人工智能基礎及應用培訓

===========================================================
==
《人工智能基礎及應用培訓》 -段方
某世界 100 強大數(shù)據(jù)/AI 總設計師 教授 北京大學博士后
===========================================================
==
202916811801 概述
-------------------------------------------------------------
1.1 從阿爾法狗與李世石的圍棋說起 1.1.1 過程概述
1.1.2 阿爾法狗改變了什么？ 1.2 AI 的概念和特點
1.2.1 AI 的各種定義 1.2.2 AI 的特點
1.3 AI 的發(fā)展歷史
1.3.1
1.3.2
1.3.3
1.3.4
史前期 形成期 蕭條期 興旺期
1.4 人工智能的研究內容
1.4.1
1.4.2
1.4.3
1.4.4
1.4.5
知識表示 機器感知 機器學習 機器思維 機器行為
1.5 硬件的進步
1.5.1 GPU 的發(fā)展
1.5.2 FPGA 的應用 1.5.3 ASIC 芯片崛起 1.5.4 物聯(lián)網(wǎng)的進步
1.6 人工智能行業(yè)發(fā)展現(xiàn)狀
1.6.1 芯片層面 1.6.2 算法層面 1.6.3 應用層面
1.6.4 開源的深遠影響
1.7 人工智能存在的問題及前景
1.7.1 人工智能的這一波進展有何局限？ 1.7.2 人工智能會替代人嗎?
1.8 人工智能助力 5G 產業(yè)互聯(lián)網(wǎng) 1.8.1 5G 豐富物聯(lián)網(wǎng)數(shù)據(jù)
1.8.2 產業(yè)互聯(lián)網(wǎng)與消費互聯(lián)網(wǎng)的異同
1.8.3 產業(yè)互聯(lián)到產業(yè)智能
1.9 “大模型、多模態(tài) ”的新發(fā)展
1.9.1 大模型的概念 1.9.2 多模態(tài)的價值 1.9.3 chatGPT 的意義 1.10 【案例】
1.10.1 附件-《人工智能在電信領域中的應用》
237041172352 AI 大模型的概念和特點
-------------------------------------------------------------
2.1 什么是”大模型、多模態(tài)“？ 2.2 大模型帶來了什么？
2.3 大模型為什么能產生質變？ 2.4 算法層面的躍升
2.4.1 RNN 到 transformor 2.4.2 擴散模型 diffusion 2.4.3 跨模態(tài)的 CLIP 框架 2.5 AIGC 的耀眼成果
2.5.1 AI 的“詩詞歌賦 ”
2.5.2 AI 的小說 2.5.3 AI 繪畫
2.5.4 AI 音樂
2.5.5 AI 主播等等
2.6 AIGC 的代表——chatGPT 2.6.1 chatGPT 的江浙發(fā)展報告
2.6.2 對圖靈測試的超越 2.6.3 普通人 or 專家？
2.6.4 ChatGPT 帶來的“爆品”
2.7 “大模型、多模態(tài)”推動了 AI 的“質變 ”
2.7.1 從傳統(tǒng)機器學習開始 2.7.2 深度學習開啟了“ 突破 ” 2.7.3 大模型帶來的“質變 ”
2.7.4 AIGC 產生的合成數(shù)據(jù) 2.8 從 SaaS 到 MaaS
2.8.1 AIGC 開辟了 MaaS 模式 2.8.2 模型調用 orAPI 調用
2.8.3 產品解決方案層級
2.8.4 面向行業(yè)大模型
2.9 【思考】AI 會有自我意識嗎？
2.10 【示例】附件——AIGC 帶來的藝術震撼
237041171073 為什么是 chatGPT？
-------------------------------------------------------------
3.1 從 OpenAI 說起
3.1.1 馬斯克的“沖動 ”
3.1.2 最大的閉源公司卻控股了最大的開源公司 3.1.3 微軟能彎道超車嗎？
3.2 GPT
3.2.1 參數(shù)擴展到 1750 億
3.2.2 算力消耗驚人
3.2.3 數(shù)據(jù)的海量喂養(yǎng) 3.2.4 開源的資源投入 3.3 GPT 模型的演進
3.3.1 GPT1 到 GPT2 3.3.2 GPT3
3.3.3 instructGPT
3.4 chatGPT 站在 GPT 之上 3.4.1 對 GPT 的改進
3.4.2 算力方面的消耗
3.4.3 大數(shù)據(jù)的收集和標注 3.4.4 應用場景的“耀眼 ”
3.5 chatGPT 的革新
3.5.1 chatGPT 不是“忽悠 ” 3.5.2 基于互聯(lián)網(wǎng)海量數(shù)據(jù) 3.5.3 算法領域的突破
3.5.4 NLP 領域的“厚積薄發(fā)”
3.5.5 肯尼亞小哥的“標注 ”
3.6 chatGPT 的商業(yè)模式創(chuàng)新 3.6.1 從閉源說起。。。
3.6.2 嵌入 office 產品體系 3.6.3 提供個人客戶服務 3.6.4 支撐 2B 客戶市場
3.6.5 通用大模型的擴展空間
3.7 【思考】中國為什么沒有產生 chatGPT？
3.7.1 基礎研究的投入 3.7.2 開源文化的滲透 3.7.3 風險投資的機制
3.7.4 A100 芯片會是中國的“痛 ”嗎？ 3.7.5 還有什么？
3.8 【示例】附件-chatGPT 的“神跡 ”
237041167154 智能運維（AIOPS)應用基礎
-------------------------------------------------------------
4.1 智能運維基礎
4.1.1 概念
4.1.2 發(fā)展情況
4.1.3 系統(tǒng)健康度
4.1.4 能力成熟度模型
4.1.5 AIOPS 分析
4.2 智能運維體系架構
4.2.1 體系架構
4.2.2 智能故障診斷 4.2.3 數(shù)據(jù)架構
4.2.4 物理架構
4.2.5 數(shù)據(jù)安全設計 4.2.6 平臺自監(jiān)控
4.3 智能運維數(shù)據(jù)采集
4.3.1 運維數(shù)據(jù)種類 4.3.2 運維數(shù)據(jù)采集 4.3.2.1 采集框架
4.3.2.2 采集流程
4.3.2.3 采集模式等 4.3.3 數(shù)據(jù)處理
4.3.3.1 緩存
4.3.3.2 處理 4.3.3.3 存儲
4.4 智能算法模型
4.4.1 無監(jiān)督異常檢測算法
4.4.2 異常根因定位 4.4.3 知識圖譜
4.4.4 自然語言理解
4.4.5 單指標異常檢測 4.4.6 多指標異常檢測 4.5 智能運維應用
4.5.1 故障預測
4.5.2 故障診斷
4.5.3 故障修復
4.5.4 日志數(shù)據(jù)分析
4.5.5 指標的關聯(lián)分析 4.6 智能運維新技術
4.6.1
4.6.2
4.6.3
巡檢機器人 數(shù)據(jù)孿生
低代碼技術
4.7 運營商自動駕駛網(wǎng)絡
4.7.1 TMF 自動駕駛網(wǎng)絡框架 4.7.2 某運營商能力分級指標
4.7.3 某運營商自動駕駛網(wǎng)絡框架
4.8 【案例】附件——PAAS（華為、阿里等）智能運維案例
2029161171155 人工智能的深度學習
-------------------------------------------------------------
5.1 概述
5.1.1 為什么是深度學習？ 5.1.1.1 引出
5.1.1.2 與淺層學習（單層網(wǎng)絡） 的區(qū)別 5.1.1.3 原因
5.1.2 什么是“ 無監(jiān)督”學習？ 5.1.3 與神經網(wǎng)絡的關系？
5.2 神經網(wǎng)絡學習 5.2.1 概念
5.2.1.1 腦神經元分析 5.2.1.2 視覺識別過程 5.2.2 原理
5.2.2.1 神經網(wǎng)絡算法原理 5.2.2.2 BP 網(wǎng)絡
5.3 深度學習介紹
5.3.1 多層神經網(wǎng)絡
5.3.1.1 梯度下降的概念 5.3.1.2 層越多越好嗎？ 5.3.2 深度學習的弱點 5.3.2.1 從視覺原理起步
5.3.2.2 如何擴展到企業(yè)應用？ 5.4 深度學習原理
5.4.1 從單層神經網(wǎng)絡到多層神經網(wǎng)絡
5.4.2 深度學習的訓練過程
5.4.3 深度學習的具體模型及方法
5.4.4 深度學習的性能比較 5.4.5 深度學習的應用
5.5 深度學習的意義
5.5.1 改變了傳統(tǒng)人工智能的哪些思維定式？ 5.5.2 深度學習的無監(jiān)督學習
5.6 深度學習的算法 5.6.1 （多層）感知機
5.6.2 深度神經網(wǎng)絡（DNN）
5.6.3 循環(huán)神經網(wǎng)絡（RNN）
5.6.4 卷積神經網(wǎng)絡（CNN）
5.6.5 長短期記憶網(wǎng)絡（LSTM）
5.7 強化學習和遷移學習
5.7.1 強化學習的概念和特點 5.7.2 遷移學習的概念和特點 5.8 人工智能的學習框架
5.8.1 開源的概念
5.8.2 學習框架的歷程
5.8.3 caffe 等學習框架介紹 5.9 TensorFlow 框架內容 5.9.1 編程模型簡介
5.9.2 自編碼器介紹
5.9.3 多層感知機介紹
5.10 【案例】附件——某企業(yè)人臉識別案例
237041172426 人工智能在電信行業(yè)應用場景
-------------------------------------------------------------
6.1 概述
6.1.1 企業(yè)如何提升“智能 ”
6.1.2 應用驅動 or 算法驅動？ 6.1.3 應用的場景探索
6.2 智慧營業(yè)廳
6.2.1 人臉識別
6.2.2 智能推薦
6.2.3 客戶軌跡分析 6.2.4 服務質量評估 6.3 智慧管理
6.3.1 業(yè)務異常監(jiān)控
6.3.2 基站資產稽核
6.3.3 會議語音轉寫記錄 6.3.4 態(tài)勢感知
6.4 智慧稽核 6.4.1 人證比對
6.4.2 簽名識別
6.4.3 異常操作識別 6.5 智慧運維
6.5.1 CPU 資源預測分析 6.5.2 磁盤故障分析
6.5.3 智慧能源分析 6.6 語音 UI 導航
6.6.1
6.6.2
6.6.3
6.6.4
語音識別 語義理解 智能檢索 語音播報
6.7 智慧客服
6.7.1 客戶聲紋識別
6.7.2 問題識別
6.7.3 問題歸類及派單 6.7.4 事后滿意度調查
6.8 AI 應用初探
6.8.1 成果如何評估？ 6.8.2 讓 AI 飛一會兒
6.8.3 AI 人才隊伍如何構建？
6.9 【思考】企業(yè)人工智能應用的領域還有哪些？
-------------------------------------------------------------
7 AIGC 基礎
237041014437.1 基本算法的原理
7.1.1 從深度學習算法開始
7.1.2 強化學習算法 7.1.3 遷移學習算法 7.1.4 大模型算法等
7.2 Transformor 算法的原理 7.2.1 RNN 算法的原理
7.2.2 注意力機制 7.2.3 算法簡介
7.3 diffusion 擴散算法的基礎
7.3.1 噪音的概念
7.3.2 反向擴散的原理 7.3.3 算法簡介
7.4 CLIP 框架基礎
7.4.1 還有多模態(tài)
7.4.2 大模型+多模態(tài) 7.4.3 CLIP 框架原理
7.5 如何從 GPT 演化到 chatGPT？ 7.5.1 數(shù)據(jù)標注的變革
7.5.2 chatGPT 的復現(xiàn)為什么那么難？
7.5.3 還有什么秘密？
7.6 【思考】chatGPT 能否超過人腦？ 7.7 【示例】附件-chatGPT 使用示例
237041080948 類 chatGPT 的企業(yè)應用場景舉例
-------------------------------------------------------------
8.1 改良類應用
8.1.1 從深度學習到大模型的精度躍升 8.1.2 預測類分析的改良效果
8.1.3 客戶分析的改良？ 8.2 改革類應用
8.2.1 改革類應用的想象空間 8.2.2 智力大腦的“ 變革 ”
8.2.3 工業(yè)革命/智能革命的類比 8.3 客戶營銷領域
8.3.1 客戶視圖的多模態(tài)變革 8.3.2 數(shù)字人的智能營銷
8.3.3 營銷場景的“元宇宙化 ”
8.4 客戶服務領域
8.4.1 AI 替代的人類客服 8.4.2 客服模式的“質變 ” 8.4.3 客戶服務的“專家 ”
8.5 產品設計領域
8.5.1 AIGC 的“新”設計
8.5.2 AI 根據(jù)客戶反饋的“ 自動修復 ” 8.5.3 產品設計的“個性化 ”
8.6 產品生產領域
8.6.1 產品的機器人生產
8.6.2 產品生產的智能監(jiān)控
8.6.3 AI 產品質檢 8.7 產品的迭代
8.7.1 從大生產到個性生產的“質變 ” 8.7.2 產品如何 AI 迭代設計？
8.7.3 產品的迭代反饋 8.8 供應鏈領域
8.8.1 能否實現(xiàn)“零庫存 ”？
8.8.2 供應鏈如何智能、顆?；?？
8.8.3 供應鏈不僅是信息化，更需要智能化
8.9 【思考】chatGPT 能否把所有的行業(yè)“重新”做一遍？ 8.10 【示例】附件-chatGPT 的某些應用領域示例
237041089679 人工智能/機器學習案例
-------------------------------------------------------------
9.1 【案例】人工智能用于網(wǎng)絡分析的案例（預測類、監(jiān)督類、運營類等）
9.2 【案例】智慧營業(yè)廳深度學習案例
9.3 【案例】智慧機房（廠房） 監(jiān)控深度學習案例
2370411706010 總結
-------------------------------------------------------------

段方老師的其它課程