人工智能算法详解

人工智能技术详解

【课程内容】

本课程包含大数据、机器学习、深度学习、知识图谱、强化学习与深度强化学习的相关知识。

【课程时长】

7天（7小时/天）

【课程对象】

理工科本科及以上，且至少了解一门编程语言。

【课程大纲】（培训内容可根据客户需求调整）

时间

内容

案例实践与练习

Day1上午

准备工作

准备工作

1.概念与术语

2.Python（Anaconda）的安装

3.Pycharm的安装与使用

4.Jupyter Notebook的安装与使用

5.Tensorflow与pytorch的安装

6.Opencv、Sklearn工具包的运用

贪婪决策过程

1.熵与熵减过程

2.贪婪法

3.ID3与C4.5

4.其他改进方法

5.决策树剪枝

案例实践：

1.Anaconda安装

2.Pip install的技巧

3.Tensorflow-GPU的安装

4.pytorch的安装

5.Jupyter Notebook的使用

6.Opencv的基本例子

Day1下午

经典模型

经典无监督学习

1.监督学习与无监督学习

2.K-means

3.k-medoids

4.判断最优分组个数的调参方法

5.基于层次、密度、网格的方法

BP神经网络

1.人工神经元及感知机模型

2.Sigmoid激活函数

3.前向神经网络的架构

4.梯度下降

5.误差反向传播详解

性能评价指标

1.精确率；

2.P、R与F1

3.ROC与AUC

4.对数损失

5.泛化性能评价：k折验证验证

案例实践：

1.验证：K-means是不稳定的

2.手肘法分析NBA球队的档次

3.绘制ROC并计算AUC

4.手算神经网络BP算法

5.只用numpy，手推BPNN

Day2上午

进阶模型

支持向量机

1.“双螺旋”问题

2.基本模型与惩罚项

3.求解对偶问题

4.核函数：映射到高维

5.从二分类到多分类

6.用于连续值预测的支持向量机

集成学习

1.集成学习的思路

2.bagging与boosting

3.随机森林

4.GBDT

5.XGboost

6.最新的集成学习算法

案例实践：

1.SVM实现人脸识别应用

2.通过深度BP网络实现手写数字的识别

3.皮马印第安人糖尿病风险

4.Xgboost、GBDT等方法的比较

Day2下午

深度学习初步

深度学习基础知识

1.连接主义的兴衰

2.深度学习与NN的区别与联系

3.目标函数与激励函数

4.学习步长

5.权重初始化

6.权重衰减（Weight Decay）

7.各种梯度下降的方法

8.避免过适应

卷积神经网络CNN

1.CNN概述

2.AlexNet与ZF-Net

3.VGG（5层变为5组）

4.迁移学习

5.GoogLenet和Inception模块

6.模型退化与ResNet

案例实践：

1.各种梯度下降方法的实战效果

2.VGG各层的可视化展现

3.迁移学习：猫狗大战

4.Resnet用于分类

Day3上午

目标检测

二阶段目标检测

1.目标检测任务介绍

2.R-CNN

3.SPPNET（全图卷积、SPP层）

4.Fast-RCNN（多任务）

5.Faster-RCNN（RPN）

一阶段目标检测

1.YOLO-v1（一切都是回归）

2.YOLO-v2（9000个分类）

3.YOLO-v3（多尺度）

4.YOLO-v4

5.YOLO-v5

案例实践：

1.基于Faster-RCNN的通用目标检测

2.改造成“血细胞识别”系统

3.基于YOLO v3的通用目标快速检测

Day3下午

图谱技术准备-I

循环神经网络

RNN基本原理

LSTM、GRU

双向循环神经网络

编码器与解码器结构

seq2seq模型

Attention

词向量初步

1.Word2Vec:CBOW

2.Word2Vec:skip-gram

3.Hierachical Softmax

4.Negative Sampling

5.其他词向量技术

案例实践：

1.RNN的基础实践

2.股票交易数据的预测

3.《绝代双骄》人物关系分析

Day4上午

图谱技术准备-II

隐马尔科夫模型

1.HMM形式化定义

2.向前向后算法解评估问题

3.Viterbi算法处理解码问题

4.鲍姆韦尔奇算法解学习问题

条件随机场

产生式模型与判别式模型

最大熵原理

MRF（马尔科夫随机场）

最大团与势函数

线性链条件随机场

案例实践：

1.出现这种情况可能吗？

2.今天身体怎么样?

3.DenseCRF获得精细的轮廓

Day4下午

知识图谱基础

知识图谱基础

1.知识图谱基本概念

2.知识图谱的发展史

3.实体的属性与关系

4.知识图谱的相关技术介绍

5.典型应用案例

词向量进阶（Transformer）

1.所有你需要的仅仅是“注意力”

2.Transformer中的block

3.自注意力机制

4.多头注意力

5.位置编码（抛弃RNN）

6.Batch Norm与Layer Norm

7.解码器的构造

案例实践：

1.Neo4j工具的使用

2.知识图谱项目展示

3.Transformer实现的机器翻译

Day5上午

知识图谱进阶

知识抽取

1.实体抽取

2.关系抽取

3.事件抽取

4.知识抽取及其相关工具

5.实体消歧与链接

6.知识规则挖掘

7.知识图谱表示学习

基于知识图谱的问答

1.知识问答技术概述

2.知识问答系统简史

3.知识问答的评测数据集

4.KBQA基本概念及挑战

5.知识问答主流方法介绍

案例实践：

1.实体关系抽取案例

2.基于图谱的领域问答

Day5下午

强化学习

强化学习初步

1.agent的属性

2.马尔科夫奖励/决策过程

3.exploration and exploitation

4.状态行为值函数

5.Bellman期望方程

6.最优策略

强化学习经典方法

1.策略迭代与价值迭代

2.动态规划法：DP

3.蒙特卡洛法：MC

4.时序差分法：TD

5.DP、MC、TD的关系

案例实践：

1.财宝在右

2.格子世界

3.谷底的小车

4.倒立摆

Day6上午

深度强化学习

深度强化学习（DQN）

1.值函数的参数化表示

2.值函数的估计过程

3.基础的DQN 方法

4.Double DQN

5.Prioritized Replay

6.Dueling Network

深度强化学习（PG）

1.策略梯度方法介绍

2.常见的策略表示

3.减小方差的方法

4.引入基函数与修改估计值函数

案例实践：

1.自我进化的井字棋

2.笨鸟先飞：DQN

Day6下午

深度强化学习

AlphaGo

1.围棋AI的难点

2.MCTS

3.策略网络

4.价值网络

5.Alpha Go的完整架构

6.Alpha Go zero

Actor-Critic算法

1.随机策略与确定性策略比较

2.随机策略AC的方法

3.确定性策略梯度方法

4.DDPG 方法及实现

5.A3C方法

案例实践：

1.山寨版alpha go

2.Actor-Critic的应用场景

Day7上午

大数据技术

大数据技术综述

1.从数据库，数据仓库到大数据

2.大数据的6V特征

3.Hadoop生态圈简介

4.Spark生态圈简介

5.搜索引擎：ES

hadoop

1.文件系统：HDFS

2.计算框架Map-Reduce

3.数据库Hbase

4.数据仓库Hive

5.数据迁移：sqoop

案例实践：

1.Hadoop集群的操作

2.Hbase的操作

Day7下午

大数据及其他

Spark

1.scala

2.RDD

3.数据库操作：spark-SQL

4.流操作：spark-Streaming

GAN

1.生成对抗网络（GAN）

2.KL散度与JS散度

3.改进的GAN：DCGAN

4.Wasserstein GAN

案例实践：

1.spark集群的演示

2.计算机想象的数字

3.特朗普的孩子？