《深度學(xué)習(xí)算法原理及應(yīng)用》

《深度學(xué)習(xí)算法原理及應(yīng)用》
——段方
大數(shù)據(jù)（AI）總設(shè)計(jì)師
教授 北京大學(xué)博士后
1 背景
1.1 從 AlphaGo 說(shuō)起
1.1.1 AlphaGo 的效果
1.1.2 AlphaGo 的原理
1.2 機(jī)器學(xué)習(xí)基礎(chǔ)
1.2.1 機(jī)器學(xué)習(xí)的歷史
1.2.2 機(jī)器學(xué)習(xí)概念
1.2.3 機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘
1.3 深度學(xué)習(xí)基礎(chǔ)
1.3.1 深度學(xué)習(xí)的概念和特點(diǎn)
1.3.2 深度學(xué)習(xí)的意義
1.3.3 深度學(xué)習(xí)的應(yīng)用領(lǐng)域
1.4 應(yīng)用與技術(shù)的平衡
1.4.1 數(shù)據(jù)驅(qū)動(dòng)還是應(yīng)用驅(qū)動(dòng) ？
1.4.2 應(yīng)用價(jià)值的顯現(xiàn)化
1.4.3 對(duì)內(nèi)服務(wù)和對(duì)外服務(wù)
1.5 GPU 的引出
1.5.1 計(jì)算的硬件基礎(chǔ)
1.5.2 與 CPU 的對(duì)比
1.5.3 與 FPGA 的對(duì)比
1.5.4 GPU 的示例
1.6 建設(shè)應(yīng)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(gòu)建方法
1.7 【示例】附件-深度學(xué)習(xí)基礎(chǔ)-芯片/網(wǎng)絡(luò)/服務(wù)器
2 大數(shù)據(jù)應(yīng)用開(kāi)發(fā)方法
2.1 深度學(xué)習(xí)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(wù)理解 （Business Understanding）
2.4 數(shù)據(jù)理解 （Data Understanding）
2.5 數(shù)據(jù)準(zhǔn)備 （Data Preparation）
2.6 建模（Modeling）
2.7 評(píng)估（Evaluation）
2.8 部署 （Deployment）
2.9 數(shù)據(jù)挖掘之外的方法論
3 機(jī)器學(xué)習(xí)基礎(chǔ)
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(wèn)題
3.2 分析算法
3.2.1 回歸算法
線(xiàn)性回歸
邏輯回歸
3.2.2 決策樹(shù)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(jī) SVM 算法
線(xiàn)性判別分析(Linear Discriminate Analysis ，LDA)
3.2.5 聚類(lèi)算法
K-MEANS 算法
期望最大化算法(Expectation Maximization， ME)
3.2.6 關(guān)聯(lián)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(jī)森林算法
梯度推進(jìn)機(jī)
3.3 【例】機(jī)器學(xué)習(xí)方法在電信行業(yè)應(yīng)用舉例
4 深度學(xué)習(xí)基礎(chǔ)
4.1 神經(jīng)網(wǎng)絡(luò)算法的演進(jìn)歷史
4.1.1 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法
4.1.2 神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)
4.1.3 神經(jīng)網(wǎng)絡(luò)算法的瓶頸點(diǎn)
4.2 神經(jīng)網(wǎng)絡(luò)的算法原理
4.2.1 神經(jīng)元的原理
4.2.2 神經(jīng)網(wǎng)絡(luò)的原理
4.2.3 神經(jīng)網(wǎng)絡(luò)的 BP 算法
4.3 多層神經(jīng)網(wǎng)絡(luò)算法
4.3.1 單層神經(jīng)網(wǎng)絡(luò)
4.3.2 兩層神經(jīng)網(wǎng)絡(luò)
4.3.3 多層神經(jīng)網(wǎng)絡(luò)——深度學(xué)習(xí)
4.4 深度學(xué)習(xí)算法
4.4.1 卷積神經(jīng)網(wǎng)絡(luò) CNN
4.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN
4.4.3 深度神經(jīng)網(wǎng)絡(luò) DNN
4.5 深度學(xué)習(xí)的應(yīng)用案例
4.5.1 深度學(xué)習(xí)用于圖像識(shí)別
4.5.2 深度學(xué)習(xí)用于語(yǔ)音識(shí)別
4.5.3 深度學(xué)習(xí)用于語(yǔ)言翻譯
5 TensorFlow 等框架
5.1 人工智能的學(xué)習(xí)框架
5.1.1 開(kāi)源的概念
5.1.2 學(xué)習(xí)框架的歷程
5.1.3 caffe 等學(xué)習(xí)框架介紹
5.2 TensorFlow 框架內(nèi)容
5.2.1 編程模型簡(jiǎn)介
5.2.2 自編碼器介紹
5.2.3 多層感知機(jī)介紹
5.3 TensorFlow 開(kāi)發(fā)工具
5.3.1 j upyter
5.3.2 公開(kāi)的數(shù)據(jù)集
5.3.3 語(yǔ)音識(shí)別等案例
5.3.4 【例】 某企業(yè)的 AI 平臺(tái)架構(gòu)介紹
5.4 TensorFlow 支持的算法
5.4.1 支持卷積神經(jīng)網(wǎng)絡(luò)算法
5.4.2 支持循環(huán)神經(jīng)網(wǎng)絡(luò)算法
5.4.3 支持深度強(qiáng)化學(xué)習(xí)算法
5.5 TensorFlow 的應(yīng)用案例
5.5.1 Python 語(yǔ)言的編程
5.5.2 Python 實(shí)現(xiàn) TensorFlow
5.5.3 具體的案例
5.6 【案例】附件-TensorFlow 等開(kāi)源系統(tǒng)架構(gòu)研究
6 目標(biāo)跟蹤及行為動(dòng)作檢測(cè)
6.1 目標(biāo)跟蹤算法
6.1.1 目標(biāo)追蹤 tracker 算法原理
6.1.2 目標(biāo)視覺(jué)跟蹤分類(lèi)
生成模型方法
判別模型方法
6.1.3 開(kāi)源的數(shù)據(jù)集（ OTB50/100 等 ）
6.1.4 主流的目標(biāo)跟蹤算法
struck
KCF
TLD
mosse
6.1.5 OpenCV 3 介紹
6.1.6 【例】 OpenCV 目標(biāo)跟蹤示例
6.2 動(dòng)作檢測(cè)算法
6.2.1 動(dòng)作檢測(cè)算法原理
骨骼關(guān)鍵點(diǎn)及檢測(cè)
數(shù)據(jù)標(biāo)注要求
6.2.2 openpose 算法介紹
6.2.3 deepcut 算法介紹
6.3 動(dòng)作檢測(cè)應(yīng)用場(chǎng)景
6.3.1 摔倒識(shí)別
6.3.2 異常動(dòng)作識(shí)別
6.3.3 打架識(shí)別
6.3.4 抽煙識(shí)別等等
6.4 【案例】附件-肢體動(dòng)作識(shí)別
7 深度學(xué)習(xí)算法應(yīng)用過(guò)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(shù)據(jù)的收集
7.2.1 能收集哪些數(shù)據(jù)
7.2.2 數(shù)據(jù)的維度
7.2.3 數(shù)據(jù)的質(zhì)量
7.2.4 數(shù)據(jù)的管理
7.3 分析方法的選擇
7.3.1 統(tǒng)計(jì)分析方法
7.3.2 機(jī)器學(xué)習(xí)方法
7.4 應(yīng)用開(kāi)發(fā)原型
7.4.1 原型系統(tǒng)的開(kāi)發(fā)
7.4.2 原型系統(tǒng)的評(píng)估
7.5 應(yīng)用的上線(xiàn)
7.5.1 誰(shuí)負(fù)責(zé)使用
7.5.2 誰(shuí)負(fù)責(zé)驗(yàn)收
7.6 快速迭代開(kāi)發(fā)
7.6.1 如何快速迭代
7.6.2 迭代后的上線(xiàn)
7.7 上線(xiàn)后評(píng)估
7.7.1
客戶(hù)滿(mǎn)意度
7.7.2
效率提升
7.7.3
效益評(píng)估等
7.8 效益的評(píng)估方法
7.8.1
經(jīng)濟(jì)效益
7.8.2
社會(huì)效益
7.8.3
管理效益等
8 深度學(xué)習(xí)應(yīng)用案例
8.1 【案例】人工智能用于網(wǎng)絡(luò)分析的案例
8.2 【案例】深度學(xué)習(xí)應(yīng)用于客戶(hù)服務(wù)系統(tǒng)案例
8.3 【案例】智慧辦公區(qū)監(jiān)控案例
9 【附】人工智能應(yīng)用的方法論——互聯(lián)網(wǎng)
思維
9.1 互聯(lián)網(wǎng)思維概述
9.2 用戶(hù)思維
9.2.1 用戶(hù)是誰(shuí)
9.2.2 用戶(hù)需要什么 ？
9.3 極致思維
9.3.1 產(chǎn)品極致設(shè)計(jì)
9.3.2 服務(wù)的極致
9.4 簡(jiǎn)約思維
9.4.1 產(chǎn)品的簡(jiǎn)約
9.4.2 簡(jiǎn)約的流程
9.5 迭代思維
9.5.1 產(chǎn)品的快速迭代
9.5.2 開(kāi)發(fā)過(guò)程的快速迭代
9.6 流量思維
9.6.1 先有客戶(hù)再有錢(qián)
9.6.2 擴(kuò)展客戶(hù)使用流量
9.7 平臺(tái)思維
9.7.1 APP store 的借鑒
9.7.2 生態(tài)圈的構(gòu)筑
9.8 跨界思維
9.8.1 數(shù)據(jù)的跨界
9.8.2 應(yīng)用的跨界
9.9 數(shù)據(jù)思維
9.9.1 收集數(shù)據(jù)
9.9.2 分析數(shù)據(jù)
9.10 社會(huì)化思維
9.10.1 影響社會(huì)
9.10.2 社會(huì)角度思考
9.11 互聯(lián)網(wǎng)思維在大數(shù)據(jù)系統(tǒng)中的落地
10 總結(jié)

段方老師的其它課程