课程结构与目标
上方URL获取资源
-
课程目标：帮助学员建立对人工智能的全面理解，包括其理论基础、技术实现、应用场景以及未来发展方向。
-
适合人群：对 AI 感兴趣的初学者、想要转行 AI 领域的职场人士、以及希望提升 AI 知识储备的专业人士。
课程内容
-
第一部分：人工智能基础（1-20 课）
- 人工智能概述：讲解人工智能的定义、历史和发展历程，以及人工智能的分类，如弱人工智能、强人工智能和超人工智能。
- 数学基础：涉及线性代数中的矩阵、向量、特征值与特征向量，概率与统计中的概率分布、贝叶斯定理、期望与方差，微积分中的导数、积分、梯度下降法。
- 机器学习基础：介绍监督学习与无监督学习，常见算法如线性回归、逻辑回归、决策树、支持向量机（SVM）、K - means 聚类等，以及模型评估与选择的方法，如交叉验证、混淆矩阵、ROC 曲线等。
-
第二部分：深度学习与神经网络（21-40 课）
- 神经网络基础：包括神经元与感知器，激活函数如 Sigmoid、ReLU、tanh 等，以及反向传播算法。
- 卷积神经网络（CNN） ：讲解 CNN 的基本结构，如卷积层、池化层、全连接层，以及经典 CNN 模型，如 LeNet、AlexNet、VGG、ResNet 等。
- 循环神经网络（RNN） ：介绍 RNN 的基本结构，如输入层、隐藏层、输出层，以及长短期记忆网络（LSTM）和门控循环单元（GRU）。
- 生成对抗网络（GAN） ：讲述 GAN 的基本原理，即生成器与判别器，以及 GAN 的应用，如图像生成、文本生成等。
-
第三部分：人工智能应用（41-60 课）
- 计算机视觉：包含图像分类、目标检测、图像分割，以及在人脸识别、自动驾驶、医疗影像分析等方面的经典应用。
- 自然语言处理（NLP） ：涉及文本分类、情感分析、机器翻译，以及在智能客服、语音识别、文本生成等方面的经典应用。
- 推荐系统：讲解协同过滤、基于内容的推荐、混合推荐，以及在电商推荐、新闻推荐、音乐推荐等方面的经典应用。
- 强化学习：介绍强化学习的基本概念，如状态、动作、奖励，以及经典算法，如 Q - learning、深度 Q 网络（DQN）等，还有在游戏 AI、机器人控制等方面的经典应用。
-
第四部分：人工智能的未来（61-81 课）
-
人工智能的伦理与安全：探讨人工智能的伦理问题，如隐私、偏见、歧视等，以及安全问题，如黑客攻击、恶意使用等。
-
人工智能与就业：分析人工智能对就业市场的影响，以及未来职业发展趋势，如哪些工作会被取代，哪些工作会兴起。
-
人工智能的未来发展：研究人工智能的未来研究方向，如通用人工智能、量子人工智能等，以及对人类社会在经济、文化、政治等方面的影响。
-
课程特色
- 系统全面：课程内容涵盖人工智能的各个方面，从基础知识到前沿应用，再到未来发展，帮助学员建立完整的知识体系。
- 理论与实践结合：不仅讲解理论知识，还结合实际案例和应用场景，帮助学员更好地理解和应用所学知识。
- 名师授课：严伯钧作为知名科普作家和 AI 专家，拥有丰富的教学经验和深厚的学术背景，能够深入浅出地讲解复杂概念。
- 互动学习：课程提供丰富的互动环节，如在线讨论、作业点评、直播答疑等，帮助学员解决学习中的问题。
