第一天：人工智能概念與經典算法

人工智能概念綜述（第一天——1）

1、  從一些術語辨析人工智能

2、  人工智能之連接主義的興衰史

3、  這次AI的熱潮是怎么來的？

圖像處理領域的最新熱點（第一天——2）

1、  分類、目標檢測與實例分割

2、  風格遷移

3、  自動駕駛

4、  人體姿態識別

5、  超分辨率圖像生成

語言處理領域的最新熱點（第一天——3）

1、  Attention機制

2、  自動構建知識圖譜

3、  看圖說話

4、  預訓練機制

三大經典算法（第一天——4）

1、  決策樹算法

2、  決策樹案例：手術后駝背的發生概率

3、  聚類算法

4、  聚類案例：鳶尾花數據的聚類

5、  關聯規則算法

6、  關聯規則案例：超市購物籃分析

性能評價指標（第一天——5）

1、  準確率；精確率、召回率；F1

2、  真陽性率、假陽性率

3、  混淆矩陣

4、  ROC與AUC

5、  案例：繪制ROC并計算AUC、F1

6、  對數損失

7、  Kappa系數

8、  回歸：平均絕對誤差、平均平方誤差

9、  案例：繪制擬合曲線，計算擬合優度

10、              聚類：蘭德指數、互信息

11、k折驗證

BP神經網絡 （第一天——6）

1、  人工神經元及感知機模型

2、  前向神經網絡

3、  sigmoid

4、  梯度下降

5、  誤差反向傳播

6、  BP神經網絡案例：可手算的神經網絡

支持向量機 （第一天——7）

1、  統計學習問題

2、  支持向量機

3、  核函數

4、  多分類的支持向量機

5、  用于連續值預測的支持向量機

6、  SVM案例： iris的三個分類

第二天：機器學習進階與深度學習初步

隱馬爾科夫模型（第二天——1）

1、  馬爾科夫過程

2、  隱馬爾科夫模型

3、  三個基本問題（評估、解碼、學習）

4、  前向-后向算法

5、  Viterbi算法

6、  Baum-Welch算法

集成學習（第二天——2）

1、  bagging

2、  adaboost

3、  隨機森林

4、  GBDT

深度學習初步（第二天——3）

1、  深度學習與神經網絡的區別與聯系

2、  目標函數

3、  激勵函數

4、  學習步長

5、  Adagrad\RMSprop\Adam

6、  避免過適應

用于分類的CNN（第二天——4）

1、  分類典型應用場景（imageNet數據集）

2、  Alexnet（開山之作）

3、  VGG（5層變為5組）

4、  GoogLenet（還在試驗各種架構的組合嗎？）

5、  Resnet（還可以再“深”下去）

用于目標檢測的CNN（第二天——5）

1、  CNN目標檢測典型應用場景

2、  RCNN（兩個頭的網絡）

3、  Fast/faster RCNN（又快又好）

第三天：深度學習與強化學習

RNN（第三天——1）

1、  基本RNN

2、  LSTM（三個門）

3、  GRU（減為兩個門）

GAN（第三天——2）

1、  基本的生成對抗網絡

2、  DCGAN（技巧的勝利）

3、  Wassertein GAN（理論的勝利）

強化學習（第三天——3）

1、  agent的屬性

2、  exploration and exploitation

3、  Bellman期望方程

4、  最優策略

5、  策略迭代與價值迭代

6、  Q學習算法

深度強化學習案例：教電腦玩“flappy bird”（第三天——4）

1、  DQN詳解

2、  Flappy Bird 游戲

深度強化學習案例：AlphaGo詳解（第三天——5）

1、  蒙特卡羅決策樹

2、  策略網絡

3、  價值網絡

4、  Alpha Go的完整體系