从零开始学AI（立Flag）

报班

在金山快一年了，最近公司内部组织了一次学习人工智能的线下课程，一直对人工智能很感兴趣，自己学的话，很难坚持的下来，能够有这次机会学习我很珍惜，就报了实践班（免费的），跟着公司的大佬学习AI，本周三刚刚讲了公司人工智能的业务以及触及到的领域。

    这个博客的作用就是立Flag，好好学习AI，坚持学习，每次坚持不住了，看看此博客，人的意志有时候很脆弱，只能提醒自己，不要放弃自己热爱的东西，只有有一定的实力后，再来谈疲不疲惫，困不困倦。 这几天我已经连续几天搞到十一二点了，虽然还没开课，我环境什么都已经准备好了（笑脸），期待下周三晚上的AI课，殷宇辰加油，你是最胖的。

课程大纲

这是老师安排的课程大纲，内容还是很多的，不过不怂，数学什么的还是不怕的，老师肯教，我肯学，就完了，干就完了。后面我会在CSDN上记录学习的笔记，来记录自己成长的轨迹。

报班的时候有个有意思的题，分享一下，在评论里说出来你的答案（哈哈哈.......）

 

第一部分 深度学习

第一章 预备知识

1.1 环境安装

1.1.1 显卡驱动安装

1.1.2 Anaconda安装

1.1.3 PyTorch安装

1.2 手写数字识别案例

1.2.1 Python基础

1.2.2 案例背景

1.2.3 代码实现

1.3 课后作业

1.3.1 线性代数及概率论基础温习

1.3.2 Python小练习

第二章 基础理论

2.1 线性代数

2.1.1 标量、向量、矩阵和张量

2.1.2 矩阵和向量向乘

2.1.3 单位矩阵和逆矩阵

2.1.4 行列式

2.2 微分

2.2.1 导数和微分

2.2.2 偏导

2.2.3 梯度下降法

2.2.4 链式法则

2.3 基本概率论

2.3.1 概率分布

2.3.1.1 离散型变量

2.3.1.2 连续型变量

2.3.2 熵

2.3.2.1 熵的概念

2.3.2.2 自信息

2.3.2.3 信息熵

2.3.2.4 条件熵

2.3.2.5 交叉熵

2.3.2.6 相对熵

2.3.2.7 互信息

2.3.2.8 信息增益

2.3.2.9 基尼系数

2.3.3 边缘概率

2.3.4 条件概率

2.3.5 常用概率分布

2.3.5.1 Bernoulli分布

2.3.5.2 高斯分布

2.3.5.3 指数分布

2.3.5.4 Laplace分布

2.4 课后作业(Python练习)

第三章 框架学习

3.1 Pytorch基本概念

3.2 Tensorflow基本概念

3.3 案例实现对比

3.4 课后作业

第四章 线性神经网络

4.1 线性回归

4.1.1 理论基础

4.1.2 代码实现

4.2 Softmax回归

4.2.1 理论基础

4.2.2 代码实现

4.3 课后作业

第五章 多层感知机

5.1 隐藏层

5.2 激活函数

5.2.1 Sigmoid

5.2.2 Tanh

5.2.3 ReLU

5.2.4 Leaky ReLU

5.2.5 Maxout

5.3 损失函数

5.3.1 0-1损失函数

5.3.2 绝对值损失函数

5.3.3 log对数

5.3.4 平方损失函数

5.3.5 指数损失函数

5.3.6 Hinge损失函数

5.3.7 感知损失函数

5.3.8 交叉熵

5.3.9 极大似然

5.4 多层感知机实现

5.5 课后作业

第六章 卷积神经网络

6.1 全连接层到卷积

6.1.1 池化

6.1.2 汇聚层（pooling）

6.1.2 残差

6.2 基础模型结构

6.3 LeNet原理

6.4 LeNet代码实现

6.5 深度卷积神经网络

6.6 其他卷积神经网络介绍

6.7 课后作业

第七章 循环神经网络

7.1 基本循环神经网络

7.2 实现简单循环神经网络

7.3 GRU

7.4 LSTM

7.5 深度循环神经网络

7.6 双向循环神经网络

7.7 课后作业

第八章 Transformer

8.1注意力机制

8.1.1 attention机制的起源和发展

8.1.2 NLP中attention机制

8.1.3 CV中的attention机制

8.2 Transformer的使用及延伸

8.2.1 Transformer模型结构及代码详解

8.2.2 Bert的介绍

8.2.3 GPT的介绍

8.3 课后作业

第九章综合案例

9.1 手写数字识别

9.1.1 背景介绍

9.1.2 详细代码

9.2 文本分类

9.2.1 传统机器学习实现文本分类

9.2.1.1 向量空间模型

9.2.1.2 文本的分布式表示

9.2.1.3 机器学习分类器

9.2.2 深度学习实现文本分类

9.2.2.1 FastText

9.2.2.2 TextCNN

9.2.2.3 TextRNN

9.2.2.4 Bert模型

9.3 人脸识别

9.3.1 人脸识别发展史

9.3.2 人脸识别技术原理

9.3.3 人脸识别实战

9.3.4 人脸识别常见问题

9.4 课后作业

第十章 总结

10.1 课程回顾与总结

10.2 比赛

第二部分 知识图谱

第三部分 元学习

第四部分 强化学习

冲啊.......................................................