《電信行業(yè)人工智能技術(shù)及應(yīng)用案例》

《電信行業(yè)人工智能技術(shù)及應(yīng)用案例》
-段方 北京大學(xué)博士后
1 人工智能概述
1.1 人工智能概念和特點(diǎn)
1.1.1 概念
1.1.2 特點(diǎn)
1.1.3 發(fā)展歷史
1.1.4 圖靈測(cè)試
1.1.5 意義
新動(dòng)力、新引擎 投資領(lǐng)域新“寵兒 ”
1.1.6 政策
國(guó)家戰(zhàn)略
國(guó)務(wù)院、發(fā)改委的支持
1.1.7 國(guó)內(nèi)外企業(yè)的投入
1.2 發(fā)展階段
1.2.1 計(jì)算智能
神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)挖掘
1.2.2 感知智能 看：圖像識(shí)別等 聽(tīng)：語(yǔ)音識(shí)別等 1.2.3 認(rèn)知智能 人腦般思考
主動(dòng)行動(dòng)
1.3 人工智能的突破點(diǎn)
1.3.1 大數(shù)據(jù) 海量數(shù)據(jù)的收集 海量數(shù)據(jù)的存儲(chǔ) 海量數(shù)據(jù)的計(jì)算 1.3.2 云計(jì)算 GPU/CPU
集群技術(shù)的發(fā)展
1.3.3 深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)
深度學(xué)習(xí)
多層神經(jīng)網(wǎng)絡(luò)
1.4 人工智能的應(yīng)用領(lǐng)域
1.4.1 各個(gè)行業(yè)將重新“洗牌”
1.4.2 未來(lái)的新動(dòng)力
1.4.3 與物聯(lián)網(wǎng)的結(jié)合
感知一切
支配一切
1.5 人工智能與大數(shù)據(jù)
1.5.1 大數(shù)據(jù)是基礎(chǔ)
1.5.2 非結(jié)構(gòu)化數(shù)據(jù)的收集和整理
1.5.3 人工智能是應(yīng)用
1.6 人工智能的難點(diǎn)
1.6.1 技術(shù)障礙
1.6.2 道德問(wèn)題
1.7 【思考】電信行業(yè)人工智能應(yīng)用
1.7.1 從萬(wàn)物互聯(lián)到萬(wàn)物智聯(lián)
1.7.2 打造智能網(wǎng)路
2 人工智能的應(yīng)用舉例
2.1 金融領(lǐng)域
2.1.1 人工智能在股市中操盤
2.1.2 人工智能在保險(xiǎn)領(lǐng)域的應(yīng)用
2.1.3 人工智能在銀行領(lǐng)域中應(yīng)用
2.2 醫(yī)療領(lǐng)域
2.2.1 IBM 沃森的 “看病”
2.2.2 圖像診斷的發(fā)展
2.3 教育領(lǐng)域
2.3.1 智能評(píng)測(cè)
2.3.2 個(gè)性化輔導(dǎo)
2.4 在工業(yè) 4.0 領(lǐng)域
2.4.1 機(jī)器人發(fā)展情況
2.4.2 機(jī)器人的應(yīng)用領(lǐng)域
2.5 在物流領(lǐng)域
2.5.1 倉(cāng)儲(chǔ)機(jī)器人的發(fā)展
2.5.2 路線規(guī)劃和優(yōu)化
2.6 在藝術(shù)創(chuàng)作領(lǐng)域
2.6.1 人工智能寫詩(shī)
2.6.2 人工智能作曲
2.6.3 人工智能繪畫(huà)
2.7 翻譯領(lǐng)域
2.7.1 谷歌翻譯
2.7.2 文語(yǔ)合成方面
2.8 【案例】人工智能技術(shù)在各個(gè)行業(yè)的應(yīng)用
3 人工智能的技術(shù)組成
3.1 GARTNER 新技術(shù)成熟曲線
3.2 從算法領(lǐng)域
3.2.1 機(jī)器學(xué)習(xí)
3.2.2 數(shù)據(jù)挖掘
3.2.3 多層神經(jīng)網(wǎng)絡(luò)
3.3 從應(yīng)用領(lǐng)域
3.3.1 圖像識(shí)別原理
3.3.2 語(yǔ)音識(shí)別原理
3.3.3 語(yǔ)義理解原理
3.4 技術(shù)角度
3.4.1 云計(jì)算原理
3.4.2 大數(shù)據(jù)原理
3.4.3 深度深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)原理
3.5 TensorFlow 架構(gòu)
3.5.1 基本原理
3.5.2 支持的算法
3.5.3 應(yīng)用案例
3.6 開(kāi)源生態(tài)的建立
3.6.1 ALPHAGO 的源碼開(kāi)源
3.6.2 為什么要開(kāi)源？
3.7 【案例】 TensorFlow 架構(gòu)介紹
4 人工智能的算法
4.1 神經(jīng)網(wǎng)絡(luò)算法的基本原理
4.1.1 BP 網(wǎng)絡(luò)原理
4.1.2 神經(jīng)網(wǎng)絡(luò)算法舉例
4.2 多層神經(jīng)網(wǎng)絡(luò)原理
4.2.1 多層網(wǎng)絡(luò)原理
4.2.2 算法舉例
4.3 深度學(xué)習(xí)方法
4.3.1 深度學(xué)習(xí)的概念
4.3.2 特點(diǎn)
4.3.3 原理
4.4 【示例】 ALPHAGO 算法原理
5 人工智能的產(chǎn)業(yè)鏈
5.1 基礎(chǔ)層
5.1.1 云計(jì)算
5.1.2 大數(shù)據(jù)
5.1.3 GPU
5.1.4 神經(jīng)網(wǎng)絡(luò)芯片（ASIC）
5.1.5 各個(gè)行業(yè)的大數(shù)據(jù)積累
5.2 技術(shù)層
5.2.1 底層框架
5.2.2 算法
深度學(xué)習(xí)
機(jī)器學(xué)習(xí)
增強(qiáng)學(xué)習(xí)
卷積神經(jīng)網(wǎng)絡(luò)
5.2.3 通用技術(shù)
語(yǔ)音識(shí)別 百度
科大訊飛 圖像識(shí)別
IMAGENET 競(jìng)賽 人臉識(shí)別
傳感器融合
5.3 應(yīng)用層
5.3.1 金融
5.3.2 醫(yī)療
5.3.3 無(wú)人駕駛
5.3.4 工業(yè)
5.4 各個(gè)層的代表企業(yè)
5.4.1 英偉達(dá)等芯片提供商
5.4.2 Linux 等操作系統(tǒng)
5.4.3 科大訊飛等軟件供應(yīng)商
5.4.4 阿里云等云服務(wù)平臺(tái)
5.4.5 谷歌的 TENSORFLOW 等 AI 架構(gòu)
5.5 【案例】英偉達(dá) GPU 芯片介紹
6 人工智能電信領(lǐng)域?qū)嶋H應(yīng)用案例
6.1 人工智能的應(yīng)用——人臉識(shí)別
6.1.1 圖像識(shí)別的技術(shù)原理
6.1.2 【例】谷歌圖像識(shí)別的實(shí)際案例分享
6.1.3 【例】智慧營(yíng)業(yè)廳案例
6.2 人工智能的應(yīng)用——數(shù)據(jù)挖掘算法改進(jìn)
6.2.1 傳統(tǒng)數(shù)據(jù)挖掘的算法及舉例
6.2.2 深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)優(yōu)化了什么內(nèi)容？
6.2.3 如何優(yōu)化傳統(tǒng)挖掘算法？
6.2.4 【例】人工智能算法優(yōu)化案例
6.3 【案例】智能客服服務(wù)案例
6.4 【案例】設(shè)備故障識(shí)別服務(wù)案例
6.5 【案例】傳統(tǒng)數(shù)據(jù)挖掘算法提升案例
7 總結(jié)

段方老師的其它課程