《人工智能應(yīng)用場(chǎng)景及技術(shù)原理》

《人工智能應(yīng)用場(chǎng)景及技術(shù)原理》
-段方
大數(shù)據(jù)（AI） 總設(shè)計(jì)師
教授 北大大學(xué)博士后
1 人工智能實(shí)際應(yīng)用場(chǎng)景
1.1 概述
1.1.1 企業(yè)如何提升“智能”
1.1.2 應(yīng)用驅(qū)動(dòng) or 算法驅(qū)動(dòng)？
1.1.3 應(yīng)用的場(chǎng)景探索
1.2 智慧營(yíng)業(yè)廳
1.2.1 人臉識(shí)別
1.2.2 智能推薦
1.2.3 客戶軌跡分析
1.2.4 服務(wù)質(zhì)量評(píng)估
1.3 智慧管理
1.3.1 業(yè)務(wù)異常監(jiān)控
1.3.2 基站資產(chǎn)稽核
1.3.3 會(huì)議語(yǔ)音轉(zhuǎn)寫記錄
1.3.4 態(tài)勢(shì)感知
1.4 智慧稽核
1.4.1 人證比對(duì)
1.4.2 簽名識(shí)別
1.4.3 異常操作識(shí)別
1.5 智慧運(yùn)維
1.5.1 CPU 資源預(yù)測(cè)分析
1.5.2 磁盤故障分析
1.5.3 智慧能源分析
1.6 語(yǔ)音 UI 導(dǎo)航
1.6.1 語(yǔ)音識(shí)別
1.6.2 語(yǔ)義理解
1.6.3 智能檢索
1.6.4 語(yǔ)音播報(bào)
1.7 智慧客服
1.7.1 客戶聲紋識(shí)別
1.7.2 問題識(shí)別
1.7.3 問題歸類及派單
1.7.4 事后滿意度調(diào)查
1.8 AI 應(yīng)用初探
1.8.1 成果如何評(píng)估？
1.8.2 讓 AI 飛一會(huì)兒
1.8.3 AI 人才隊(duì)伍如何構(gòu)建？
1.9 【思考】企業(yè)人工智能應(yīng)用的領(lǐng)域還有哪些？
2 人工智能技術(shù)基礎(chǔ)
2.1 概述
2.1.1 人工智能定義
2.1.2 演進(jìn)歷史
2.1.3 傳統(tǒng)機(jī)器學(xué)習(xí)階段
2.1.4 深度學(xué)習(xí)階段
2.1.5 本期 AI 突破的原因
2.2 大數(shù)據(jù)的豐富和發(fā)展
2.2.1 非結(jié)構(gòu)化數(shù)據(jù)引入
2.2.2 數(shù)據(jù)標(biāo)注體系
2.2.3 Hadoop 大數(shù)據(jù)基礎(chǔ)
2.3 深度學(xué)習(xí)的演進(jìn)歷史
2.4 GPU 等硬件的演進(jìn)
2.5 人工智能主流工具架構(gòu)
2.6 人工智能系統(tǒng)的構(gòu)建
2.6.1 明確業(yè)務(wù)目標(biāo)
2.6.2 收集數(shù)據(jù)
2.6.3 確定算法
2.6.4 算法訓(xùn)練及推理
2.6.5 評(píng)估結(jié)果
2.6.6 應(yīng)用部署
2.7 【案例】基于人工智能的人臉識(shí)別技術(shù)案例
3 人工智能的深度學(xué)習(xí)
3.1 概述
3.1.1 為什么是深度學(xué)習(xí)？
3.1.2 什么是“無(wú)監(jiān)督 ” 學(xué)習(xí)？
3.1.3 與神經(jīng)網(wǎng)絡(luò)的關(guān)系？
3.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
3.2.1 概念
3.2.2 腦神經(jīng)學(xué)研究
3.2.3 原理
3.3 深度學(xué)習(xí)介紹
3.3.1 多層神經(jīng)網(wǎng)絡(luò)
3.3.2 卷積學(xué)習(xí) CNN 概述
3.4 深度學(xué)習(xí)的意義
3.4.1 改變了傳統(tǒng)人工智能的哪些思維定式？
3.4.2 深度學(xué)習(xí)的無(wú)監(jiān)督學(xué)習(xí)
3.4.3 推動(dòng)本輪弱人工智能的發(fā)展
3.5 【案例】谷歌如何識(shí)別一只“貓 ”？
3.6 【案例】電信行業(yè)人工智能應(yīng)用案例
4 人工智能算法應(yīng)用實(shí)例剖析
4.1 人機(jī)對(duì)弈， ALPHA 狗原理
4.1.1 ALPHA 狗算法可以應(yīng)用于哪些領(lǐng)域？（供應(yīng)鏈等）
4.1.2 人類還能戰(zhàn)勝 ALPHA 狗嗎？
4.1.3 【例】 ALPHA 狗原理
4.2 模式識(shí)別：谷歌的圖像識(shí)別原理
4.2.1 圖像識(shí)別的技術(shù)原理
4.2.2 【例】谷歌圖像識(shí)別的實(shí)際案例分享
4.2.3 【例】谷歌無(wú)人汽車的原理
4.3 【案例】某企業(yè)的人工智能體系應(yīng)用案例
5 人工智能落地的一些思考
5.1 價(jià)值認(rèn)知方面
5.1.1 第四次革命的深刻認(rèn)知
5.1.2 電力驅(qū)動(dòng)了現(xiàn)代文明， AI 將驅(qū)動(dòng)未來文明
5.1.3 如何讓 AI 滲透企業(yè)
5.2 本輪人工智能的優(yōu)勢(shì)
5.2.1 存儲(chǔ)優(yōu)勢(shì)
5.2.2 數(shù)據(jù)優(yōu)勢(shì)
5.2.3 計(jì)算優(yōu)勢(shì)
5.2.4 邏輯優(yōu)勢(shì)
5.2.5 TPU 的計(jì)算能力？
5.3 人工智能當(dāng)前的劣勢(shì)
5.3.1 靠大數(shù)據(jù)喂？
5.3.2 行業(yè)知識(shí)的積累
5.3.3 *缺乏自編程能力
5.3.4 算法的進(jìn)步還需加快
5.3.5 硬件仍需進(jìn)步
5.4 讓 AI“飛一會(huì)兒 ”
5.4.1 初期的 AI？
5.4.2 從不完善到完善的過程
5.4.3 AI 滲透到每個(gè)行業(yè)、每個(gè)企業(yè)
5.4.4 讓人類與 AI 一起飛
5.5 人工智能對(duì)思維方面的沖擊
5.5.1 社會(huì)層面
5.5.2 企業(yè)層面
5.5.3 個(gè)人層面
5.6 核心技術(shù)的把控問題
5.6.1 從 AI 的開源生態(tài)說起
5.6.2 TensorFlow 的架構(gòu)魔力
5.6.3 哪些技術(shù)要把控？
5.6.4 企業(yè)的核心競(jìng)爭(zhēng)力 or 計(jì)算力
5.6.5 核心算法的突破
5.7 人工智能中人才培養(yǎng)問題
5.7.1 AI 要 “從娃娃抓起 ”
5.7.2 AI 所需知識(shí)結(jié)構(gòu)內(nèi)容
5.7.3 技能層面的積累
5.7.4 管理協(xié)調(diào)
5.8 人工智能急需的教育變革
5.8.1 從培養(yǎng)工人到培養(yǎng) AI 創(chuàng)造者
5.8.2 AI 技術(shù)越來越易用
5.8.3 AI 操控者
5.8.4 重構(gòu)教育體制
5.9 【案例】人工智能呼喚教育變革
6 人工智能在企業(yè)落地中的問題
6.1 向智慧企業(yè)演進(jìn)
6.1.1 企業(yè)的運(yùn)行機(jī)制
6.1.2 從依賴經(jīng)驗(yàn)到依賴數(shù)據(jù)和算法
6.1.3 企業(yè)競(jìng)爭(zhēng)演進(jìn)為算力的競(jìng)爭(zhēng)
6.2 切入點(diǎn)選擇
6.2.1 從市場(chǎng)應(yīng)用切入
6.2.2 從企業(yè)痛點(diǎn)切入
6.2.3 成熟算法驅(qū)動(dòng)
6.3 提升市場(chǎng)智能
6.3.1 AI 僅改進(jìn)算法的精度？
6.3.2 逐步從人驅(qū)動(dòng)轉(zhuǎn)向AI 驅(qū)動(dòng)
6.3.3 從客戶分析入手？
6.3.4 業(yè)務(wù)場(chǎng)景的提煉
6.4 打造智慧運(yùn)營(yíng)環(huán)境
6.4.1 企業(yè)全生命周期
6.4.2 企業(yè)每個(gè)環(huán)節(jié)
6.4.3 未來能否實(shí)現(xiàn)全程 AI 管理？
6.5 人才方面
6.5.1 AI 人才極其缺乏
6.5.2 AI 從業(yè)者更需要想象力
6.5.3 只能自己培養(yǎng)
6.6 人工智能在企業(yè)實(shí)踐中經(jīng)驗(yàn)分享
6.6.1 非結(jié)構(gòu)化數(shù)據(jù)質(zhì)量問題
6.6.2 數(shù)據(jù)標(biāo)注問題
6.6.3 算法比對(duì)選擇問題
6.6.4 應(yīng)用場(chǎng)景選擇問題
6.6.5 營(yíng)銷活動(dòng)選擇
6.7 【案例】人工智能對(duì)企業(yè)帶來的變革思考
7 總結(jié)

段方老師的其它課程