《深度學習算法原理及應用》

《深度學習算法原理及應用》
——段方
大數據（AI）總設計師
教授 北京大學博士后
1 背景
1.1 從 AlphaGo 說起
1.1.1 AlphaGo 的效果
1.1.2 AlphaGo 的原理
1.2 機器學習基礎
1.2.1 機器學習的歷史
1.2.2 機器學習概念
1.2.3 機器學習與數據挖掘
1.3 深度學習基礎
1.3.1 深度學習的概念和特點
1.3.2 深度學習的意義
1.3.3 深度學習的應用領域
1.4 應用與技術的平衡
1.4.1 數據驅動還是應用驅動 ？
1.4.2 應用價值的顯現化
1.4.3 對內服務和對外服務
1.5 GPU 的引出
1.5.1 計算的硬件基礎
1.5.2 與 CPU 的對比
1.5.3 與 FPGA 的對比
1.5.4 GPU 的示例
1.6 建設應用的生態(tài)圈
1.6.1 為什么要建生態(tài)圈
1.6.2 生態(tài)圈的構建方法
1.7 【示例】附件-深度學習基礎-芯片/網絡/服務器
2 大數據應用開發(fā)方法
2.1 深度學習的方法論有何異同？
2.2 CRISP-DM（CRoss-Industry Standard Process
for Data Mining）方法論
2.3 業(yè)務理解 （Business Understanding）
2.4 數據理解 （Data Understanding）
2.5 數據準備 （Data Preparation）
2.6 建模（Modeling）
2.7 評估（Evaluation）
2.8 部署 （Deployment）
2.9 數據挖掘之外的方法論
3 機器學習基礎
3.1 多維分析方法
3.1.1 OLAP 分析
3.1.2 上鉆和下鉆
3.1.3 用 OLAP 分析問題
3.2 分析算法
3.2.1 回歸算法
線性回歸
邏輯回歸
3.2.2 決策樹算法
C4.5 算法
CART 算法
3.2.3 貝葉斯算法
樸素貝葉斯算法
BBN（Bayesian Belief Network）算法
3.2.4 基于核的算法
支持向量機 SVM 算法
線性判別分析(Linear Discriminate Analysis ，LDA)
3.2.5 聚類算法
K-MEANS 算法
期望最大化算法(Expectation Maximization， ME)
3.2.6 關聯規(guī)則算法
Apriori 算法
3.2.7 降低維度算法
主成份分析(Principle Component Analysis， PCA)算法
偏最小二乘回歸(Partial Least Square Regression，PLS)算法
3.2.8 集成算法
隨機森林算法
梯度推進機
3.3 【例】機器學習方法在電信行業(yè)應用舉例
4 深度學習基礎
4.1 神經網絡算法的演進歷史
4.1.1 傳統的神經網絡算法
4.1.2 神經網絡算法的特點
4.1.3 神經網絡算法的瓶頸點
4.2 神經網絡的算法原理
4.2.1 神經元的原理
4.2.2 神經網絡的原理
4.2.3 神經網絡的 BP 算法
4.3 多層神經網絡算法
4.3.1 單層神經網絡
4.3.2 兩層神經網絡
4.3.3 多層神經網絡——深度學習
4.4 深度學習算法
4.4.1 卷積神經網絡 CNN
4.4.2 循環(huán)神經網絡 RNN
4.4.3 深度神經網絡 DNN
4.5 深度學習的應用案例
4.5.1 深度學習用于圖像識別
4.5.2 深度學習用于語音識別
4.5.3 深度學習用于語言翻譯
5 TensorFlow 等框架
5.1 人工智能的學習框架
5.1.1 開源的概念
5.1.2 學習框架的歷程
5.1.3 caffe 等學習框架介紹
5.2 TensorFlow 框架內容
5.2.1 編程模型簡介
5.2.2 自編碼器介紹
5.2.3 多層感知機介紹
5.3 TensorFlow 開發(fā)工具
5.3.1 j upyter
5.3.2 公開的數據集
5.3.3 語音識別等案例
5.3.4 【例】 某企業(yè)的 AI 平臺架構介紹
5.4 TensorFlow 支持的算法
5.4.1 支持卷積神經網絡算法
5.4.2 支持循環(huán)神經網絡算法
5.4.3 支持深度強化學習算法
5.5 TensorFlow 的應用案例
5.5.1 Python 語言的編程
5.5.2 Python 實現 TensorFlow
5.5.3 具體的案例
5.6 【案例】附件-TensorFlow 等開源系統架構研究
6 目標跟蹤及行為動作檢測
6.1 目標跟蹤算法
6.1.1 目標追蹤 tracker 算法原理
6.1.2 目標視覺跟蹤分類
生成模型方法
判別模型方法
6.1.3 開源的數據集（ OTB50/100 等 ）
6.1.4 主流的目標跟蹤算法
struck
KCF
TLD
mosse
6.1.5 OpenCV 3 介紹
6.1.6 【例】 OpenCV 目標跟蹤示例
6.2 動作檢測算法
6.2.1 動作檢測算法原理
骨骼關鍵點及檢測
數據標注要求
6.2.2 openpose 算法介紹
6.2.3 deepcut 算法介紹
6.3 動作檢測應用場景
6.3.1 摔倒識別
6.3.2 異常動作識別
6.3.3 打架識別
6.3.4 抽煙識別等等
6.4 【案例】附件-肢體動作識別
7 深度學習算法應用過程
7.1 需求的收集、整理
7.1.1 需求的收集方
7.1.2 需求的表述方法
7.2 數據的收集
7.2.1 能收集哪些數據
7.2.2 數據的維度
7.2.3 數據的質量
7.2.4 數據的管理
7.3 分析方法的選擇
7.3.1 統計分析方法
7.3.2 機器學習方法
7.4 應用開發(fā)原型
7.4.1 原型系統的開發(fā)
7.4.2 原型系統的評估
7.5 應用的上線
7.5.1 誰負責使用
7.5.2 誰負責驗收
7.6 快速迭代開發(fā)
7.6.1 如何快速迭代
7.6.2 迭代后的上線
7.7 上線后評估
7.7.1
客戶滿意度
7.7.2
效率提升
7.7.3
效益評估等
7.8 效益的評估方法
7.8.1
經濟效益
7.8.2
社會效益
7.8.3
管理效益等
8 深度學習應用案例
8.1 【案例】人工智能用于網絡分析的案例
8.2 【案例】深度學習應用于客戶服務系統案例
8.3 【案例】智慧辦公區(qū)監(jiān)控案例
9 【附】人工智能應用的方法論——互聯網
思維
9.1 互聯網思維概述
9.2 用戶思維
9.2.1 用戶是誰
9.2.2 用戶需要什么 ？
9.3 極致思維
9.3.1 產品極致設計
9.3.2 服務的極致
9.4 簡約思維
9.4.1 產品的簡約
9.4.2 簡約的流程
9.5 迭代思維
9.5.1 產品的快速迭代
9.5.2 開發(fā)過程的快速迭代
9.6 流量思維
9.6.1 先有客戶再有錢
9.6.2 擴展客戶使用流量
9.7 平臺思維
9.7.1 APP store 的借鑒
9.7.2 生態(tài)圈的構筑
9.8 跨界思維
9.8.1 數據的跨界
9.8.2 應用的跨界
9.9 數據思維
9.9.1 收集數據
9.9.2 分析數據
9.10 社會化思維
9.10.1 影響社會
9.10.2 社會角度思考
9.11 互聯網思維在大數據系統中的落地
10 總結

段方老師的其它課程