本學習培訓偏重于應用深度神經網絡技術性,開展圖象,視頻語音,自然語言解決三一部分內容,根據(jù)實踐活動與基礎理論并舉,根據(jù)基礎理論解讀,算法論述,算法可用情景,實例分析和編號實踐活動,及其對全新的人工智能技術算法的發(fā)展趨勢和網絡的剖析和介紹,使學生不但把握深度學習,人工智能技術行業(yè)常見算法,并且能夠在實戰(zhàn)演練中運用深度學習人工智能技術處理工作上的具體難題,進而協(xié)助公司在人工智能技術時期技壓群雄占得主動權。
課程大綱:
1人工智能化和深度學習簡述
人工智能技術發(fā)展歷程
應用領域簡述:如圖像識別技術,文本分析,算法
近期成效簡述:如增強學習,生成式對抗網絡,根據(jù)低動能的互聯(lián)網,one-shotleaning
軟件框架簡述,如sparkML,sklean,tensorflow,caffe,Theano
2圖像識別系統(tǒng)--卷積和神經元網絡CNN
卷積和神經元網絡歷史時間
卷積層介紹
池化層
全連接層
DropOut正則化
3應用CNN開展語音識別技術
視頻語音與稀疏編碼
CNN算法在語音識別技術行業(yè)的運用
4傳統(tǒng)式的自然語言解決技術性
NLP運用簡述
怎樣表述英語的語法和詞義
wordnet與語言模型
N-gram新項目
傳統(tǒng)式語言模型的不夠
用RNN神經元網絡來完成語言模型
5自然語言解決--循環(huán)系統(tǒng)神經元網絡RNN
RNN運用簡述
時間序列分析LSTM模型
自然語言解決基本
雙重RNN與深層RNN
RNN完成實例
word2vecnetwork
6圖像鑒別實例
1)計劃方案介紹
實例介紹:業(yè)務流程作用和技術架構介紹
AI算法和模型的選擇:各種各樣神經元網絡算法的較為
技術性完成計劃方案的選擇:開源系統(tǒng)深度神經網絡架構的較為,TensorFlow,Caffe,
技術性完成計劃方案的選擇:商業(yè)服務計劃方案的歸納介紹
2)項目推進的階段:
數(shù)據(jù)信息提前準備階段:常見數(shù)據(jù)介紹,數(shù)據(jù)的尺寸,特點的選擇
模型訓煉階段:超參的選擇,模型的優(yōu)化,過擬合難題,
預測分析階段:模型的點評
7語音識別技術實例
1)計劃方案介紹
實例介紹:系統(tǒng)軟件的業(yè)務流程作用和技術架構
語音識別技術算法介紹:各種各樣神經元網絡算法的較為
商業(yè)計劃方案介紹:訊飛科技語音識別技術系統(tǒng)軟件
2)新項目階段:
數(shù)據(jù)信息提前準備階段:常見數(shù)據(jù)介紹,數(shù)據(jù)的尺寸,特點的選擇
模型訓煉階段:超參的選擇,模型的優(yōu)化,過擬合難題,
預測分析階段:模型的點評
8自然語言解決實例-對話機器人
1)計劃方案介紹
實例介紹:對話機器人的應用情景
應用算法和技術性介紹:詞性標注,RNN-LSTM
2)新項目階段:
數(shù)據(jù)信息提前準備階段:提前準備語料庫,詞性標注的計劃方案選擇,詞性標注部件的選擇
模型訓煉階段:超參的選擇,模型的優(yōu)化,過擬合難題
預測分析階段:模型的點評和檢測
9別的受歡迎深度神經網絡算法
GAN抵抗轉化成互聯(lián)網
增強學習簡述
TransferLearning