本培训侧重于使用深度学习技术,进行图像,语音,自然语言处理三部分内容,通过实践与理论并重,通过理论讲解,算法阐述,算法适用场景,实例分析和编码实践,以及对最新的人工智能算法的趋势和热点的分析和介绍,使学员不仅掌握机器学习,人工智能领域常用算法,而且可以在实战中应用机器学习人工智能解决*中的实际问题,从而帮助企业在人工智能时代拔得头筹占得先机。
了解基本统计知识,具备初步的IT基础知识和基本数学理论,可使用python,Scala编程
1、人工智能和机器学习概述
人工智能发展史
应用场景概述:如图像识别,文本分析,推荐系统
最近成果概述:如强化学习,生成式对抗网络,基于低能量的网络,one-shot leaning
软件框架概述,如sparkML,sklean,tensorflow,caffe,Theano
2、图像识别技术--卷积神经网络CNN
卷积神经网络历史
卷积层介绍
池化层
全连接层
DropOut正则化
3、使用CNN进行语音识别
语音与稀疏编码
CNN算法在语音识别领域的应用
4、传统的自然语言处理技术
NLP应用概述
如何表达语法和语义
wordnet与语言模型
N-gram项目
传统语言模型的不足
用RNN神经网络来实现语言模型
5、自然语言处理--循环神经网络RNN
RNN应用概述
时间序列LSTM模型
自然语言处理基础
双向RNN与深度RNN
RNN实现案例
word2vec network
6、图像识别案例
1)方案介绍
案例介绍:业务功能和技术架构介绍
AI算法和模型的选择:各种神经网络算法的比较
技术实现方案的选择:开源深度学习框架的比较,TensorFlow,Caffe,
技术实现方案的选择:商业方案的概括介绍
2)项目推进的阶段:
数据准备阶段:常用数据集介绍,数据集的大小,特征的选择
模型训练阶段:超参的选择,模型的调优,过拟合问题,
预测阶段:模型的评价
7、语音识别案例
1)方案介绍
案例介绍:系统的业务功能和技术架构
语音识别算法介绍:各种神经网络算法的比较
商用方案简介:科大讯飞语音识别系统
2)项目阶段:
数据准备阶段:常用数据集介绍,数据集的大小,特征的选择
模型训练阶段:超参的选择,模型的调优,过拟合问题,
预测阶段:模型的评价
8、自然语言处理案例-聊天机器人
1)方案介绍
案例介绍:聊天机器人的使用场景
使用算法和技术介绍:分词,RNN-LSTM
2)项目阶段:
数据准备阶段:准备语料,分词的方案选择,分词组件的选择
模型训练阶段:超参的选择,模型的调优,过拟合问题
预测阶段:模型的评价和测试
9、其他热门深度学习算法
GAN对抗生成网络
强化学习概述
Transfer Learning