)
4.7.3 某運(yùn)營商自動(dòng)駕駛網(wǎng)絡(luò)框架
4.8 【案例】附件——PAAS（華為、阿里等）智能運(yùn)維案例
2029161171155 人工智能的深度學(xué)習(xí)
-------------------------------------------------------------
5.1 概述
5.1.1 為什么是深度學(xué)習(xí)？ 5.1.1.1 引出
5.1.1.2 與淺層學(xué)習(xí)（單層網(wǎng)絡(luò)） 的區(qū)別 5.1.1.3 原因
5.1.2 什么是“ 無監(jiān)督”學(xué)習(xí)？ 5.1.3 與神經(jīng)網(wǎng)絡(luò)的關(guān)系？
5.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 5.2.1 概念
5.2.1.1 腦神經(jīng)元分析 5.2.1.2 視覺識別過程 5.2.2 原理
5.2.2.1 神經(jīng)網(wǎng)絡(luò)算法原理 5.2.2.2 BP 網(wǎng)絡(luò)
5.3 深度學(xué)習(xí)介紹
5.3.1 多層神經(jīng)網(wǎng)絡(luò)
5.3.1.1 梯度下降的概念 5.3.1.2 層越多越好嗎？ 5.3.2 深度學(xué)習(xí)的弱點(diǎn) 5.3.2.1 從視覺原理起步
5.3.2.2 如何擴(kuò)展到企業(yè)應(yīng)用？ 5.4 深度學(xué)習(xí)原理
5.4.1 從單層神經(jīng)網(wǎng)絡(luò)到多層神經(jīng)網(wǎng)絡(luò)
5.4.2 深度學(xué)習(xí)的訓(xùn)練過程
5.4.3 深度學(xué)習(xí)的具體模型及方法
5.4.4 深度學(xué)習(xí)的性能比較 5.4.5 深度學(xué)習(xí)的應(yīng)用
5.5 深度學(xué)習(xí)的意義
5.5.1 改變了傳統(tǒng)人工智能的哪些思維定式？ 5.5.2 深度學(xué)習(xí)的無監(jiān)督學(xué)習(xí)
5.6 深度學(xué)習(xí)的算法 5.6.1 （多層）感知機(jī)
5.6.2 深度神經(jīng)網(wǎng)絡(luò)（DNN）
5.6.3 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
5.6.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
5.6.5 長短期記憶網(wǎng)絡(luò)（LSTM）
5.7 強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)
5.7.1 強(qiáng)化學(xué)習(xí)的概念和特點(diǎn) 5.7.2 遷移學(xué)習(xí)的概念和特點(diǎn) 5.8 人工智能的學(xué)習(xí)框架
5.8.1 開源的概念
5.8.2 學(xué)習(xí)框架的歷程
5.8.3 caffe 等學(xué)習(xí)框架介紹 5.9 TensorFlow 框架內(nèi)容 5.9.1 編程模型簡介
5.9.2 自編碼器介紹
5.9.3 多層感知機(jī)介紹
5.10 【案例】附件——某企業(yè)人臉識別案例
237041172426 人工智能在電信行業(yè)應(yīng)用場景
-------------------------------------------------------------
6.1 概述
6.1.1 企業(yè)如何提升“智能 ”
6.1.2 應(yīng)用驅(qū)動(dòng) or 算法驅(qū)動(dòng)？ 6.1.3 應(yīng)用的場景探索
6.2 智慧營業(yè)廳
6.2.1 人臉識別
6.2.2 智能推薦
6.2.3 客戶軌跡分析 6.2.4 服務(wù)質(zhì)量評估 6.3 智慧管理
6.3.1 業(yè)務(wù)異常監(jiān)控
6.3.2 基站資產(chǎn)稽核
6.3.3 會議語音轉(zhuǎn)寫記錄 6.3.4 態(tài)勢感知
6.4 智慧稽核 6.4.1 人證比對
6.4.2 簽名識別
6.4.3 異常操作識別 6.5 智慧運(yùn)維
6.5.1 CPU 資源預(yù)測分析 6.5.2 磁盤故障分析
6.5.3 智慧能源分析 6.6 語音 UI 導(dǎo)航
6.6.1
6.6.2
6.6.3
6.6.4
語音識別 語義理解 智能檢索 語音播報(bào)
6.7 智慧客服
6.7.1 客戶聲紋識別
6.7.2 問題識別
6.7.3 問題歸類及派單 6.7.4 事后滿意度調(diào)查
6.8 AI 應(yīng)用初探
6.8.1 成果如何評估？ 6.8.2 讓 AI 飛一會兒
6.8.3 AI 人才隊(duì)伍如何構(gòu)建？
6.9 【思考】企業(yè)人工智能應(yīng)用的領(lǐng)域還有哪些？
-------------------------------------------------------------
7 AIGC 基礎(chǔ)
237041014437.1 基本算法的原理
7.1.1 從深度學(xué)習(xí)算法開始
7.1.2 強(qiáng)化學(xué)習(xí)算法 7.1.3 遷移學(xué)習(xí)算法 7.1.4 大模型算法等
7.2 Transformor 算法的原理 7.2.1 RNN 算法的原理
7.2.2 注意力機(jī)制 7.2.3 算法簡介
7.3 diffusion 擴(kuò)散算法的基礎(chǔ)
7.3.1 噪音的概念
7.3.2 反向擴(kuò)散的原理 7.3.3 算法簡介
7.4 CLIP 框架基礎(chǔ)
7.4.1 還有多模態(tài)
7.4.2 大模型+多模態(tài) 7.4.3 CLIP 框架原理
7.5 如何從 GPT 演化到 chatGPT？ 7.5.1 數(shù)據(jù)標(biāo)注的變革
7.5.2 chatGPT 的復(fù)現(xiàn)為什么那么難？
7.5.3 還有什么秘密？
7.6 【思考】chatGPT 能否超過人腦？ 7.7 【示例】附件-chatGPT 使用示例
237041080948 類 chatGPT 的企業(yè)應(yīng)用場景舉例
-------------------------------------------------------------
8.1 改良類應(yīng)用
8.1.1 從深度學(xué)習(xí)到大模型的精度躍升 8.1.2 預(yù)測類分析的改良效果
8.1.3 客戶分析的改良？ 8.2 改革類應(yīng)用
8.2.1 改革類應(yīng)用的想象空間 8.2.2 智力大腦的“ 變革 ”
8.2.3 工業(yè)革命/智能革命的類比 8.3 客戶營銷領(lǐng)域
8.3.1 客戶視圖的多模態(tài)變革 8.3.2 數(shù)字人的智能營銷
8.3.3 營銷場景的“元宇宙化 ”
8.4 客戶服務(wù)領(lǐng)域
8.4.1 AI 替代的人類客服 8.4.2 客服模式的“質(zhì)變 ” 8.4.3 客戶服務(wù)的“專家 ”
8.5 產(chǎn)品設(shè)計(jì)領(lǐng)域
8.5.1 AIGC 的“新”設(shè)計(jì)
8.5.2 AI 根據(jù)客戶反饋的“ 自動(dòng)修復(fù) ” 8.5.3 產(chǎn)品設(shè)計(jì)的“個(gè)性化 ”
8.6 產(chǎn)品生產(chǎn)領(lǐng)域
8.6.1 產(chǎn)品的機(jī)器人生產(chǎn)
8.6.2 產(chǎn)品生產(chǎn)的智能監(jiān)控
8.6.3 AI 產(chǎn)品質(zhì)檢 8.7 產(chǎn)品的迭代
8.7.1 從大生產(chǎn)到個(gè)性生產(chǎn)的“質(zhì)變 ” 8.7.2 產(chǎn)品如何 AI 迭代設(shè)計(jì)？
8.7.3 產(chǎn)品的迭代反饋 8.8 供應(yīng)鏈領(lǐng)域
8.8.1 能否實(shí)現(xiàn)“零庫存 ”？
8.8.2 供應(yīng)鏈如何智能、顆?；?？
8.8.3 供應(yīng)鏈不僅是信息化，更需要智能化
8.9 【思考】chatGPT 能否把所有的行業(yè)“重新”做一遍？ 8.10 【示例】附件-chatGPT 的某些應(yīng)用領(lǐng)域示例
237041089679 人工智能/機(jī)器學(xué)習(xí)案例
-------------------------------------------------------------
9.1 【案例】人工智能用于網(wǎng)絡(luò)分析的案例（預(yù)測類、監(jiān)督類、運(yùn)營類等）
9.2 【案例】智慧營業(yè)廳深度學(xué)習(xí)案例
9.3 【案例】智慧機(jī)房（廠房） 監(jiān)控深度學(xué)習(xí)案例
2370411706010 總結(jié)
-------------------------------------------------------------

段方老師的其它課程