《人工智能的基礎(chǔ)》

《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
1.2.1 AI 的各種定義
1.2.2 AI 的特點
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 人工智能的研究內(nèi)容
1.4.1 知識表示
1.4.2 機器感知
1.4.3 機器學(xué)習(xí)
1.4.4 機器思維
1.4.5 機器行為
1.5 硬件的進步
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展有何局限？
1.7.2 人工智能會替代人嗎?
1.8 【案例】
1.8.1 《谷歌的無人駕駛汽車案例》
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)
車牌的識別——套牌監(jiān)控
罪犯人臉識別
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 知識表示與知識庫技術(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
機器感知 機器聯(lián)想 機器推理 機器學(xué)習(xí) 機器理解
機器行為
2.4.2 研究途徑與實現(xiàn)技術(shù)的劃分
符號智能 計算智能
2.4.3 應(yīng)用領(lǐng)域的劃分
自動定理證明 自動程序設(shè)計
智能管理/決策/通信 專家系統(tǒng)
知識庫系統(tǒng)
智能數(shù)據(jù)庫系統(tǒng) 智能機器人系統(tǒng)
2.4.4 計算機系統(tǒng)的領(lǐng)域劃分
智能操作系統(tǒng)
智能多媒體系統(tǒng)
智能計算機系統(tǒng) 智能網(wǎng)絡(luò)系統(tǒng)
2.4.5 實現(xiàn)工具與環(huán)境的劃分
智能軟件工具 智能硬件平臺
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) 算法的評估標(biāo)準(zhǔn) 算法的對比
算法的確立
2.5.4 評估結(jié)果
評估什么內(nèi)容？ 評估的指標(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別技術(shù)案例
3 人工智能的應(yīng)用內(nèi)容
3.1 模式識別應(yīng)用
3.1.1 人臉識別
3.1.2 文字識別
3.1.3 物體識別
3.2 博奕類應(yīng)用
3.2.1 IBM 的 “深藍”
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 機器人
3.4.1 KAKU 機器人
3.4.2 機器人足球
3.4.3 機器人舞蹈
3.5 機器視覺
3.5.1 圖像識別
3.5.2 罪犯人臉特征分析
3.6 自然語言理解
3.6.1 谷歌翻譯
3.6.2 語音識別
3.7 其它應(yīng)用
3.7.1 自動程序設(shè)計
3.7.2 智能信息檢索
3.7.3 聲紋識別
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 會如何從各個領(lǐng)域改變汽車行業(yè)？
4 人工智能的大數(shù)據(jù)基礎(chǔ)
4.1 目前 AI 的突破點在哪里？
4.1.1 深度學(xué)習(xí)方法
4.1.2 大數(shù)據(jù)的豐富維度
4.1.3 GPU 運算速度提升
4.1.4 “谷歌的態(tài)度是， 數(shù)據(jù)彌補一切”
4.2 大數(shù)據(jù)的概念和特點
4.2.1 大數(shù)據(jù)的概念
4.2.2 大數(shù)據(jù)的特點
4.2.3 大數(shù)據(jù)的應(yīng)用概述
4.3 大數(shù)據(jù)對于 AI 的價值
4.3.1 用大數(shù)據(jù)“ 喂 ”人工智能
4.3.2 大數(shù)據(jù)提供了更豐富的分析角度
4.3.3 大數(shù)據(jù)提供了更細致的分析深度
4.3.4 大數(shù)據(jù)提供了更新鮮的分析跨度
4.3.5 大數(shù)據(jù)支撐了更多的分析方法
4.4 大數(shù)據(jù)的基礎(chǔ)
4.4.1 從數(shù)據(jù)倉庫到大數(shù)據(jù)
4.4.2 HADOOP 概述
4.4.3 元數(shù)據(jù)及數(shù)據(jù)質(zhì)量
4.4.4 如何豐富了分析的維度、深度、跨度
4.5 數(shù)據(jù)挖掘與人工智能
4.5.1 數(shù)據(jù)挖掘概述
4.5.2 數(shù)據(jù)挖掘如何助力人工智能
4.5.3 數(shù)據(jù)挖掘/深度學(xué)習(xí)對企業(yè)影響哪個大？
4.5.4 數(shù)據(jù)挖掘的局限性
4.6 云計算與人工智能
4.6.1 云計算的概念
4.6.2 云計算提供了豐富的計算能力
4.6.3 傳統(tǒng)人工智能的瓶頸——計算能力
4.6.4 云計算如何助力人工智能？——“如虎添翼 ”
4.7 【案例】大數(shù)據(jù)下的客戶深度分析案例
4.8 【案例】大數(shù)據(jù)下的企業(yè)精細化管理案例
5 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)？
引出
與淺層學(xué)習(xí)的區(qū)別 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 腦神經(jīng)元分析 5.2.2 原理 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)
5.3.2 深度學(xué)習(xí)的弱點
缺乏時間概念 視頻與圖片
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 【案例】谷歌如何識別一只“貓” ？
6 人工智能的算法解析
6.1 人工智能的算法范疇
6.1.1 搜索算法
6.1.2 博弈算法
6.1.3 模糊算法
6.1.4 遺傳算法
6.2 機器學(xué)習(xí)算法
6.2.1 C4.5 算法
6.2.2 K-means 算法
6.2.3 樸素貝葉斯算法
6.2.4 K 最近鄰分類算法
6.2.5 ME 最大期望算法
6.2.6 PAGERANK 算法
6.2.7 AdaBoost 算法
6.2.8 APRIORI 算法
6.2.9 CART 分類與回歸樹
6.3 深度學(xué)習(xí)的算法
6.3.1 （多層） 感知機
6.3.2 深度神經(jīng)網(wǎng)絡(luò)（DNN）
6.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
6.3.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
6.3.5 長短期記憶網(wǎng)絡(luò)（LSTM）
6.4 【案例】算法實際應(yīng)用案例
6.4.1 客戶語音識別案例
7 人工智能的未來暢想
7.1 人工智能的優(yōu)勢
7.1.1 存儲優(yōu)勢
7.1.2 數(shù)據(jù)優(yōu)勢
7.1.3 計算優(yōu)勢
7.1.4 邏輯優(yōu)勢
7.1.5 TPU 的計算能力？
7.2 人工智能當(dāng)前的劣勢
7.2.1 靠大數(shù)據(jù)喂
7.2.2 人類的標(biāo)注過程
7.2.3 缺乏自編程能力
7.2.4 算法的進步很慢
7.2.5 要切入每個應(yīng)用領(lǐng)域
7.3 人工智能滲透到各個領(lǐng)域
7.3.1 藝術(shù)領(lǐng)域
音樂 繪畫 詩歌
7.3.2 工程領(lǐng)域
無人駕駛機械 Subtopic
7.3.3 教育領(lǐng)域
7.3.4 醫(yī)療領(lǐng)域等
7.4 【案例】人工智能在汽車行業(yè)中的應(yīng)用
7.4.1 自動駕駛汽車
7.4.2 路況識別
7.4.3 智能檢修
7.4.4 智能規(guī)劃路線
7.4.5 事故數(shù)據(jù)的上傳與分析
7.4.6 駕駛習(xí)慣分析
7.4.7 智能防偷盜
8 人工智能的關(guān)鍵點
8.1 數(shù)據(jù)重要還是算法重要？
8.2 如何收集非結(jié)構(gòu)化數(shù)據(jù)？
8.3 應(yīng)用的最后一公里問題
8.4 人工智能應(yīng)用步驟規(guī)劃
8.5 如何借助他人的“肩膀” ？
9 總結(jié)

段方老師的其它課程