课程概览
F1
课程大纲
第一天：
人工智能
概念与经典算法
人工智能概念综述（第一天——1）
- 1、从一些术语辨析人工智能
- 2、人工智能之连接主义的兴衰史
3、这次AI的热潮是怎么来的？
图像处理领域的最新热点（第一天——2）
- 1、分类、目标检测与实例分割
- 2、风格迁移
- 3、自动驾驶
- 4、人体姿态识别
5、超分辨率图像生成
语言处理领域的最新热点（第一天——3）
- 1、Attention机制
- 2、自动构建知识图谱
- 3、看图说话
4、预训练机制
三大经典算法（第一天——4）
- 7、决策树算法
- 8、决策树案例：手术后驼背的发生概率
- 9、聚类算法
- 10、聚类案例：鸢尾花数据的聚类
- 11、关联规则算法
12、关联规则案例：超市购物篮分析
性能评价指标（第一天——5）
10、准确率；
精确率、召回率；
F1
- 11、真阳性率、假阳性率
- 12、混淆矩阵
- 13、ROC与AUC
- 14、案例：绘制ROC并计算AUC、F1
- 15、对数损失
- 16、Kappa系数
- 17、回归：平均绝对误差、平均平方误差
- 18、案例：绘制拟合曲线，计算拟合优度
- 19、聚类：兰德指数、互信息
11、k折验证
BP神经网络 （第一天——6）
- 6、人工神经元及感知机模型
- 7、前向神经网络
- 8、sigmoid
- 9、梯度下降
- 10、误差反向传播
11、BP神经网络案例：可手算的神经网络
支持向量机 （第一天——7）
- 6、统计学习问题
- 7、支持向量机
- 8、核函数
- 9、多分类的支持向量机
- 10、用于连续值预测的支持向量机
11、SVM案例： iris的三个分类
第二天：机器学习进阶与深度学习初步
隐马尔科夫模型（第二天——1）
- 7、马尔科夫过程
- 8、隐马尔科夫模型
- 9、三个基本问题（评估、解码、学习）
- 10、前向-后向算法
- 11、Viterbi算法
12、Baum-Welch算法
集成学习（第二天——2）
- 4、bagging
- 5、adaboost
- 6、随机森林
7、GBDT
深度学习初步（第二天——3）
- 1、深度学习与神经网络的区别与联系
- 2、目标函数
- 3、激励函数
- 4、学习步长
- 5、Adagrad\RMSprop\Adam
6、避免过适应
用于分类的CNN（第二天——4）
- 5、分类典型应用场景（imageNet数据集）
- 6、Alexnet（开山之作）
- 7、VGG（5层变为5组）
- 8、GoogLenet（还在试验各种架构的组合吗？）
9、Resnet（还可以再“深”下去）
用于目标检测的CNN（第二天——5）
- 1、CNN目标检测典型应用场景
- 2、RCNN（两个头的网络）
3、Fast/faster RCNN（又快又好）
第三天：深度学习与强化学习
RNN（第三天——1）
- 1、基本RNN
- 2、LSTM（三个门）
3、GRU（减为两个门）
GAN（第三天——2）
- 1、基本的生成对抗网络
- 2、DCGAN（技巧的胜利）
3、Wassertein GAN（理论的胜利）
强化学习（第三天——3）
- 7、agent的属性
- 8、exploration and exploitation
- 9、Bellman期望方程
- 10、最优策略
- 11、策略迭代与价值迭代
12、Q学习算法
深度强化学习案例：教电脑玩“flappy bird”（第三天——4）
- 1、DQN详解
2、Flappy Bird 游戏
深度强化学习案例：AlphaGo详解（第三天——5）
- 1、蒙特卡罗决策树
- 2、策略网络
- 3、价值网络
- 4、Alpha Go的完整体系