《新技術基礎——人工智能技術》

《新技術——人工智能的基礎》 段方 北京大學博士后
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 人工智能的研究內容
1.4.1 知識表示
1.4.2 機器感知
1.4.3 機器學習
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用》
智能流量控制
停車位智能引導
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)劃設置
2 人工智能技術內容與分類
2.1 技術內容
2.1.1 推理技術
2.1.2 搜索技術
2.1.3 知識表示與知識庫技術
2.1.4 歸納技術
2.1.5 聯(lián)想技術
2.2 人工智能架構
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 腦功能領域劃分
機器感知 機器聯(lián)想 機器推理 機器學習 機器理解
機器行為
2.4.2 研究途徑與實現(xiàn)技術的劃分
符號智能 計算智能
2.4.3 應用領域的劃分
自動定理證明 自動程序設計
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 基于體系結構領域
集中式人工智能 分布式人工智能
2.5 人工智能系統(tǒng)的構建
2.5.1 明確業(yè)務目標
目標的表述
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) 算法的評估標準 算法的對比
算法的確立
2.5.4 評估結果
評估什么內容？ 評估的指標
是否調優(yōu)算法
2.5.5 應用部署
如何部署到實際系統(tǒng)中 結構的可視化解釋
業(yè)務流程如何變更？
2.6 【案例】基于人工智能的人臉識別技術案例
3 人工智能的應用內容
3.1 模式識別應用
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)療領域
3.3.2 探礦領域
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 其它應用
3.7.1 自動程序設計
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 會如何從各個領域改變汽車行業(yè)？
4 人工智能的深度學習
4.1 概述
4.1.1 為什么是深度學習？
引出
與淺層學習的區(qū)別 原因
4.1.2 什么是“無監(jiān)督 ”學習？
4.1.3 與神經網(wǎng)絡的關系？
4.2 神經網(wǎng)絡學習
4.2.1 概念 腦神經元分析 4.2.2 原理 BP 網(wǎng)絡
4.3 深度學習介紹
4.3.1 多層神經網(wǎng)絡
4.3.2 深度學習的弱點 缺乏時間概念
視頻與圖片
4.4 深度學習原理
4.4.1 從單層神經網(wǎng)絡到多層神經網(wǎng)絡
4.4.2 深度學習的訓練過程
4.4.3 深度學習的具體模型及方法
4.4.4 深度學習的性能比較
4.4.5 深度學習的應用
4.5 深度學習的意義
4.5.1 改變了傳統(tǒng)人工智能的哪些思維定式？
4.5.2 深度學習的無監(jiān)督學習
4.6 TensorFlow
4.6.1 技術框架
4.6.2 與 Python 的關系
4.6.3 TensorFlow 實現(xiàn)卷積神經網(wǎng)絡
4.6.4 TensorFlow 實現(xiàn)循環(huán)神經網(wǎng)絡
4.6.5 TensorFlow 實現(xiàn)多 GPU 并行及分布計算
4.7 【案例】谷歌如何識別一只“貓 ” ？
4.8 【案例】電信行業(yè)人工智能應用案例
5 人工智能的算法解析
5.1 人工智能的算法范疇
5.1.1 搜索算法
5.1.2 博弈算法
5.1.3 模糊算法
5.1.4 遺傳算法
5.2 機器學習算法
5.2.1 C4.5 算法
5.2.2 K-means 算法
5.2.3 樸素貝葉斯算法
5.2.4 K 最近鄰分類算法
5.2.5 ME 最大期望算法
5.2.6 PAGERANK 算法
5.2.7 AdaBoost 算法
5.2.8 APRIORI 算法
5.2.9 CART 分類與回歸樹
5.3 深度學習的算法
5.3.1 （多層） 感知機
5.3.2 深度神經網(wǎng)絡（DNN）
5.3.3 循環(huán)神經網(wǎng)絡（RNN）
5.3.4 卷積神經網(wǎng)絡（CNN）
5.3.5 長短期記憶網(wǎng)絡（LSTM）
5.4 數(shù)據(jù)分析框架——Spark MLib
5.4.1 Spark MLib 的基礎框架與原理
5.4.2 Spark MLib 基本算法 Spark MLib 支持的分類算法
Spark MLib 支持的聚類算法 Spark MLib 協(xié)同過濾
5.4.3 Spark MLib 中的矩陣向量運算庫 jblas
5.4.4 Spark MLib 梯度下降算法
5.4.5 【實際操作】Spark MLib 中 K-means 算法源碼相關參 數(shù)、分析與調試，熟悉 k_means 的步驟
K-means 算法源碼分析 K-means 算法實例
數(shù)據(jù)準備及參數(shù)配置
使用 KMeans 建立模型、訓練、預測結果及模型評估
5.5 【案例】算法實際應用案例
5.5.1 客戶語音識別案例
5.5.2 人臉識別案例
6 人工智能的應用 1 ：人機對弈，ALPHA 狗 原理
6.1 ALPHA 狗算法可以應用于哪些領域？（供應鏈等）
6.2 人類還能戰(zhàn)勝 ALPHA 狗嗎？
6.3 【例】 ALPHA 狗原理
7 人工智能的應用 2 ：模式識別：谷歌的圖 像識別原理
7.1 圖像識別的技術原理
7.2 【例】谷歌圖像識別的實際案例分享
7.3 【例】谷歌無人汽車的原理
8 人工智能的應用 3 ：語音識別算法
8.1 語音識別的技術原理
8.2 語音識別的關鍵內容
8.3 聊天機器人的原理
8.4 智能客服的應用領域
8.5 【例】智能客服應用舉例
9 人工智能的關鍵點
9.1 數(shù)據(jù)重要還是算法重要？
9.2 如何收集非結構化數(shù)據(jù)？
9.3 應用的最后一公里問題
9.4 人工智能應用步驟規(guī)劃
9.5 如何借助他人的“肩膀 ” ？
10 總結

段方老師的其它課程