本课程概述人工智能基础概念,探讨数据驱动的人工智能网络模型、算法与平台。课程循发展脉络,精选人工智能发展里程碑与关键节点,旨在激发学生对人工智能的兴趣与探索精神。通过学习,学生将扎实掌握人工智能基本原理,紧跟深度学习技术前沿,为职业发展与学术研究铺设稳固基石。本课程基于人工智能赋能问题导向,也适合非计算机系同学。
Overview
Syllabus
- 人工智能导论 第一讲
- 1 课程介绍
- 2 课程教材
- 人工智能导论 第二讲
- 1 课程学习方法(一)
- 2 课程学习方法(二)
- 人工智能导论 第三讲
- 1 人工智能定义(一)
- 2 人工智能定义(二)
- 3 人工智能定义(三)
- 人工智能导论 第四讲
- 1 人工智能7个里程碑算法(一)
- 2 人工智能7个里程碑算法(二)
- 3 人工智能7个里程碑算法(三)
- 人工智能导论 第五讲
- 1 人工智能3个流派(一)——符号主义流派
- 2 人工智能3个流派(二)——连接主义流派
- 3 人工智能3个流派(三)——行为主义流派
- 人工智能导论 第六讲
- 1 人工智能测试(一)——图灵
- 2 人工智能测试(二)——中文屋测试
- 3 人工智能测试(三)——智能测试
- 人工智能导论 第七讲
- 1 人工神经元(一)——生物神经元
- 2 人工神经元(二)——M-P人工神经元
- 3 人工神经元(三)——M-P人工神经元计算
- 4 人工神经元(四)——M-P人工神经元计算举例
- 人工智能导论 第八讲
- 1 感知机(一)——感知机定义
- 2 感知机(二)——感知机的学习机制
- 3 感知机(三)——感知机的学习算法
- 人工智能导论 第九讲
- 1 ADALINE自适应线性神经元
- 2 机器学习
- 3 监督学习
- 人工智能导论 第十讲
- 1 异或问题
- 2 异或问题证明
- 人工智能导论 第十一讲
- 1 多层感知机与反向传播(一)——多层感知机
- 2 多层感知机与反向传播(二)——反向传播
- 3 多层感知机与反向传播(三)——反向传播的特点
- 4 多层感知机与反向传播(四)——损失函数
- 5 多层感知机与反向传播(五)——回归与分类问题的损失函数
- 6 多层感知机与反向传播(六)——梯度
- 7 多层感知机与反向传播(七)——梯度下降
- 8 多层感知机与反向传播(八)——激活函数
- 9 多层感知机与反向传播(九)——反向传播算法
- 人工智能导论 第十二讲
- 1 机器学习(一)——决策树
- 2 机器学习(二)——决策树特征选择
- 3 机器学习(三)——集成学习
- 4 机器学习(四)——朴素贝叶斯
- 5 机器学习(五)——无监督学习
- 人工智能导论 第十三讲
- 1 支持向量机(一)——定义
- 2 支持向量机(二)——SVM的间隔
- 3 支持向量机(三)——SVM的种类
- 人工智能导论 第十四讲
- 1 深度学习(一)——定义
- 2 深度学习(二)——深度学习7个关键节点
- 3 深度学习(三)——节点1卷积神经网络
- 4 深度学习(四)——节点2 深度学习复兴元年
- 5 深度学习(五)——节点3 ImageNET
- 6 深度学习(六)——节点4 AlphaGO
- 7 深度学习(七)——节点5 Transformer
- 8 深度学习(八)——节点6 ChatGPT
- 9 深度学习(九)——节点7 生成式AI
- 人工智能导论 第十五讲
- 1 人工智能机器学习Scikit Learn开发工具库
- 人工智能导论 第十六讲
- 1 人工智能深度学习飞桨开发框架
- 期末考试
Taught by
Southern University of Science and Technology