人工智能教程 - 目录_床长人工智能教程

目录

请先看前言

前言

1 人工智能基础

1.1 科普

1.1.1 什么是神经网络

1.2 基础知识

1.2.1 如何将数据输入到神经网络中

1.2.2 神经网络是如何进行预测的

1.2.3 预测得准确吗

1.2.4 网络是如何进行学习的

1.2.5 计算图

1.2.6 如何计算逻辑回归的偏导数

1.2.7 向量化

1.2.8 如何开始使用python

1.2.9 如何向量化人工智能算法

1.2.10 一些基础概念

1.2.11 特征工程

1.2.12 哪些特征是有价值的

1.2.13 数据清理

1.2.14 逻辑回归与分类阈值

1.2.15 静态训练与动态训练

【实战编程】教你编写第一个人工智能程序

1.3 神经网络

1.3.1 浅层神经网络

1.3.2 如何计算浅层神经网络的前向传播

1.3.3 如何计算浅层神经网络的反向传播

1.3.4 为什么需要激活函数

1.3.5 常见的激活函数

1.3.6 激活函数的偏导数

1.3.7 随机初始化参数

1.3.8 非线性与激活函数

【实战编程】教你编写浅层神经网络

1.3.9 为什么需要深度神经网络

1.3.10 如何计算深度神经网络

1.3.11 核对矩阵的维度

1.3.12 参数和超参数

1.3.13 监督学习型神经网络

1.3.14 什么使深度学习火起来了

【实战编程】构建深度神经网络

1.4 额外知识

1.4.1 标量、向量、矩阵和张量

1.4.2 深入了解矩阵

1.4.3 范数

1.4.4 什么是微积分

1.4.5 古典微积分

1.4.6 极限微积分

1.4.7 偏导数

1.4.8 方向导数

1.4.9 什么是概率论

1.4.10 条件概率

1.4.11 什么是信息论

1.4.12 条件熵

1.4.13 互信息

1.4.14 相对熵（KL散度）

1.4.15 交叉熵

2 实战优化

2.1 实战基础

2.1.1 如何配置数据集

2.1.2 欠拟合和过拟合

2.1.3 如何解决欠拟合与过拟合

2.1.4 L2正则化

2.1.5 dropout

2.1.6 数据增强

2.1.7 将输入特征进行归一化处理

2.1.8 梯度消失和梯度爆炸

2.1.9 如何判断网络是否有bug

2.1.10 H5文件

【实战编程】参数初始化

【实战编程】正则化

【实战编程】梯度检验

2.2 优化算法

2.2.1 Mini-batch

2.2.2 如何为mini-batch选择合理的大小

2.2.3 指数加权平均

2.2.4 深入理解指数加权平均

2.2.5 指数加权平均的偏差修正

2.2.6 动量梯度下降

2.2.7 RMSprop

2.2.8 Adam优化算法

2.2.9 学习率衰减

2.2.10 局部最优问题

【实战编程】mini-batch梯度下降

【实战编程】动量梯度下降

【实战编程】Adam

【实战编程】对比不同的优化算法

2.3 调试神经网络

2.3.1 调参

2.3.2 为调参选择采样标尺

2.3.3 各种调参经验

2.3.4 调参模式和工具

2.3.5 规范化隐藏层的输入

2.3.6 BN的好处

2.3.7 使用模型时的BN

2.3.8 Softmax

2.3.9 深入理解softmax

2.3.10 如何选择深度学习框架

2.3.11 手把手教你使用tensorflow

【实战编程】手把手带你学习Tensorflow v1.x

【实战编程】手把手教你用tensorflow1.x构建一个完整的人工智能程序

【实战编程】手把手带你学习Tensorflow v2.x

3 深度学习项目实战

3.1 项目实战一

3.1.1 决策很重要

3.1.2 正交化

3.1.3 如何判断哪个网络更好？——F1分数

3.1.4 如何做选择

3.1.5 验证集与测试集的数据来源要一致

3.1.6 数据集的获取与划分

3.1.7 判定标准是可以变的

3.1.8 AI能力与人类能力的关系

3.1.9 利用贝叶斯误差来判断拟合度

3.1.10 人类误差是多少呢？

3.1.11 AI超越人类

3.1.12 提升AI系统的一般流程

3.1.13 数据集的偏见

【实战编程】大项目神经网络

3.2 实战项目二

3.2.1 手工分析错误

3.2.2 同时手工分析多个错误类别

3.2.3 标签打错了

3.2.4 如何修正错误标签

3.2.5 快速地构建一个简单的系统

3.2.6 验证集要反应出真实目的

3.2.7 异源时的训练验证集

3.2.8 不常用的误差分析

3.2.9 如何解决异源问题

3.2.10 迁移学习

3.2.11 如何实现迁移学习

3.2.12 什么时候才应该使用迁移学习？

3.2.13 多任务学习

3.2.14 深度理解多任务学习

3.2.15 一步到位——端到端学习

3.2.16 何时用端到端

3.2.17 如何制作数据集

【实战编程】优化大项目

4 人脸识别

4.1 卷积神经网络

4.1.1 智能视觉

4.1.2 卷积运算

4.1.3 边缘检测

4.1.4 深入理解边缘检测

4.1.5 padding

4.1.6 卷积步长

4.1.7 3D卷积

4.1.8 多过滤器

4.1.9 卷积层

4.1.10 卷积神经网络

4.1.11 池化层

4.1.12 池化层（二）

4.1.13 一个较完整的卷积网络

4.1.14 卷积的好处

【实战编程】手把手教你构建卷积神经网络（一）

【实战编程】手把手教你构建卷积神经网络（二）

【实战编程】使用TensorFlow构建卷积神经网络

4.2 深度卷积网络

4.2.1 学习一些牛逼的例子

4.2.2 LeNet-5

4.2.3 AlexNet

4.2.4 VGG

4.2.5 残差网络

4.2.6 为什么残差网络能防止梯度问题

4.2.7 1×1卷积

4.2.8 Inception网络

4.2.9 inception网络与1×1卷积

4.2.10 完整的inception网络

4.2.11 学会利用开源项目

【实战编程】构建残差网络

4.3 目标检测

4.3.1 物体定位

4.3.2 关键点探测

4.3.3 床长人工智能教程-目标检测

4.3.4 滑动窗口探测法

4.3.5 卷积化滑动窗口

4.3.6 如何判断定位是否精准

4.3.7 如何避免一个物体被重复探测到？

4.3.8 两个物体的中心在同一个格子怎么办？

4.3.9 非极大值抑制的实现细节

4.3.10 床长人工智能教程-候选区域

【实战编程]】自动驾驶之车辆探测

4.4 风格迁移

4.4.1 风格迁移概述

4.4.2 差异性验证

4.4.3 如何实现差异性验证

4.4.4 如何训练差异性验证网络

4.4.5 差异性验证网络的训练技巧

4.4.6 差异性验证网络的另一种训练方法

4.4.7 神经网络每层到底都学会了什么？

4.4.8 神经风格迁移网络

4.4.9 内容损失函数

4.4.10 什么是风格

4.4.11 风格损失函数

【实战编程】风格转换

【实战编程】人脸识别

5 语音识别

5.1 循环序列模型

5.1.1 序列模型

5.1.2 序列模型的数据集

5.1.3 循环神经网络RNN

5.1.4 RNN的计算过程

5.1.5 各种结构的RNN

5.1.6 人工智能写作

5.1.7 普通RNN的记性不好

5.1.8 使用LSTM来增强RNN的记忆力

5.1.9 使用GRU来增强RNN的记忆力

5.1.10 双向循环神经网络BRNN

5.1.11 深度RNN

5.1.12 纯pyhon构建RNN

【实战编程】纯pyhon构建RNN

【实战编程】智能写作

【实战编程】智能音乐

【实战编程】智能作曲

5.2 自然语言处理与词嵌入

5.2.1 什么是词嵌入

5.2.2 如何使用词嵌入技术

5.2.3 词嵌入与类比推理

5.2.4 如何得到词嵌入矩阵表

5.2.5 word2vector模型

5.2.6 负采样

5.2.7 Glove模型

5.2.8 情感分类

5.2.9 AI的偏见

5.2.10 词嵌入除偏

【实战编程】类比推理

【实战编程】智能表情

【实战编程]】智能表情-升级版

5.3 序列模型和注意力机制

5.3.1 seq2seq简介

5.3.2 最佳翻译

5.3.3 Beam搜索

5.3.4 Beam搜索升级版

5.3.5 问题是否出在Beam搜索上

5.3.6 如何判断翻译得是否精准

5.3.7 注意力模型

5.3.8 注意力模型详述

5.3.9 如何设置注意力权重？

5.3.10 语音识别

【实战编程】机器翻译

【实战编程】唤醒词检测

6 生成对抗网络GANs

7 自动驾驶

8 强化学习

9 无监督学习

10 人工大脑