《人工智能應(yīng)用場景及技術(shù)原理》

《人工智能應(yīng)用場景及技術(shù)原理》
-段方
大數(shù)據(jù)（AI） 總設(shè)計師
教授 北大大學(xué)博士后
1 人工智能實際應(yīng)用場景
1.1 概述
1.1.1 企業(yè)如何提升“智能”
1.1.2 應(yīng)用驅(qū)動 or 算法驅(qū)動？
1.1.3 應(yīng)用的場景探索
1.2 智慧營業(yè)廳
1.2.1 人臉識別
1.2.2 智能推薦
1.2.3 客戶軌跡分析
1.2.4 服務(wù)質(zhì)量評估
1.3 智慧管理
1.3.1 業(yè)務(wù)異常監(jiān)控
1.3.2 基站資產(chǎn)稽核
1.3.3 會議語音轉(zhuǎn)寫記錄
1.3.4 態(tài)勢感知
1.4 智慧稽核
1.4.1 人證比對
1.4.2 簽名識別
1.4.3 異常操作識別
1.5 智慧運維
1.5.1 CPU 資源預(yù)測分析
1.5.2 磁盤故障分析
1.5.3 智慧能源分析
1.6 語音 UI 導(dǎo)航
1.6.1 語音識別
1.6.2 語義理解
1.6.3 智能檢索
1.6.4 語音播報
1.7 智慧客服
1.7.1 客戶聲紋識別
1.7.2 問題識別
1.7.3 問題歸類及派單
1.7.4 事后滿意度調(diào)查
1.8 AI 應(yīng)用初探
1.8.1 成果如何評估？
1.8.2 讓 AI 飛一會兒
1.8.3 AI 人才隊伍如何構(gòu)建？
1.9 【思考】企業(yè)人工智能應(yīng)用的領(lǐng)域還有哪些？
2 人工智能技術(shù)基礎(chǔ)
2.1 概述
2.1.1 人工智能定義
2.1.2 演進歷史
2.1.3 傳統(tǒng)機器學(xué)習(xí)階段
2.1.4 深度學(xué)習(xí)階段
2.1.5 本期 AI 突破的原因
2.2 大數(shù)據(jù)的豐富和發(fā)展
2.2.1 非結(jié)構(gòu)化數(shù)據(jù)引入
2.2.2 數(shù)據(jù)標(biāo)注體系
2.2.3 Hadoop 大數(shù)據(jù)基礎(chǔ)
2.3 深度學(xué)習(xí)的演進歷史
2.4 GPU 等硬件的演進
2.5 人工智能主流工具架構(gòu)
2.6 人工智能系統(tǒng)的構(gòu)建
2.6.1 明確業(yè)務(wù)目標(biāo)
2.6.2 收集數(shù)據(jù)
2.6.3 確定算法
2.6.4 算法訓(xùn)練及推理
2.6.5 評估結(jié)果
2.6.6 應(yīng)用部署
2.7 【案例】基于人工智能的人臉識別技術(shù)案例
3 人工智能的深度學(xué)習(xí)
3.1 概述
3.1.1 為什么是深度學(xué)習(xí)？
3.1.2 什么是“無監(jiān)督 ” 學(xué)習(xí)？
3.1.3 與神經(jīng)網(wǎng)絡(luò)的關(guān)系？
3.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
3.2.1 概念
3.2.2 腦神經(jīng)學(xué)研究
3.2.3 原理
3.3 深度學(xué)習(xí)介紹
3.3.1 多層神經(jīng)網(wǎng)絡(luò)
3.3.2 卷積學(xué)習(xí) CNN 概述
3.4 深度學(xué)習(xí)的意義
3.4.1 改變了傳統(tǒng)人工智能的哪些思維定式？
3.4.2 深度學(xué)習(xí)的無監(jiān)督學(xué)習(xí)
3.4.3 推動本輪弱人工智能的發(fā)展
3.5 【案例】谷歌如何識別一只“貓 ”？
3.6 【案例】電信行業(yè)人工智能應(yīng)用案例
4 人工智能算法應(yīng)用實例剖析
4.1 人機對弈， ALPHA 狗原理
4.1.1 ALPHA 狗算法可以應(yīng)用于哪些領(lǐng)域？（供應(yīng)鏈等）
4.1.2 人類還能戰(zhàn)勝 ALPHA 狗嗎？
4.1.3 【例】 ALPHA 狗原理
4.2 模式識別：谷歌的圖像識別原理
4.2.1 圖像識別的技術(shù)原理
4.2.2 【例】谷歌圖像識別的實際案例分享
4.2.3 【例】谷歌無人汽車的原理
4.3 【案例】某企業(yè)的人工智能體系應(yīng)用案例
5 人工智能落地的一些思考
5.1 價值認知方面
5.1.1 第四次革命的深刻認知
5.1.2 電力驅(qū)動了現(xiàn)代文明， AI 將驅(qū)動未來文明
5.1.3 如何讓 AI 滲透企業(yè)
5.2 本輪人工智能的優(yōu)勢
5.2.1 存儲優(yōu)勢
5.2.2 數(shù)據(jù)優(yōu)勢
5.2.3 計算優(yōu)勢
5.2.4 邏輯優(yōu)勢
5.2.5 TPU 的計算能力？
5.3 人工智能當(dāng)前的劣勢
5.3.1 靠大數(shù)據(jù)喂？
5.3.2 行業(yè)知識的積累
5.3.3 *缺乏自編程能力
5.3.4 算法的進步還需加快
5.3.5 硬件仍需進步
5.4 讓 AI“飛一會兒 ”
5.4.1 初期的 AI？
5.4.2 從不完善到完善的過程
5.4.3 AI 滲透到每個行業(yè)、每個企業(yè)
5.4.4 讓人類與 AI 一起飛
5.5 人工智能對思維方面的沖擊
5.5.1 社會層面
5.5.2 企業(yè)層面
5.5.3 個人層面
5.6 核心技術(shù)的把控問題
5.6.1 從 AI 的開源生態(tài)說起
5.6.2 TensorFlow 的架構(gòu)魔力
5.6.3 哪些技術(shù)要把控？
5.6.4 企業(yè)的核心競爭力 or 計算力
5.6.5 核心算法的突破
5.7 人工智能中人才培養(yǎng)問題
5.7.1 AI 要 “從娃娃抓起 ”
5.7.2 AI 所需知識結(jié)構(gòu)內(nèi)容
5.7.3 技能層面的積累
5.7.4 管理協(xié)調(diào)
5.8 人工智能急需的教育變革
5.8.1 從培養(yǎng)工人到培養(yǎng) AI 創(chuàng)造者
5.8.2 AI 技術(shù)越來越易用
5.8.3 AI 操控者
5.8.4 重構(gòu)教育體制
5.9 【案例】人工智能呼喚教育變革
6 人工智能在企業(yè)落地中的問題
6.1 向智慧企業(yè)演進
6.1.1 企業(yè)的運行機制
6.1.2 從依賴經(jīng)驗到依賴數(shù)據(jù)和算法
6.1.3 企業(yè)競爭演進為算力的競爭
6.2 切入點選擇
6.2.1 從市場應(yīng)用切入
6.2.2 從企業(yè)痛點切入
6.2.3 成熟算法驅(qū)動
6.3 提升市場智能
6.3.1 AI 僅改進算法的精度？
6.3.2 逐步從人驅(qū)動轉(zhuǎn)向AI 驅(qū)動
6.3.3 從客戶分析入手？
6.3.4 業(yè)務(wù)場景的提煉
6.4 打造智慧運營環(huán)境
6.4.1 企業(yè)全生命周期
6.4.2 企業(yè)每個環(huán)節(jié)
6.4.3 未來能否實現(xiàn)全程 AI 管理？
6.5 人才方面
6.5.1 AI 人才極其缺乏
6.5.2 AI 從業(yè)者更需要想象力
6.5.3 只能自己培養(yǎng)
6.6 人工智能在企業(yè)實踐中經(jīng)驗分享
6.6.1 非結(jié)構(gòu)化數(shù)據(jù)質(zhì)量問題
6.6.2 數(shù)據(jù)標(biāo)注問題
6.6.3 算法比對選擇問題
6.6.4 應(yīng)用場景選擇問題
6.6.5 營銷活動選擇
6.7 【案例】人工智能對企業(yè)帶來的變革思考
7 總結(jié)

段方老師的其它課程