北京人工智能实战进阶加深

师资：

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。

培训内容：

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 优分类面和支持向量机

2.1 什么是优分类面

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