人工智能（含機(jī)器學(xué)習(xí)）及其在電信領(lǐng)域應(yīng)用

=============================================================
《人工智能（含機(jī)器學(xué)習(xí)）及其在電信領(lǐng)域應(yīng)用》
-段方
某世界 100 強(qiáng)企業(yè)大數(shù)據(jù)/AI 總設(shè)計師 教授、北京大學(xué)博士后
=============================================================
193040787401 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(diǎn)
1.2.1 AI 的各種定義
1.2.2 AI 的特點(diǎn)
1.3 AI 的發(fā)展歷史
1.3.1
1.3.2
1.3.3
1.3.4
史前期 形成期 蕭條期 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
1.4.3
1.4.4
1.4.5
機(jī)器感知 機(jī)器學(xué)習(xí) 機(jī)器思維 機(jī)器行為
1.5 硬件的進(jìn)步
1.5.1 GPU 的發(fā)展
1.5.2 FPGA 的應(yīng)用
1.5.3 ASIC 芯片崛起
1.5.4 物聯(lián)網(wǎng)的進(jìn)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(yuǎn)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(jìn)展有何局限？
1.7.2 人工智能會替代人嗎?
1.8 人工智能助力 5G 產(chǎn)業(yè)互聯(lián)網(wǎng)
1.8.1 5G 豐富物聯(lián)網(wǎng)數(shù)據(jù)
1.8.2 產(chǎn)業(yè)互聯(lián)網(wǎng)與消費(fèi)互聯(lián)網(wǎng)的異同
1.8.3 產(chǎn)業(yè)互聯(lián)到產(chǎn)業(yè)智能
1.9 【案例】
1.9.1 《人工智能在電信領(lǐng)域中的應(yīng)用》
133351162052 智能運(yùn)維（AIOPS)基礎(chǔ)
-------------------------------------------------------------
2.1 智能運(yùn)維基礎(chǔ)
2.1.1 概念
2.1.2 發(fā)展情況
2.1.3 系統(tǒng)健康度
2.1.4 能力成熟度模型
2.1.5 AIOPS 分析
2.2 智能運(yùn)維體系架構(gòu)
2.2.1 體系架構(gòu)
2.2.2 智能故障診斷
2.2.3 數(shù)據(jù)架構(gòu)
2.2.4 物理架構(gòu)
2.2.5 數(shù)據(jù)安全設(shè)計
2.2.6 平臺自監(jiān)控
2.3 智能運(yùn)維數(shù)據(jù)采集
2.3.1 運(yùn)維數(shù)據(jù)種類
2.3.2 運(yùn)維數(shù)據(jù)采集
HYPERLINK "2.3.2.1" 2.3.2.1 采集框架 HYPERLINK "2.3.2.2" 2.3.2.2 采集流程
HYPERLINK "2.3.2.3" 2.3.2.3 采集模式等
2.3.3 數(shù)據(jù)處理 HYPERLINK "2.3.3.1" 2.3.3.1 緩存
HYPERLINK "2.3.3.2" 2.3.3.2 處理 HYPERLINK "2.3.3.3" 2.3.3.3 存儲
2.4 智能算法模型
2.4.1 無監(jiān)督異常檢測算法
2.4.2 異常根因定位
2.4.3 知識圖譜
2.4.4 自然語言理解
2.4.5 單指標(biāo)異常檢測
2.4.6 多指標(biāo)異常檢測
2.5 智能運(yùn)維應(yīng)用
2.5.1 故障預(yù)測
2.5.2 故障診斷
2.5.3 故障修復(fù)
2.5.4 日志數(shù)據(jù)分析
2.5.5 指標(biāo)的關(guān)聯(lián)分析
2.6 智能運(yùn)維新技術(shù)
2.6.1
巡檢機(jī)器人
2.6.2
數(shù)據(jù)孿生
2.6.3
低代碼技術(shù)
2.7 運(yùn)營商自動駕駛網(wǎng)絡(luò)
2.7.1 TMF 自動駕駛網(wǎng)絡(luò)框架
2.7.2 某運(yùn)營商能力分級指標(biāo)
2.7.3 某運(yùn)營商自動駕駛網(wǎng)絡(luò)框架
2.8 【案例】附件——PAAS（華為、阿里等）智能運(yùn)維案例
133351168403 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)？ HYPERLINK "3.1.1.1" 3.1.1.1 引出
HYPERLINK "3.1.1.2" 3.1.1.2 與淺層學(xué)習(xí)（單層網(wǎng)絡(luò)）的區(qū)別 HYPERLINK "3.1.1.3" 3.1.1.3 原因
3.1.2 什么是“無監(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)學(xué)習(xí)
3.2.1 概念
HYPERLINK "3.2.1.1" 3.2.1.1 腦神經(jīng)元分析
HYPERLINK "3.2.1.2" 3.2.1.2 視覺識別過程
3.2.2 原理
HYPERLINK "3.2.2.1" 3.2.2.1 神經(jīng)網(wǎng)絡(luò)算法原理
HYPERLINK "3.2.2.2" 3.2.2.2 BP 網(wǎng)絡(luò)
3.3 深度學(xué)習(xí)介紹
3.3.1 多層神經(jīng)網(wǎng)絡(luò)
HYPERLINK "3.3.1.1" 3.3.1.1 梯度下降的概念
HYPERLINK "3.3.1.2" 3.3.1.2 層越多越好嗎？
3.3.2 深度學(xué)習(xí)的弱點(diǎn)
HYPERLINK "3.3.2.1" 3.3.2.1 從視覺原理起步
HYPERLINK "3.3.2.2" 3.3.2.2 如何擴(kuò)展到企業(yè)應(yīng)用？
3.4 深度學(xué)習(xí)原理
3.4.1 從單層神經(jīng)網(wǎng)絡(luò)到多層神經(jīng)網(wǎng)絡(luò)
3.4.2 深度學(xué)習(xí)的訓(xùn)練過程
3.4.3 深度學(xué)習(xí)的具體模型及方法
3.4.4 深度學(xué)習(xí)的性能比較
3.4.5 深度學(xué)習(xí)的應(yīng)用
3.5 深度學(xué)習(xí)的意義
3.5.1 改變了傳統(tǒng)人工智能的哪些思維定式？
3.5.2 深度學(xué)習(xí)的無監(jiān)督學(xué)習(xí)
3.6 深度學(xué)習(xí)的算法
3.6.1 （多層）感知機(jī)
3.6.2 深度神經(jīng)網(wǎng)絡(luò)（DNN）
3.6.3 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
3.6.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
3.6.5 長短期記憶網(wǎng)絡(luò)（LSTM）
3.7 強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)
3.7.1 強(qiáng)化學(xué)習(xí)的概念和特點(diǎn)
3.7.2 遷移學(xué)習(xí)的概念和特點(diǎn)
3.8 人工智能的學(xué)習(xí)框架
3.8.1 開源的概念
3.8.2 學(xué)習(xí)框架的歷程
3.8.3 caffe 等學(xué)習(xí)框架介紹
3.9 TensorFlow 框架內(nèi)容
3.9.1 編程模型簡介
3.9.2 自編碼器介紹
3.9.3 多層感知機(jī)介紹
3.10 【案例】附件——某企業(yè)人臉識別案例
133351162054 人工智能在電信行業(yè)應(yīng)用場景
-------------------------------------------------------------
4.1 概述
4.1.1 企業(yè)如何提升“智能 ”
4.1.2 應(yīng)用驅(qū)動 or 算法驅(qū)動？
4.1.3 應(yīng)用的場景探索
4.2 智慧營業(yè)廳
4.2.1 人臉識別
4.2.2 智能推薦
4.2.3 客戶軌跡分析
4.2.4 服務(wù)質(zhì)量評估
4.3 智慧管理
4.3.1 業(yè)務(wù)異常監(jiān)控
4.3.2 基站資產(chǎn)稽核
4.3.3 會議語音轉(zhuǎn)寫記錄
4.3.4 態(tài)勢感知
4.4 智慧稽核
4.4.1 人證比對
4.4.2 簽名識別
4.4.3 異常操作識別
4.5 智慧運(yùn)維
4.5.1 CPU 資源預(yù)測分析
4.5.2 磁盤故障分析
4.5.3 智慧能源分析
4.6 語音 UI 導(dǎo)航
4.6.1
語音識別
4.6.2
語義理解
4.6.3
智能檢索
4.6.4
語音播報
4.7 智慧客服
4.7.1 客戶聲紋識別
4.7.2 問題識別
4.7.3 問題歸類及派單
4.7.4 事后滿意度調(diào)查
4.8 AI 應(yīng)用初探
4.8.1 成果如何評估？
4.8.2 讓 AI 飛一會兒
4.8.3 AI 人才隊伍如何構(gòu)建？
4.9 【思考】企業(yè)人工智能應(yīng)用的領(lǐng)域還有哪些？
133351314455 人工智能/機(jī)器學(xué)習(xí)應(yīng)用開發(fā)方法
-------------------------------------------------------------
5.1 CRISP-DM（CRoss-Industry Standard Process for Data Mining）方法論
5.2 業(yè)務(wù)理解 （Business Understanding）
5.3 數(shù)據(jù)理解 （Data Understanding）
5.4 數(shù)據(jù)準(zhǔn)備 （Data Preparation）
5.5 建模（Modeling）
5.6 評估（Evaluation）
5.7 部署 （Deployment）
5.8 數(shù)據(jù)挖掘之外的方法論
5.9 深度學(xué)習(xí)的方法論有何異同？
5.10 深度學(xué)習(xí)基礎(chǔ)
5.10.1 深度學(xué)習(xí)的概念和特點(diǎn)
5.10.2 深度學(xué)習(xí)的意義
5.10.3 深度學(xué)習(xí)的應(yīng)用領(lǐng)域
5.11 【示例】附件——某企業(yè)機(jī)器學(xué)習(xí)案例集
133351314456 人工智能/機(jī)器學(xué)習(xí)案例
-------------------------------------------------------------
6.1 【案例】人工智能用于網(wǎng)絡(luò)分析的案例（預(yù)測類、監(jiān)督類、運(yùn)營類等）
6.2 【案例】 日志審計類案例
6.3 【案例】智慧機(jī)房（廠房）監(jiān)控深度學(xué)習(xí)案例
6.4 其它案例
13335774707 總結(jié)
-------------------------------------------------------------

段方老師的其它課程