深度學習與人工智慧

PKUGSM BUSINESS ANALYTICS

《深度學習與人工智慧》

課程解析

深度學習最近在圖像、文本等諸多領域取得重要突破：北京火車站已經可以通過人臉識別技術進行無人的票證人核驗，語音識別技術已經在諸多APP上實裝，可以以較高準確度識別人們說的話，無人駕駛汽車已經多次在普通馬路上測試。這些產品應用背後都使用了深度學習技術。

本課程介紹深度學習技術，並展示它在圖像、文本和遊戲領域的應用案例。我們將簡要地介紹兩種重要的深度神經網路，介紹如何使用Python和Tensorflow框架訓練深度學習模型。

通過本課程的學習，同學們將系統地了解深度學習領域的主要研究內容，學會如何自己訓練深度神經網路，並能實現一些簡單的應用案例。

培養目標

1.理解深度學習與傳統數據分析方法的共性與不同；

2.掌握使用深度學習的兩大工具（Python+Tensorflow）；

3.了解深度學習在圖像、聲音以及遊戲領域的應用案例。

內容提要

1.1人工智慧的歷史發展與深度學習的出現

1.2 深度學習在哪些領域有突破進展

2.1 機器學習基礎（一）

2.2 機器學習基礎（二）

3.1 深度卷積神經網路

3.2 深層循環神經網路

4.1 Python語言及Tensorflow框架

4.2 訓練深度神經網路代碼模板

5.1 案例：圖像分類

5.2 案例：圖像檢測

6.1 案例：文本分類

6.2 案例：構建機器翻譯系統

7.1 AlphaGo的大腦：強化學習簡介

7.2 案例：使用強化學習玩俄羅斯方塊

以下為各章節的詳細解析：

1.1人工智慧的歷史發展與深度學習的出現

人工智慧是人類的美好目標之一。人工智慧經歷過數十年的漫長歲月，人工智慧的定義、功能以及實現路徑等方面都發生了很多變化。

了解人工智慧的發展歷史，能夠幫助我們冷靜客觀地對待當前的「人工智慧熱」，也能幫助我們規劃人工智慧的未來發展方向。深度學習的前身是神經網路，神經網路同樣經歷了起起伏伏，我們同樣在本節介紹。

1.2深度學習在哪些領域有突破進展

計算能力的提升（尤其是GPU技術的發展）是深度學習取得突破的重要原因。我們將在本節介紹目前深度學習的主要應用領域以及其取得的進展，同時簡要評述深度學習有較大提升的原因。

2.1-2.2機器學習基礎

我們將用兩節課的時間介紹機器學習的基本概念與術語，這會方便我們閱讀相關文獻、技術文檔以及與他人交流。

我們將介紹機器學習領域如何規範一個研究問題，如何使用訓練集、驗證集合測試集的訓練框架。同時，我們將介紹過擬合、欠擬合的現象以及解決辦法，機器學習中以梯度下降為基礎的各種優化演算法。

3.1-3.2兩種重要的深度神經網路

我們將介紹兩種最基本、最重要並且應用範圍最廣的深度神經網路：卷積神經網路和循環神經網路。

我們將分別介紹這兩種網路結構的設計，用數學符號以及圖形來描述深度神經網路。我們將分析這兩種深度神經網路如何建立起從輸入X到因變數Y的關係。

卷積神經網路用來處理類圖像數據，在圖像中，每個像素點和周圍的像素點高度相關，卷積神經網路可以利用這一特點以達到深刻理解類圖像數據。

循環神經網路用來處理文本、語音等序列數據，這種數據具有序列相關性，並且輸入的長度也可能不一致，循環神經網路可以建立這種從變長序列到標籤的映射關係。

4.1-4.2編程基礎

我們將用兩節課的時間介紹如何寫深度學習代碼來訓練模型。

首先我們介紹深度學習的主要語言Python。與統計常用的編程語言R不同，Python更加適合多種複雜任務，在操作系統資源，調用各類框架的介面等方面表現更出色。Python也是深度學習研究領域最主要的編程語言。

我們將介紹Tensorflow深度學習訓練框架。Tensorflow是谷歌公司開發的深度學習框架，並得到了開源社區大力支持，是深度學習領域的主流框架之一。我們將介紹Tensorflow框架的使用方法，以及常用的API介面。

深度學習程序具有高度模塊化的特性，我們將給出一個常用的深度學習程序模板。

5.1-5.2深度學習在圖像中的應用

圖像是深度學習最主要的應用場景，在這兩節課中，我們通過兩個案例的學習，初步掌握如何將卷積神經網路應用在圖像場景。

圖像分類任務是通過原始圖片的RGB像素矩陣預測圖像所屬類別，圖像檢測是在給定區域內找到所有的物體，並把它們標註出來。

圖像常用的商業應用包括人臉檢測與識別，自動駕駛中的車輛、行人、信號燈等物體的檢測等，在AlphaGo智能圍棋程序中，也主要依靠卷積神經網路來處理棋盤信息。

我們將通過兩個案例展示卷積神經網路在圖像中的應用，並學習在處理圖像中的常用技巧。

6.1-6.2循環神經網路在文本中的應用

與上一節類似，我們繼續通過兩個案例展示如何在文本中應用循環神經網路。

文本分類是把一些短文檔映射到對應的類別。傳統的方法使用詞頻等統計量來進行文本分類，這種分類方法破壞了文本中的順序，在某些情況下無法準確表示文本對應的語義信息。卷積神經網路使用原始的文本輸入，最大可能地保留了原始文本的信息。

我們將展示如何表示文本，如何設計構建循環神經網路，以及如何訓練模型。翻譯也是一種特殊的由X到Y問題，這裡X是原始語言，Y是目標語言，深度學習機器翻譯就是建立一個由原始語言到目標語言的映射。與傳統問題不同，這裡的X和Y都是變長序列，我們將介紹如何使用循環神經網路搞定這種情況。

7.1-7.2強化學習及其應用

強化學習是最近熱門的人工智慧研究方向。強化學習通過機器的自我訓練學習解決特定任務的方法，棋類、撲克以及遊戲等領域都可以被強化學習很好的解決，同時，強化學習也可以被應用於各種各樣的需要一系列決策的場景中。

我們將介紹訓練強化學習的基本步驟，包括編寫強化學習環境，設計強化學習更新演算法以及與深度神經網路相結合。

最後一節，我們將以俄羅斯方塊為例，展示如何訓練計算機「學會」玩俄羅斯方塊遊戲。

BA培養框架

持續關注北大光華商業分析

第一時間掌握項目信息

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！