课程定位

以理论和完整案例提升人工智能研发实践能力。

学习收获

• 1、深层次掌握人工智能理论，寻求人工智能研发的突破口，探知核心的秘密。
• 2、理论应用于实际项目，不只是了解，更在于掌握。
• 3、以实践为导向，萃取案例精化，加深理论知识，提高研发能力。
• 4、把握人工智能的新应用，理解人工智能领域发展趋势。
• 5、一个交流探讨的高级别平台。

课程特色

• 培训要点
• 随着国家在人工智能领域的战略布局，人工智能已经应用于各个方面：专家系统、自动推理、图像识别、模式识别、语音识别、自然语言理解、指纹识别、人脸识别、无人驾驶、推荐系统、社交网络、计算机视觉、智能机器人等。但是，有没有一种方法能迅速把握精髓，从而更快的进入人工智能的广阔天地呢？
• 本次培训采用深入理论+浅出实践，实战进阶加深相结合的模式，在理论上，精选最关键最重要的理论，为进一步获取相关知识打下基础。在实践上，精选目前比较有启发性的案例并进行加深，既帮助我们理解理论，更能帮助我们开阔思路，为研发相关领域的人工智能系统，提供一条思考脉络。

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

第十一讲 机器学习项目进阶加深：实现与改进

• 1，支持向量机实现车牌识别：案例实现与分析改进
• 车牌数据预处理以及要注意的问题
• 特征提取及特征选择
• 单特征识别模型搭建
• 特征融合实现、改进及注意的问题
• 实现车牌识别全流程自动化的关键改进
• 2，决策树实现银行客户贷款风险预测：案例实现与分析改进
• 决策树的模型搭建
• 如何选择决策树的分裂属性以及深层次思考
• 如何根据测试结果进行决策树的优化
• 决策树中的剪枝实现
• 随机森林的实现及注意事项
• 3，讨论互动：学员提出问题并进行相互讨论
• 4，案例总结：萃取案例中的经验并进行推广应用

第十二讲 深度学习项目进阶加深：实现与改进

• 1，卷积神经网络实现人脸识别：案例实现与分析改进
• 网络搭建
• 如何根据结果进行网络结构调整（逐步讲解与分析）
• 如何根据结果进行参数调整（逐步讲解与分析）
• 最终的参数如何确定（不在是混乱尝试，而是深层次理解参数的含义）
• 2，卷积神经网络实现手写体识别：案例实现与分析改进
• 网络搭建（注意与人脸识别案例的对比）
• 如何根据结果进行网络结构调整（注意与人脸识别案例的对比）
• 如何根据结果进行参数调整（注意与人脸识别案例的对比）
• 最终的参数如何确定（注意与人脸识别案例的对比）
• 3，循环神经网络实现客户评价分类：案例实现与分析改进
• 网络搭建
• 如何根据结果进行网络结构调整
• 如何根据结果进行参数调整
• 最终的参数如何确定
• 4，讨论互动：学员提出问题并进行相互讨论
• 5，案例总结：萃取案例中的经验并进行推广应用

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、人工智能工程师、图像处理工程师、机器学习工程师、模式识别工程师以及未来可能从事人工智能研发的技术人员

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。