Day1

（9：00-12：00）

1人工智能和机器学习概述

人工智能发展史

应用场景概述：如图像识别，文本分析，推荐系统

最近成果概述：如强化学习，生成式对抗网络，基于低能量的网络，one-shot  leaning

软件框架概述，如sparkML，sklean，tensorflow，caffe，Theano

2 图像识别技术--卷积神经网络CNN

卷积神经网络历史

卷积层介绍

池化层

全连接层

DropOut正则化

实例学习和课堂练习：使用softmax进行手写数字图像识别

卷积神经网络实现数字图像识别

Day1

（13：00-16：30）

3 使用CNN进行语音识别

语音与稀疏编码

CNN算法在语音识别领域的应用

4 传统的自然语言处理技术

NLP应用概述

如何表达语法和语义

wordnet与语言模型

N-gram项目

传统语言模型的不足

用RNN神经网络来实现语言模型

Day2

（9：00-12：00）

5 自然语言处理--循环神经网络RNN

RNN应用概述

时间序列LSTM模型

自然语言处理基础

双向RNN与深度RNN

RNN实现案例

word2vec  network

6图像识别案例

1)     方案介绍

案例介绍:业务功能和技术架构介绍

AI算法和模型的选择: 各种神经网络算法的比较

技术实现方案的选择: 开源深度学习框架的比较, TensorFlow, Caffe,

技术实现方案的选择: 商业方案的概括介绍

2)     项目推进的阶段:

数据准备阶段: 常用数据集介绍, 数据集的大小, 特征的选择

模型训练阶段: 超参的选择, 模型的调优,  过拟合问题,

预测阶段:  模型的评价

Day2

（13：00-16：30）

7 语音识别案例

1)     方案介绍

案例介绍: 系统的业务功能和技术架构

语音识别算法介绍: 各种神经网络算法的比较

商用方案简介: 科大讯飞语音识别系统

2)     项目阶段:

数据准备阶段: 常用数据集介绍, 数据集的大小, 特征的选择

模型训练阶段: 超参的选择, 模型的调优,  过拟合问题,

预测阶段:  模型的评价

8 自然语言处理案例-聊天机器人

1)     方案介绍

案例介绍: 聊天机器人的使用场景

使用算法和技术介绍: 分词, RNN-LSTM

2)     项目阶段:

数据准备阶段: 准备语料, 分词的方案选择, 分词组件的选择

模型训练阶段: 超参的选择, 模型的调优,  过拟合问题

预测阶段:  模型的评价和测试

9 其他热门深度学习算法

GAN对抗生成网络

强化学习概述

Transfer Learning