《人工智能》課程大綱

《人工智能》課程大綱課程簡(jiǎn)介隨著大數(shù)據(jù)的發(fā)展和計(jì)算機(jī)運(yùn)算能力的不斷提升，人工智能在最近幾年取得了令人矚目的成就。目前在很多行業(yè)中，都有企業(yè)開始應(yīng)用深度學(xué)習(xí)技術(shù)，從而獲取更深刻的洞察，為企業(yè)經(jīng)營(yíng)或日常生活提供幫助，提升產(chǎn)品服務(wù)水平。深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于數(shù)據(jù)挖掘、搜索引擎、電子商務(wù)、自動(dòng)駕駛、圖像識(shí)別、量化投資、自然語(yǔ)言處理、計(jì)算機(jī)視覺、醫(yī)學(xué)診斷、信用卡欺詐檢測(cè)、證券金融市場(chǎng)分析、游戲和機(jī)器人等領(lǐng)域，深度學(xué)習(xí)相關(guān)技術(shù)的進(jìn)步促進(jìn)了人工智能在各個(gè)領(lǐng)域的發(fā)展。教學(xué)目標(biāo)了解深度學(xué)習(xí)的重要性與國(guó)內(nèi)外的發(fā)展?fàn)顩r及未來(lái)發(fā)展方向；掌握深度學(xué)習(xí)的——些基本概念、算法、原理及相關(guān)技術(shù)；能熟練地運(yùn)用深度學(xué)習(xí)技術(shù)及工具解決實(shí)際應(yīng)用問(wèn)題。通過(guò)本課程的學(xué)習(xí)，要求學(xué)生能夠全面掌握深度學(xué)習(xí)的基本理論和基本方法，了解深度學(xué)習(xí)的簡(jiǎn)單歷史過(guò)程，熟悉深度學(xué)習(xí)的基本程序和深度學(xué)習(xí)的應(yīng)用領(lǐng)域；同時(shí)要求學(xué)生能根據(jù)深度學(xué)習(xí)研究的目的、統(tǒng)計(jì)數(shù)據(jù)的來(lái)源渠道和數(shù)據(jù)類型的不同，選擇恰當(dāng)?shù)臄?shù)學(xué)模型來(lái)對(duì)社會(huì)經(jīng)濟(jì)現(xiàn)象進(jìn)行擬合。為了結(jié)合非深度學(xué)習(xí)學(xué)專業(yè)學(xué)生的學(xué)習(xí)要求和教學(xué)內(nèi)容的完整性，要求學(xué)生能夠掌握必需的深度學(xué)習(xí)方法和基本的統(tǒng)計(jì)指標(biāo)知識(shí)，為深入進(jìn)行實(shí)際問(wèn)題的分析和理論研究提供依據(jù)。教學(xué)內(nèi)容序號(hào)章節(jié)名稱主要內(nèi)容教學(xué)目標(biāo)學(xué)時(shí)1機(jī)器學(xué)習(xí)簡(jiǎn)介1.機(jī)器學(xué)習(xí)回顧2.機(jī)器學(xué)習(xí)分類1.學(xué)習(xí)機(jī)器學(xué)習(xí)的概念，對(duì)機(jī)器學(xué)習(xí)有一定了解2.了解機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域22分類算法——決策樹算法1.認(rèn)識(shí)決策樹模型2.理解決策樹的數(shù)理邏輯3.認(rèn)識(shí)決策樹的分類規(guī)則4.理解決策樹的優(yōu)缺點(diǎn)5.理解信息熵和信息增益的概念6.理解決策樹的生成1.掌握決策樹的推導(dǎo)、信息熵的意義2.掌握不同決策樹算法之間的區(qū)別3.掌握信息增益的計(jì)算33分類算法——KNN1.理解KNN算法2.理解KNN背后的數(shù)理邏輯3.KNN算法的變形4.KNN算法的實(shí)現(xiàn)1.掌握KNN算法的推導(dǎo)過(guò)程2.掌握KNN算法14分類算法——樸素貝葉斯1.認(rèn)識(shí)樸素貝葉斯模型2.理解樸素貝葉斯的數(shù)理邏輯3.認(rèn)識(shí)樸素貝葉斯所需的數(shù)學(xué)公式4.理解樸素貝葉斯的優(yōu)缺點(diǎn)1.掌握樸素貝葉斯的推導(dǎo)2.掌握樸素貝葉斯的應(yīng)用35回歸算法——線性回歸1.理解線性回歸算法2.掌握最小二乘法3.掌握線性回歸的推導(dǎo)4.掌握線性回歸模型5.理解機(jī)器學(xué)習(xí)三要素1.讓學(xué)生理解回歸函數(shù)2.理解回歸類算法的內(nèi)核3.掌握不同情形下回歸算法的運(yùn)用46回歸算法——邏輯回歸1.理解邏輯回歸算法推導(dǎo)2.明確邏輯回歸算法運(yùn)用場(chǎng)景3.邏輯回歸的分類任務(wù)、基本形式、損失函數(shù)和優(yōu)化求解1.理解邏輯回歸背后的數(shù)理邏輯2.掌握牛頓法的運(yùn)用3.明確邏輯回歸算法的基本流程47分類算法——支持向量機(jī)1.理解SVM算法2.了解SVM算法的推導(dǎo)過(guò)程3.理解SVM的優(yōu)缺點(diǎn)4.了解SVM的支持向量回歸1.理解SVM算法的推導(dǎo)過(guò)程、背后蘊(yùn)含的數(shù)學(xué)知識(shí)2.掌握SVM算法28聚類算法——kmeans算法1.理解聚類的意義2.理解kmeans算法的邏輯3.了解其他聚類算法例如密度聚類以及層次聚類1.熟練掌握kmeans算法2.了解其他聚類算法39降維算法1.理解數(shù)據(jù)降維的意義2.掌握數(shù)據(jù)降維的邏輯3.理解PCA的意義4.了解流形學(xué)習(xí)1.理解降維的意義和運(yùn)用場(chǎng)合2.了解其他的降維方法210特征工程1.理解特征工程的意義2.掌握數(shù)個(gè)特征工程方法3.理解如何運(yùn)用特征工程1.理解特征工程的意義和運(yùn)用場(chǎng)合2.區(qū)分各種方法的運(yùn)用211集成算法1.理解集成算法的推導(dǎo)與誕生2.掌握數(shù)個(gè)集成學(xué)習(xí)方法1.理解集成學(xué)習(xí)的邏輯2.掌握集成學(xué)習(xí)方法412關(guān)聯(lián)算法1.理解關(guān)聯(lián)算法的原理2.了解關(guān)聯(lián)算法的運(yùn)用場(chǎng)景3.掌握數(shù)個(gè)關(guān)聯(lián)學(xué)習(xí)算法1.理解關(guān)聯(lián)算法的邏輯2.掌握關(guān)聯(lián)算法的內(nèi)涵和運(yùn)用213邁進(jìn)深度學(xué)習(xí)之門1.深度學(xué)習(xí)簡(jiǎn)要回顧2.深度學(xué)習(xí)簡(jiǎn)介3.深度學(xué)習(xí)的意義4.深度學(xué)習(xí)的應(yīng)用1.學(xué)習(xí)深度學(xué)習(xí)的概念，對(duì)深度學(xué)習(xí)有一定了解2.了解深度學(xué)習(xí)的應(yīng)用領(lǐng)域314多層感知器1.理解多層感知機(jī)模型2.學(xué)習(xí)如何推導(dǎo)多層感知機(jī)3.理解多層感知機(jī)與神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的聯(lián)系1.學(xué)習(xí)多層感知機(jī)的概念，以及與神經(jīng)網(wǎng)路的聯(lián)系2.掌握多層感知機(jī)的推導(dǎo)215神經(jīng)網(wǎng)絡(luò)1.理解神經(jīng)網(wǎng)絡(luò)的含義2.對(duì)神經(jīng)網(wǎng)絡(luò)有初步的了解1.了解神經(jīng)網(wǎng)絡(luò)的定義和邏輯216BP神經(jīng)網(wǎng)絡(luò)1.理解BP神經(jīng)網(wǎng)絡(luò)的含義2.理解BP神經(jīng)網(wǎng)絡(luò)的案例實(shí)施1.掌握BP神經(jīng)網(wǎng)絡(luò)的基本概念217隱馬爾科夫1.理解隱馬爾科夫的含義2.理解隱馬爾科夫的來(lái)源1.理解隱馬爾科夫的相關(guān)概念218對(duì)抗生成網(wǎng)絡(luò)1.理解生成式對(duì)抗網(wǎng)絡(luò)的含義2.掌握GAN的簡(jiǎn)單結(jié)構(gòu)3.理解什么是納什均衡1.掌握GAN的基本概念2.了解納什均衡案例419機(jī)器視覺1.理解計(jì)算機(jī)視覺的意義2.理解神經(jīng)網(wǎng)絡(luò)如何處理圖片數(shù)據(jù)3.理解卷積層的概念4.理解卷積層理論推導(dǎo)5.理解卷積過(guò)程6.了解全連接層7.了解CNN反向傳播8.了解CNN網(wǎng)絡(luò)LeNet9.學(xué)習(xí)如何規(guī)范使用CNN網(wǎng)絡(luò)10.了解AlexNet算法11.學(xué)習(xí)數(shù)據(jù)增強(qiáng)的方法1.了解計(jì)算機(jī)視覺的定義2.了解審計(jì)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的運(yùn)用3.掌握卷積層的過(guò)程4.掌握池化層的基本理論5.掌握LeNet網(wǎng)絡(luò)的搭建6.了解AlexNet網(wǎng)絡(luò)7.掌握數(shù)據(jù)增強(qiáng)的基本方法1320自然語(yǔ)言處理1.掌握RNN算法的基礎(chǔ)理論2.理解RNN算法的推導(dǎo)過(guò)程，了解RNN算法的模型結(jié)構(gòu)3.理解雙向RNN模型4.掌握LSTM算法的基礎(chǔ)理論5.理解LSTM算法的推導(dǎo)過(guò)程，了解LSTM算法的模型結(jié)構(gòu)1.掌握RNN算法2.理解雙向RNN算法3.掌握LSTM算法6學(xué)時(shí)合計(jì)66教學(xué)要求1.課程教學(xué)以算法理論為主，在教學(xué)過(guò)程中讓學(xué)生熟練掌握算法的核心邏輯以及python實(shí)踐等知識(shí)，為更高級(jí)的數(shù)據(jù)挖掘課程做好準(zhǔn)備。2.要求在教學(xué)過(guò)程中合理安排理論課時(shí)和實(shí)驗(yàn)課時(shí)，讓學(xué)生有充分的使用在計(jì)算機(jī)上練習(xí)理論課程中學(xué)到的算法的Python編程。課程章節(jié)1.機(jī)器學(xué)習(xí)簡(jiǎn)介a）機(jī)器學(xué)習(xí)回顧b）機(jī)器學(xué)習(xí)分類2.分類算法——決策樹a）決策樹理論Ⅰb）決策樹理論Ⅱc）決策樹理論Ⅲ3.分類算法——KNNa）KNN概述4.樸素貝葉斯a）樸素貝葉斯理論Ⅰb）樸素貝葉斯理論Ⅱc）樸素貝葉斯理論Ⅲ5.回歸算法——線性回歸a）回歸預(yù)測(cè)b）線性回歸算法c）回歸模型d）回歸分析理論6.回歸算法——邏輯回歸a）Logistic回歸理論—分類任務(wù)b）Logistic回歸理論—基本形式c）Logistic回歸理論—損失函數(shù)d）Logistic回歸理論—優(yōu)化求解7.分類算法——支持向量機(jī)a）支持向量機(jī)Ⅰb）支持向量機(jī)Ⅱ8.聚類算法——kmeans算法a）聚類算法——聚類簡(jiǎn)介b）聚類算法——優(yōu)化算法c）聚類算法——層次聚集&密度聚集9.降維算法a）降維算法簡(jiǎn)介b）PCA方法介紹10.特征工程a）特征工程概述b）特征工程方法介紹11.集成學(xué)習(xí)算法a）集成算法Ⅰb）集成算法Ⅱc）集成學(xué)習(xí)Ⅰd）集成學(xué)習(xí)Ⅱ12.關(guān)聯(lián)算法a）關(guān)聯(lián)算法基礎(chǔ)知識(shí)b）關(guān)聯(lián)算法應(yīng)用場(chǎng)景13.邁進(jìn)深度學(xué)習(xí)之門a）深度學(xué)習(xí)入門b）深度學(xué)習(xí)的應(yīng)用Ⅰc）深度學(xué)習(xí)的應(yīng)用Ⅱ14.多層感知機(jī)a）多層感知機(jī)簡(jiǎn)介b）多層感知機(jī)推導(dǎo)15.神經(jīng)網(wǎng)絡(luò)a）神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介b）神經(jīng)網(wǎng)絡(luò)基礎(chǔ)問(wèn)題16.BP神經(jīng)網(wǎng)絡(luò)a）BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介b）BP神經(jīng)網(wǎng)絡(luò)原理17.隱馬爾科夫a）隱馬爾科夫簡(jiǎn)介Ⅰb）隱馬爾科夫簡(jiǎn)介Ⅱ18.對(duì)抗生成網(wǎng)絡(luò)a）GAN算法簡(jiǎn)介Ⅰb）GAN算法簡(jiǎn)介Ⅱc）GAN算法簡(jiǎn)介Ⅲd）GAN算法簡(jiǎn)介—納什均衡案例19.機(jī)器視覺機(jī)器視覺簡(jiǎn)介Ⅰa）機(jī)