课程大纲：

人工智能实践公开课

一、培训收益
课程中通过细致讲解，使学员掌握该技术的本质。具体收益包括：
1.回归算法理论与实战；
2.分类算法理论与实战；
3.降维算法理论与实战；
4.聚类算法理论与实战；
5.神经网络算法；
6.Tensorflow DNN CNN构建；
7.基于OpenCV计算机视觉识别；
8.从0到1完成知识图谱构建；
9.通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。

二、培训特色
本次培训从实战的角度对深度学习技术进行了全面的剖析，并结合实际案例分析和探讨深度学习的应用场景，给深度学习相关从业人员以指导和启迪。

三、日程安排
机器学习基础1.机器学习的开发过程
2.监督学习的处理模式
3.无监督学习的处理模式
4.机器学习模型的开发步骤
5.机器学习模型开发的要点
机器学习实战1.分类
2.回归
3.时间序列分析
4.关联分析
5.聚类与降维
深度学习基础1.神经元与神经网络
2.激活函数的点火机制
3.Sigmoid函数与参数优化
4.梯度下降法
5.简单感知机
6.多层感知机
7.Tensorflow实现感知机
8.Keras实现感知机
9.PyTorch实现感知机
深度学习进阶1.前馈神经网络
2.误差反向传播
3.创建神经网络
4.Fashion-MNIST图像识别
5.TensorFlow构建图像识别网络模型
6.Keras构建图像识别网络模型
7.PyTorch构建图像识别网络模型
卷积神经网络与图像识别1.卷积神经网络的结构
2.基于TensorFlow构建CNN
3.基于Keras构建CNN
4.基于PyTorch构建CNN
一般物体的图像识别1.多分类数据集CIFAR-10介绍
2.CNN识别普通物体的结构
3.基于TensorFlow + CNN构建物体识别模型
4.基于Keras + CNN构建物体识别模型
5.基于PyTorch + CNN构建物体识别模型
6.模型调优提高物体识别精度
循环神经网络1.RNN基本结构
2.LSTM文章生成
3.GRU图像生成
4.VEA图像生成
5.GAN图像生成
Open CV与图像识别1.OpenCV安装
2.基于OpenCV物体检测
3.图像检测与图像保存
知识图谱概述1.知识图谱（KG）概念
2.知识图谱的起源与发展
3.典型知识图谱项目简介
4.知识图谱技术概述
5.知识图谱典型应用
知识存储1.知识图谱数据库
2.知识图谱存储方法
3.基于Neo4j的知识存储实践
4.开源知识存储工具理论与实践
知识图谱案例基于Neo4j人物关系知识图谱存储与检索
GYM与强化学习1.GYM安装与游戏奖罚设置
2.强化学习的与众不同
3.马尔科夫性质与决策过程
4.SARSA 算法介绍与推导
5.蒙特卡洛多步采样
基于DQN神经网络构建1.CartPole规则与演示
2.Q-Table局限性
3.爬山算法获取最优解
4.DQN 强化神经网络
5.DQN原理分析
6.强化学习模型部署与应用

人工智能实践公开课