主题 |
内容
|
1
赋予计算机学习数据的能力 |
1.1构建智能机器将数据转化为知识
1.2机器学习的三种不同方法
a 通过监督学习对未来事件进行预测
b 通过强化学习解决交互式问题
c 通过无监督学习发现数据本身潜在的结构
1.3基本术语及符号介绍
1.4构建机器学习系统的蓝图
a 数据预处理
b 选择预测模型类型并进行训练
c模型验证与使用未知数据进行预测
|
2.
深度学习概要 |
- 什么是深度学习
- 与机器学习的异同
- 神经网络和深度学习
|
3.
多层感知器模型 Multi-Layer Perceptron – MLP |
- 神经元 权重和激活 Neurons Weight 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 |
4.
卷积神经网络 Convolutional Neural Network |
- CNN 原理和构造：
- 核 Filter 和卷积运算 Convolutional Layer
- 特征图 Feature Maps
- 池化层 Pooling
- 全连接层 Full Connected Layer |
5.
循环神经网络 Recurrent Neural Networks |
- RNN 原理
- 处理序列（Sequence）数据的神经网络
- 循环神经网 RNN 架构
- RNN训练：如何在训练中获得稳定的梯度下降
- RNN 网络演化历史：RNN，LSTM，GRU 结构比较和分析 |
6.
当前应用 |
6.1 金融业：
- 征信与反欺诈
- 定价
6.2图形图像：
- 人脸识别
- 视频识别
- 自动图像描述
6.3自然语言理解
- 情感分类
- 用户意图识别
- 机器翻译
- 阅读理解 和 自动 QA
6.4体育
- 球员训练
- 球队组建
6.5 医疗
- 医疗影像识别
a糖尿病病变鉴别
b心血管核磁共振界别
c 读心术
- 病例辅助判定
- 药物试验
6.6安防
- 犯罪率预测
- 寻人
6.7社交
- 婚恋匹配
- 舆情分析
6.8城市管理建设
- 拥堵预测
- 房价预测 |
7.
未来发展方向 |
7.1计算能力的发展
- CPU / GPU / TPU
7.2 模型算法的发展
- 生成对抗网络 GAN: Generative Adversarial Network
- 迁移学习
- 感知：状态、情感、逻辑
7.3应用的发展
- 智能家居和穿戴智能 |
