1人工智慧基礎 : 高等數學必須會
資料分析
概率倫 (gai lv lun)
線性代數及矩陣
凸優化 (tu you hua)
微積分(wei ji feng)
古典模型
逼近輪
牛頓法
梯度下降
python 高階應用
容器 容器淺拷貝和深拷貝
高階函式
lambda表示式
約瑟夫環問題
模組和高階包
時間庫
併發庫科學計算庫
matpltlib視覺化相簿
鎖和執行緒
多執行緒編輯
人工只能實用: 機器學習篇
機器學習概述
監督學習
非監督學習
資料處理與模型調優
人工智慧前沿: 深度學習篇
1）tensorflow基本應用
2）bp神經網路
3）深度學習概述
4）卷積神經網路(cnn)
5）影象分類(vgg,resnet)
6）目標檢測(rcnn,fast-rcnn,faster-rcnn,ssd)
7）遞迴神經網路(rnn)
8）lstm,bi-lstm,多層lstm
9）無監督學習之autoencoder自動編碼器
10）seq2seq
11）seq2seq with attension
12）生成對抗網路
13）irgan
14）finetune及遷移學習
15）孿生網路
16）小樣本學習
人工智慧高階 － 影象處理篇
一、影象基礎
影象讀，寫，儲存，畫圖（線，圓，多邊形，新增文字）
二、影象操作及算數運算
影象畫素讀取，算數運算，roi區域提取
三、影象顏色空間運算
影象顏色空間相互轉化
四、影象幾何變換
平移，旋轉，仿射變換，透視變換等
五、影象形態學
腐蝕，膨脹，開/閉運算等
六、影象輪廓
長寬，面積，周長，外接圓，方向，平均顏色，層次輪廓等
七、影象統計學
影象直方圖
八、影象濾波
高斯濾波，均值濾波，雙邊濾波，拉普拉斯濾波等
開啟人工智慧轉型之路
當我啃完了andrew ng 吳恩達教授 的機器學習以及deeplearn.ai課程之後，頓時神清 氣爽覺得自己已經踏上了人工智慧這條道上，也不再是菜鳥了最起碼已經入門了。於是我決定挑戰一下kaggle，胡亂的瀏覽了一番，發現自己懵逼了，看著題目不知從何下手。於是我看別人的 學不了解的機器學習框架，...
走向人工智慧大神之路
階段2 試題知識點自動標註 第8周 第14周 cv課程大綱 階段3 數學公式自動識別 第17周 第23周 加v領取資料 加v備註 後廠ai 詞向量與文字表徵 詞向量的基本原理 nagative sampling hierarchical softmax 等優化方法 文字高階表徵方法 詞向量的高階用法...
人工智慧簡史 人工智慧簡史
人工智慧簡史 在人工智慧的早期，計算機科學家試圖在計算機中重建人類思維的各個方面。這就是科幻 中的智力型別，即或多或少像我們一樣思考的機器。毫無疑問，這種型別的智慧型稱為可理解性。具有可理解性的計算機可用於探索我們如何推理，學習，判斷，感知和執行腦力活動。可懂度的早期研究集中於在計算機中對現實世界和...