价格: 9 学币

分类: None

发布时间: 2022年1月22日 10:43

最近更新: 2022年2月23日 15:51

资源类型: VIP

预修课(录播)

《Python从入门到进阶》


《人工智能核心知识强化课》


第一章 AI与Python入门



第二章 机器学习理论与实践

第三节:机器学习一


3.1 机器学习的应用场景
3.2 机器学习分类
3.3 集成模型
3.4 代码实战:决策树
作业:使用决策树对使用优惠券情况做预测

第四节:机器学习二


4.1 线性回归与逻辑回归
4.2 逻辑回归与softmax
4.3 机器学习评价方法
4.4 代码实战:逻辑回归
作业:使用逻辑回归诊断心脏病

第五节:机器学习三


5.1 欠拟合与过拟合
5.2 正则化
5.3 贝叶斯定理
5.4 朴素贝叶斯
5.5 生成模型与判别模型
5.6 代码实战:朴素贝叶斯
作业:使用朴素贝叶斯判断男女

第三章 深度学习理论与实践

第六节:深度学习初步


6.1 深度学习的应用场景
6.2 神经网络
6.3 代码实战:使用Pytorch构建神经网络
作业:实现一个三层神经网络

第七节:深度学习进阶


7.1 神经网络的实践分析
7.2 手动从零实现一个神经网络模型
作业:搭建深度学习框架

第八节:RNN


8.1 序列模型
8.2 RNN
8.3 LSTM 与 GRU
8.4 代码实战:使用Pytorch搭建RNN
作业:使用LSTM对正/余弦函数建模

第九节:CNN


9.1 CNN 与 Spatial Invariant
9.2 Pooling, Dropout 与 Batch Normalization
9.3 CNN 的可视化
9.4 代码实战:使用Pytorch搭建CNN
作业:使用 CNN 搭建模型识别验证码

第四章 CV/NLP/BI初步

第十节:商业智能BI


10.1 BI的基本任务
10.2、信用卡欺诈检测
作业:简述信用卡欺诈检测中的技术点

第十一节:计算机视觉CV


11.1 CV的基本任务
11.2 利用GAN生成虚拟图片
作业:简述利用GAN生成虚拟图片中的技术点

第十二节:自然语言处理NLP


12.1 NLP的基本任务
12.2 中文诗歌自动生成系统
作业:简述中文诗歌自动生成系统中的技术点

AI专业方向三选一之计算机视觉

第十三节 计算机视觉基础:图像处理


13.1 计算机视觉的发展
13.2 计算机如何看到图像
13.3 计算机处理图像的方式
作业:通过多种变换实现数据增广

第十四节 认识计算机视觉


14.1 图像处理与计算机视觉
14.2 计算机视觉的输入与输出
14.3 计算机视觉的常见问题
14.4 计算机视觉第一步:图像描述
14.5 线性分类器回顾
作业:提取LBP特征实现数字图像分类

第十五节 GPU如何在LeNet提升中发挥作用


15.1 GPU/CPU架构:计算单元的对比
15.2 对GPU线程的操作与调度:CUDA的作用
15.3 PyTorch中的CUDA
15.4 跳过PyTorch直接操作GPU
15.5 用GPU硬件线程实现CNN最核心层:卷积层
作业:使用PyCUDA库利用GPU的多线程技术,完成卷积层的计算

第十六节 计算机视觉中的图像分类


16.1 CNN提特征设计:搭积木
16.2 决策层的实现:output层设计
16.3 生成output需要的groundtruth
16.4 经典模型 DenseNet/MobileNet /EfficientNet
16.5 项目实战:搭建并验证分类模型
作业: 基于深度学习垃圾图片智能检测分类项目

第十七节 深度学习之两阶段目标检测


17.1 RCNN 算法
17.2 Fast RCNN
17.3 Faster RCNN
17.4 项目实战:搭建并验证两阶段目标检测模型
作业:用两阶段目标检测模型检测矿泉水瓶

第十八节 深度学习之单阶段目标检测


18.1 YOLO 系列
18.2 检测模型的评价指标
作业:用一阶段目标检测模型检测矿泉水瓶并对效果进行评价

第十九节 计算机视觉中的图像分割


19.1 图像分割
19.2 分割模型的评价指标
作业:用语义分割的方法进行矿泉水瓶分割并对效果进行评价

第二十节 计算机视觉中的目标跟踪


20.1 为什么会有跟踪任务
20.2 经典的目标跟踪方法
20.3 基于深度学习的目标跟踪算法
作业:视频中的目标跟踪实现

AI专业方向三选一之自然语言处理

第十三节 自然语言处理的基本过程


13.1 获取语料
13.2 语料预处理
13.3 特征工程
13.4 模型训练
作业:使用贝叶斯检测垃圾邮件

第十四节 向量空间模型


14.1 向量空间模型
14.2 向量空间模型的构建
14.3 距离计算
14.4 PCA 与 T-SNE 降维
14.5 代码实战:使用T-SNE 进行降维可视化
作业:使用 PCA 进行降维可视化

第十五节 自然语言理解初步


15.1 关键词提取
15.2 实体识别
15.3 依存分析
15.4 主题模型
15.5 代码实战:使用 Gensim 构建新闻语料的主题模型
作业:使用 Scikit-Learn 构建新闻语料的主题模型

第十六节 语言模型与概率图模型


16.1 概述
16.2 语言模型
16.3 隐马尔可夫模型
16.4 条件随机场
16.5 代码实战:基于 HMM 实现命名实体识别
作业:基于 CRF 实现命名实体识别

第十七节 词向量模型Word2Vec


17.1 词向量
17.2 句子向量
17.3 词向量的高级用法
17.4 代码实战:使用Word2Vec生成词向量
作业:使用词向量自动整理同义词

第十八节 Transformer与BERT,大规模预训练问题


18.1 Seq2Seq模型与机器翻译
18.2 Self-Attention与Transformer
18.3 划时代的预训练模型BERT
18.4 代码实战:使用 BERT 生成词向量
作业:实现基于 BERT 的情感分析模型

第十九节 自然语言生成


19.1 解码算法
19.2 NLG 任务及其常见问题解决方法
19.3 NLG 评价方法
19.4 NLG 的研究趋势和未来
19.5 代码实战:实现基于Word2Vec的文本摘要模型
作业:实现基于 BERT 的文本摘要模型

第二十节 自然语言处理与人工智能前沿


20.1 强化学习
20.2 图神经网络
20.3 低资源NLP
20.4 深度学习与AI目前的问题和极限
20.5 AI 产业化面临的问题
20.6 基于人类背景知识的常识推理与认知问题
20.7 自然语言处理与人工智能的未来
作业:简述强化学习的经典模型及其区别和联系

AI专业方向三选一之数据挖掘与高级商业分析

第十三节 预测全家桶与机器学习四大神器


13.1 机器学习分类算法
13.2 树模型及机器学习四大神器
13.3 代码实战
作业:使用XGBoost, LightGBM, CatBoost 中的任意一种对男女声音进行识别

第十四节 时间序列分析


14.1 时间序列基本概念
14.2 时间序列模型
14.3 代码实战
作业:使用ARMA/ARIMA/LSTM 中的任意一种对股票价格进行预测

第十五节 矩阵分解与因子分解机


15.1 矩阵分解算法
15.2 Factorization Machine算法
作业:选择任意一张图片,对其进行灰度化,然后使用SVD进行图像的重构,当奇异值数量为原有的1%,10%,50%时,输出重构后的图像

第十六节 挖掘数据中的关联规则


16.1 关联规则基本概念
16.2 关联规则算法
16.3 代码实战
作业:MarketBasket购物篮关联分析

第十七节 个性化推荐与金融数据分析


17.1 Airbnb个性化推荐
17.2 金融数据分析
17.3 代码实战
作业:信用卡违约率检测和信用卡欺诈分析代码实现

第十八节 PageRank、图论与推荐系统


18.1 PageRank基础知识
18.2 相关算法
18.3 推荐系统介绍
18.4 图论与推荐系统
作业1、使用Python模拟图上的PageRank计算过程,求每个节点的影响力
作业2、使用TextRank对新闻进行关键词提取,及文章摘要输出

第十九节 图嵌入和图卷积网络


19.1 Graph Embedding基础知识
19.2 主要方法
19.3 相关算法
19.4 代码实战
作业:使用DeepWalk, Node2Vec或GCN对Dolphin 关系进行Graph Embedding

第二十节 强化学习与AlphaGo实战


20.1 强化学习概述
20.2 马尔科夫决策过程
20.3 强化学习Agent分类
20.4 蒙特卡罗法MCTS
20.5 AlphaGo的强化学习原理及项目实战
作业:采用强化学习训练五子棋AI进行人机对弈