课程定位

结合机器学习与深度学习理论、算法要点和识别应用的技术培训。

学习收获

• 深入学习人工智能的理论与核心方法。
• 把理论与实际项目联系起来。
• 理解人工智能应用场景与发展方向。
• 开展技术交流和讨论。

课程特色

• 结合车牌识别、医疗系统、表情与流量预测、围棋、图像识别及自然语言处理案例。

课程模块

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

• 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

适合人群

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、图像处理、机器学习、模式识别工程师及拟从事AI研发的技术人员。

师资信息

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。

课程咨询与报名

了解本期课程安排、师资及报名事项，请联系新中华学习网：400-061-6586，也可使用本页下方的报名咨询表。具体开课安排以正式通知为准。

温馨提示：本文内容根据课程内容整理，各模块实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。