人工智能：机器学习和深度学习_公开课

课程大纲

培训内容
第一讲人工智能简介
1.1 什么是人工智能
1.2 为什么要人工智能
1.3 人工智能的发展简史
1.4 人工智能的现实案例举例
第二讲最优分类面和支持向量机
2.1 什么是最优分类面
2.2 支持向量机的本质是什么
2.3 支持向量机在线性不可分时怎么办
2.4 支持向量机中核函数如何选择
2.5 支持向量机在车牌识别中的应用案例
第三讲决策树
31 什么是非数值特征
3.2 为什么要引入决策树
3.3 如何设计决策树
3.4 如何构造随机森林
3.5 决策树在医疗系统中的应用案例
第四讲 深度学习之始：人工神经网络
4.1 人工神经网络的设计动机是什么
4.2 单个神经元的功能
4.3 人工神经网络的优化以及误差逆传播（BP）算法
4.4 人工神经网络中需要注意的问题
4.5 人工神经网络在表情识别、流量预测中的应用案例
第五讲深度学习中的技巧和注意事项
5.1 深度学习中过学习问题的处理
5.2 如何选择损失函数
5.3 如何并行化
5.4 如何解决深度学习中梯度消失问题
5.5 如何选择激励函数
5.6 权值衰减、Dropout以及新的网络架构
第六讲卷积神经网络
6.1 卷积以及卷积网络的概念
6.2 为什么在使用卷积网络
6.3 卷积网络的结构设计
6.4 卷积网络在围棋中的应用
6.5 卷积神经网络在图像识别中的应用案例
第七讲循环神经网络
7.1 为什么要使用循环神经网络
7.2 1-of-N编码
7.3 循环神经网络的介绍
7.4 长短期记忆网络
7.5 长短期记忆网络在自然语言处理中的应用案例
第八讲人工智能未来展望
8.1 监督学习中的新应用
8.2 强制学习中的新应用
8.3 非监督学习中的新应用
8.4 DeepMind介绍
第九讲使用支持向量机进行车牌识别
第十讲使用深度学习进行手写体识别、人脸识别以及自然语言处理

司老师

清华大学博士，人工智能方面专家，在意大利举办的国际在线指纹识别竞赛中获得冠军，在机器学习和模式识别领域顶级期刊IEEE TPAMI等期刊发表多篇论文，拥有5个中国专利和1个美国专利，是人工智能、深度学习、机器学习和图像处理和模式识别领域的实战派专家。

课程对象

架构师、分析师、项目经理、高级程序员、资深开发人员、人工智能工程师、图像处理工程师、机器学习工程师、模式识别工程师以及未来可能从事人工智能研发的技术人员。

课程介绍评价详情(0)