尹立庆:AI人工智能技术及应用（2天）

课程简介

人工智能(Artificial Intelligence),英文缩写为AI。它是研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大。

人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识、心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习、计算机视觉、神经网络等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

随着人工智能时代的快速到来,以及人工智能在生产生活中迅速应用,数据分析、数据建模、数据挖掘、机器学习、深度学习、ChatGPT、人工智能等重要性越发突出,本课程是针对人工智能时代的特点,尹老师总结多年数据分析经验,而精心设计的课程,课程内容涵盖了数据领域的数据处理、统计分析、数据挖掘、机器学习、神经网络、深度学习、ChatGPT、人工智能等内容,以及人工智能的应用范围、发展前景剖析。

培训目标

人工智能基础知识、人工智能技术及其体系;

人工智能的问题求解及技术实现、人工智能的学习方式;

人工智能行业应用与发展。AI在企业经营这块的实操应用,主要是关于采购价格、应收款坏账预警、价格预测等等利用人工智能 给出分析决策;

主流人工智能实验平台部署;

人工智能机器学习的算法模型的应用实践

培训对象：

即将投身于人工智能、机器学习、数据挖掘领域的企业或者个人;

系统架构师、系统分析师、高级程序员、资深开发人员;

政府机关,金融保险、移动互联网、能源行业等人工智能相关人员;

高校、科研院所统计分析研究员,涉及到人工智能的人员;

培训方式：

以课堂讲解、演示、案例分析为主,辅以互动研讨、现场答疑、学以致用。

课程安排

课程时间:2天(6个小时)

课程内容

时间　内容　备注

第一天　人工智能概述(介绍人工智能的渊源及范围)(90分钟) 人工智能应用场景:ChatGPT大语言模型 人工智能应用场景:AlphaGo围棋对弈 人工智能的历史 大语言模型标志着第四次工业的开始 人工智能的概括 人工智能学习、推理、感知、理解语言 什么是人工智能 人工智能的概念 人工智能的基础 智能涌现 人工智能的应用领域 人工智能发展水平及趋势 人工智能当前发展水平 人工智能未来趋势预测 人工智能发展的最终目标 人工智能的国际主要流派和发展路线 人工智能的国内研究情况 弱人工智能 强人工智能 机器学习介绍 深度学习介绍 神经网络介绍 大语言模型LLM介绍 案例场景:大语言模型应用案例分享 案例场景:人工智能在自然语言处理中应用案例分享 深度学习(介绍深度学习的相关知识)(30分钟) 深度学习介绍 深度学习概念 深度学习特征 深度学习基本思想 浅层学习与深度学习 深度学习与神经网络 深度学习的训练过程 深度学习的常用模型 深度学习的应用 基于人脸特征的员工识别系统 开源深度学习框架介绍 Pytorch深度学习框架 TensorFlow深度学习框架 使用方法介绍 深度学习在物体识别中应用场景剖析 深度学习在数字手写体识别中应用的典型案例 机器学习(介绍机器学习概念为深度学习奠定基础)(120分钟) 机器学习能学习什么? 机器学习是如何学习的? 从哪里学习? 学习的目的是什么? 学习的方法是什么? 监督式学习 非监督式学习 半监督式学习 强化学习 训练集、测试集与验证集 模型评分 损失函数 最小二乘法 梯度下降 极大似然 激活函数 S型曲线 反正切 relu 阶跃 二元分类器 多元分类器 Softmax 求导 求偏导 链式求导 机器学习的过程 收集数据 预处理数据 探知数据 分析数据 选择模型 训练模型 评估模型 发布模型 实践应用案例:尹立庆老师准确预测阿里双11销售额 人工神经网络实战(介绍人工神经网络的基础知识与实战)(60分钟) 人工智能介绍 神经网络介绍 神经网络概念 神经网络发展历史 神经网络的别名 神经网络研究的主要内容 神经网络基本构成 神经网络模拟人的智能行为的四个方面 神经网络的特点 学习能力 适应性问题 神经网络基本网络模型 单层网络 多层网络 循环网络 基本网络结构特点 典型训练算法 运行方式 典型问题解决方法 感知机 线性神经网络 BP神经网络 RBF网络 竞争网络 反馈神经网络 随机神经网络 遗传算法 PSO与神经网络优化 实践应用案例:深度学习在数字手写体识别中应用的典型案例

时间　内容　备注

第二天　深度神经网络(DNN)模型(介绍DNN的基础知识、概念、发展历史以及将来趋势)(120分钟) 深度学习概要 什么是深度学习与与机器学习的异同 多层感知器模型Multi-Layer Perceptron–MLP 神经元权重和激活 NeuronsWeight Activation 神经元网络Neuron Networks 训练网络Training Networks Back-propagation 算法和计算图 多种自适应学习率算法 Adaptive Learning Rate 用 Keras 搭建 MLP 载入数据 定义-编译-训练-测试模型 案例实践与练习:数字手写体识别 卷积神经网络(CNN)在图像识别中的应用与算法(介绍卷积神经网络(CNN)的基础理论知识、概念、发展历史以及将来趋势,并详细剖析总卷积神经网络在图像识别中的应用)(120分钟) 什么是卷积神经网络CNN (Convolutional Neural Network) 卷积神经网络(CNN) 早期针对视觉的层次特征建模 卷积神经网络:对象识别 卷积神经网络概述 AlphaGo 卷积神经网络应用 Robot learns manipulation actions by watching videos CNN历史 ConvNet CIFAR-10 Convolutional Neural Network 首层全连接导致网络参数过多 一些模式比图像要小得多 类似的模式出现在图像的不同区域 二次采样像素不会改变对象 Filtering Convolution Convolution layer Pooling Pooling layer Normalization Rectified Linear Units (ReLUs) ReLU layer Fully connected layer CNN 是在空间上权值共享的网络 Convolution Filter 滤波器 Color Channels RGB输入图像 CNN架构与术语 Stride 与 Padding CNN参数计算 链式求导 无池化层的CNN Max Pooling 与 Down Sampling Overview of CNN Visualizing ConvNet (ImageNet) FC Layer 全联接层 Cost Function (Cross Entropy) BP Revisit Dropout Regularization Convolution Layer with TensorFlow Max Pooling Inception Module 残差学习单元 TF DNN Code 卷积神经网络在图像识别中的实践案例 Save保存读取 深度学习、神经网络开源框架介绍(介绍深度学习、神经网络开源的典型框架)(30分钟) 开源深度学习框架介绍 Caffe深度学习框架 TensorFlow深度学习框架 Caffe安装部署 案例:Caffe使用介绍 Caffe使用调试 Caffe配置文件prototxt的编写 Caffe的使用案例分享: 图书馆人流量监控系统 基于人脸特征的员工识别系统 TensorFlow安装部署 案例:TensorFlow使用介绍 TensorFlow使用调试 深度学习开源框架TensorFlow部署(介绍深度学习开源框架TensorFlow)(30分钟) 为什么需要TensorFlow 什么是TensorFlow TensorFlow概述 TensorFlow的特征 什么是数据流图(Data Flow Graph)? TensorFlow的应用场景介绍 人工智能 深度学习 神经网络 卷积神经网络 递归神经网络 TensorFlow概念 计算图 张量 变量 取回 供给 TensorFlow基础架构 TensorFlow运行机制 深度学习开源框架Keras部署(介绍深度学习开源框架Keras)(30分钟) 开源深度学习框架介绍 Keras深度学习框架 Keras安装部署 案例:Keras使用介绍 Keras使用调试 深度学习开源框架Keras(介绍深度学习开源框Keras)(30分钟) Keras介绍 Keras部署 Sequential 顺序模型指引 函数式 API 指引 FAQ 常见问题解答 模型 关于 Keras 模型 Sequential 顺序模型 API 函数式 API Layers 关于 Keras 网络层 核心网络层 卷积层 Convolutional 池化层 Pooling 局部连接层 Locally-connected 循环层 Recurrent 嵌入层 Embedding 融合层 Merge 高级激活层 Advanced Activations 标准化层 Normalization 噪声层 Noise 层封装器 wrappers 编写你自己的层 数据预处理 序列预处理 文本预处理 图像预处理 损失函数 Losses 评估标准 Metrics 优化器 Optimizers 激活函数 Activations 回调函数 Callbacks 常用数据集 Datasets 预训练模型 Applications 后端 Backend 初始化 Initializers 正则化 Regularizers 约束 Constraints 可视化 Visualization Scikit-learn API

授课老师

尹立庆老师的课程大纲