人工智能和深度学习_前沿技术

智盟创课公众号

智汇｜共创｜互联｜共成长

智盟创课（北京）科技有限公司（智盟 Stu.）作为IT产业第三方专业人才能力提升服务机构，秉承互联共成长的理念，恪守IT企业实际业务需求为第一优先级的本职，为IT企业人才培养提供多方位的师资、培训体系打造，行业前沿交流峰会，打通企业全方面的学习视角，实现人才能力提升最佳学习方案。助力企业全面提升竞争优势、推进组织的成功转型及经营业绩的持续增长。同时，智盟组织承办IT领域两大品牌会议：QECon全球软件质量&效能大会、SECon软件工程技术大会、PM产品力领航者大会，旨在深化各大研发中心加快数字化转型的同时，也将目光从追求快速增长转向内建能力，运用前沿技术帮助企业实现快速交付，同时又要稳高质量发展的大方针。

400-183-9980

010-65798049

服务总线

咨询热线

business@zmengstu.com

京ICP备20017836号-1

时间	内容	案例实践与练习
第一篇介绍人工智能的渊源及范围	1. 人工智能概述人工智能的历史人工智能的概念人工智能当前发展水平人工智能未来趋势预测人工智能的应用领域人工智能的国际主要流派和发展路线人工智能的国内研究情况弱人工智能强人工智能机器学习介绍深度学习介绍神经网络介绍 2. 机器学习概念机器学习介绍机器学习概念机器学习特征机器学习基本思想机器学习的训练过程机器学习的常用模型机器学习分类、聚类的概念机器学习的应用与算法选择机器学习算法模型应用领域机器学习算法模型优劣势剖析 3. 神经网络算法模型概述人工智能介绍神经网络介绍神经网络概念神经网络发展历史神经网络的别名神经网络研究的主要内容神经网络基本构成神经网络模拟人的智能行为的四个方面神经网络的特点学习能力适应性问题神经网络基本网络模型单层网络多层网络循环网络基本网络结构特点典型训练算法运行方式典型问题解决方法感知机线性神经网络 BP神经网络 RBF网络竞争网络反馈神经网络随机神经网络遗传算法 PSO与神经网络优化神经网络算法模型应用领域神经网络算法模型优缺剖析 4. 深度学习算法模型深度学习介绍深度学习概念深度学习特征深度学习基本思想浅层学习与深度学习深度学习与神经网络深度学习的训练过程深度学习的常用模型深度学习的应用深度学习算法模型应用领域深度学习算法模型优劣势剖析 5. 深度学习概要什么是深度学习&与机器学习的异同	案例研讨：AlphaGo的基本原理，李世石与AlphaGo的对局分析
第二篇基于TensorFlow的基本DNN模型案例	6. 基于TensorFlow的深度学习工具与平台 TensorFlow介绍 TensorFlow架构原理 TensorFlow的数据流图 TensorFlow的节点与边 TensorFlow张量 TensorFlow的特征 TensorFlow的下载安装 TensorFlow的基本用法计算图构建图卷积神经网络字词的向量表示递归神经网络曼德布洛特(Mandelbrot)集合偏微分方程变量:创建、初始化、保存和加载 TensorBoard:可视化学习 TensorBoard:图表可视化读取数据线程和队列添加新的OP 自定义数据读取使用GPU 共享变量 TensorFlow的应用场景 TensorFlow的应用案例剖析 7. 基于TensorFlow多层感知器模型Multi-Layer Perceptron–MLP 神经元权重和激活 NeuronsWeight Activation 神经元网络Neuron Networks 训练网络Training Networks Back-propagation 算法和计算图多种自适应学习率算法 Adaptive Learning Rate 8. 基于TensorFlow用 Keras 搭建 MLP 载入数据定义-编译-训练-测试模型	实践练习：手写体数字图片识别
第三篇评估、调参和优化模型	9. 深度学习模型的性能评估切分数据集合 Data Splitting 手工 k-fold cross validation 10. 通用深度学习工具集Keras + Scikit-Learn 用 cross-validation 评估模型用 grid-search 微调超参数 12. 基于TensorFlow序列化保存模型 13. 通过 check point 机制获取最佳模型 14. 通过绘制模型历史理解训练行为 15. 通过 dropout regularization 降低模型过拟合 16. 选取不同的 Learning Rate Schedule 提升模型性能	案例研讨：实践练习：用 MLP 进行多元分类 – 植物品种分类（可选）实践练习：用 MLP 进行二元分类 – 声呐探测物体信号分析（可选）实践练习：用 MLP 进行回归 – Boston 房屋价格预测
第四篇基于TensorFlow的卷积神经网络CNN案例	17. 卷积神经网络 Convolutional Neural Network 18. 基于TensorFlow的CNN 原理和构造：核 Filter 和卷积运算Convolutional Layer 特征图 Feature Maps 池化层 Pooling 全连接层 Full Connected Layer Dropout 和 Batch Normalization CNN 最佳实践	CNN 实践项目：用 CNN 进行手写体识别练习：在 CNN 图像识别中通过 Image Augmentation 技术提升模型性能项目：用 CNN 进行图片物体识别项目：用CNN电影评论情绪预测

人工智能和深度学习

尹老师 移动云计算专家，资深软件架构师

最新动态

上一篇

智盟创课公众号

智汇｜共创｜互联｜共成长

尹老师移动云计算专家，资深软件架构师