课程简介
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识、心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
随着大数据时代的快速到来，以及大数据在生产生活中迅速应用，数据分析、数据建模、数据挖掘、人工智能等重要性越发突出，本课程是针对大数据时代的特点，尹老师总结多年数据分析经验，而精心设计的课程，课程内容涵盖了数据领域的数据处理、统计分析、数据挖掘、机器学习、人工智能等内容，应用范围广泛、前景广阔。
目标收益
1、 人工智能基础、技术及其体系；
2、 人工智能的问题求解及技术实现；
3、 人工智能的学习方式；
4、 人工智能行业应用与发展；
5、 主流人工智能实验平台部署；
6、 人工智能机器学习的算法模型的应用实践
培训对象
1、 即将投身于人工智能、机器学习、数据挖掘领域的企业或者个人；
2、 系统架构师、系统分析师、高级程序员、资深开发人员；
3、 政府机关，金融保险、移动互联网、能源行业等人工智能相关人员；
4、 高校、科研院所统计分析研究员，涉及到人工智能的人员；
课程大纲
| 第1个主题： 人工智能概述（介绍人工智能的渊源及范围）（90分钟） |
1、 人工智能应用场景：AlphaGo对弈李世石 2、 人工智能的历史 3、 人工智能的概括 4、 大数据概述 5、 智能信息 6、 物联网 7、 什么是人工智能 8、 人工智能的概念 9、 人工智能的基础 10、 对智慧、知识和人类技能的态度 11、 人工智能的应用领域 12、 人工智能发展水平及趋势 13、 人工智能当前发展水平 14、 人工智能未来趋势预测 15、 人工智能发展的最终目标 16、 人工智能的国际主要流派和发展路线 17、 人工智能的国内研究情况 18、 弱人工智能 19、 强人工智能 20、 机器学习介绍 21、 深度学习介绍 22、 神经网络介绍 23、 机器人产业链发展现状及趋势 24、 案例场景：阿里金融人工智能防诈骗应用案例分享 25、 案例场景：淘宝电商平台精准营销案例分享 |
| 第2个主题： 机器学习（介绍机器学习概念为深度学习奠定基础）（90分钟） |
1、 机器学习能学习什么？ 2、 机器学习是如何学习的？ 3、 从哪里学习？ 4、 学习的目的是什么？ 5、 学习的方法是什么？ 6、 监督式学习 7、 非监督式学习 8、 半监督式学习 9、 强化学习 10、 训练集、测试集与验证集 11、 模型评分 12、 损失函数 a) 最小二乘法 b) 梯度下降 c) 极大似然 13、 激活函数 a) S型曲线 b) 反正切 c) relu d) 阶跃 14、 二元分类器 15、 多元分类器 a) Softmax 16、 求导 17、 求偏导 18、 链式求导 19、 机器学习的过程 a) 收集数据 b) 预处理数据 c) 探知数据 d) 分析数据 e) 选择模型 f) 训练模型 g) 评估模型 h) 发布模型 |
| 第3个主题： 机器学习算法剖析（典型的大数据挖掘机器学习算法剖析）（90分钟） |
1、 回归分析 2、 逻辑回归 3、 聚类算法解析 4、 分类算法解析 5、 决策树算法 6、 支持向量机 7、 KNN 8、 关联规则算法 9、 协同过滤算法解析 10、 训练数据集与评分 11、 神经网络 12、 深度学习 13、 案例演示：R语言实现逻辑回归 |
| 第4个主题： 深度学习（介绍深度学习的相关知识）（60分钟） |
1、 深度学习介绍 2、 深度学习概念 3、 深度学习特征 4、 深度学习基本思想 5、 浅层学习与深度学习 6、 深度学习与神经网络 7、 深度学习的训练过程 8、 深度学习的常用模型 9、 深度学习的应用 10、 基于人脸特征的员工识别系统 11、 开源深度学习框架介绍 12、 Caffe深度学习框架 13、 TensorFlow深度学习框架 14、 使用方法介绍 15、 应用场景剖析 16、 应用的典型案例 |
| 第5个主题： 人工神经网络实战（介绍人工神经网络的基础知识与实战）（60分钟） |
1、 人工智能介绍 2、 神经网络介绍 3、 神经网络概念 4、 神经网络发展历史 5、 神经网络的别名 6、 神经网络研究的主要内容 7、 神经网络基本构成 8、 神经网络模拟人的智能行为的四个方面 9、 神经网络的特点 10、 学习能力 11、 适应性问题 12、 神经网络基本网络模型 13、 单层网络 14、 多层网络 15、 循环网络 16、 基本网络结构特点 17、 典型训练算法 18、 运行方式 19、 典型问题解决方法 20、 感知机 21、 线性神经网络 22、 BP神经网络 23、 RBF网络 24、 竞争网络 25、 反馈神经网络 26、 随机神经网络 27、 遗传算法 28、 PSO与神经网络优化 |
| 第6个主题： 深度神经网络（DNN）模型（介绍DNN的基础知识、概念、发展历史以及将来趋势）（120分钟） |
1、 深度学习概要 2、 什么是深度学习&与机器学习的异同 3、 多层感知器模型Multi-Layer Perceptron–MLP 4、 神经元权重和激活 NeuronsWeight Activation 5、 神经元网络Neuron Networks 6、 训练网络Training Networks 7、 Back-propagation 算法和计算图 8、 多种自适应学习率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 载入数据 11、 定义-编译-训练-测试模型 12、 案例实践与练习：手写体数字图片识别 |
| 第7个主题： 深度学习开源框架TensorFlow部署（介绍深度学习开源框架TensorFlow）（180分钟） |
1、 为什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是数据流图（Data Flow Graph）? 6、 TensorFlow的应用场景介绍 7、 人工智能 8、 深度学习 9、 神经网络 10、 卷积神经网络 11、 递归神经网络 12、 TensorFlow概念 a) 计算图 b) 张量 c) 变量 d) 取回 e) 供给 13、 TensorFlow基础架构 14、 TensorFlow运行机制 |
| 第8个主题： 卷积神经网络（CNN）在图像识别中的应用与算法（介绍卷积神经网络（CNN）的基础理论知识、概念、发展历史以及将来趋势，并详细剖析总卷积神经网络在图像识别中的应用）（120分钟） |
1、 什么是卷积神经网络CNN (Convolutional Neural Network) 2、 卷积神经网络（CNN） 3、 早期针对视觉的层次特征建模 4、 卷积神经网络：对象识别 5、 卷积神经网络概述 6、 AlphaGo 7、 卷积神经网络应用 8、 Robot learns manipulation actions by watching videos 9、 CNN历史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首层全连接导致网络参数过多 13、 一些模式比图像要小得多 14、 类似的模式出现在图像的不同区域 15、 二次采样像素不会改变对象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空间上权值共享的网络 26、 Convolution Filter 滤波器 27、 Color Channels 28、 RGB输入图像 29、 CNN架构与术语 30、 Stride & Padding 31、 CNN参数计算 32、 链式求导 33、 无池化层的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全联接层 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 残差学习单元 45、 TF DNN Code 46、 卷积神经网络在图像识别中的实践案例 47、 Save保存读取 |
| 第9个主题： 语音识别（介绍语音识别处理模型理论、方法）（30分钟） |
1、 自然语言处理介绍 2、 自然语言理解算法 3、 自然语言生成 4、 自然语言处理应用领域 5、 数据稀疏与平滑技术 6、 语料库 7、 马可夫模型（Markov models） 8、 单词的边界界定 9、 词义的消歧 10、 句法的模糊性 11、 有瑕疵的或不规范的输入 12、 语言行为与计划 13、 文本朗读（Text to speech）/语音合成（Speech synthesis） 14、 语音识别（Speech recognition） 15、 中文自动分词（Chinese word segmentation） 16、 词性标注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然语言生成（Natural language generation） 19、 文本分类（Text categorization） 20、 信息检索（Information retrieval） 21、 信息抽取（Information extraction） 22、 文字校对（Text-proofing） 23、 问答系统（Question answering） 24、 机器翻译（Machine translation） 25、 自动摘要（Automatic summarization） 26、 文字蕴涵（Textual entailment） |
| 第10个主题： 自然语言处理(NLP)循环神经网络（RNN）实现（介绍循环神经网络（RNN）的基础知识、概念、发展历史以及将来趋势，并实现自然语言处理NLP）（120分钟） |
1、 数据驱动的人工智能：循环神经网络 2、 什么是循环神经网络RNN (Recurrent Neural Network) 3、 什么是LSTM循环神经网络 4、 RNN循环神经网络 5、 RNN应用概述 6、 时间序列、LSTM、GRU 7、 自然语言处理基础 8、 Word Embedding 9、 RNN实现案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 语音识别 14、 语音识别中的经典模型：人机对话 15、 自然语言处理NLP 16、 NLP应用 a) 情绪分析、图片描述 b) 机器翻译、写论文、写代码、作曲 17、 语言学家如何表达Word的含义 18、 统计学家：Language Model 19、 语言模型Language Model 20、 N-gram 21、 传统语言模型的不足 22、 前馈式神经网络的不足 23、 基于循环神经网络RNN的语言模型 24、 基于循环神经网络RNN的语言模型实现 25、 RNN工作原理 26、 深度RNN 27、 RNN的困难：梯度消失与梯度爆炸 28、 解决⽅法：Long Short Term Memory Units（LSTMs） 29、 标准RNN vs LSTM 30、 LSTM拆解：Cell Status，传送带 31、 LSTM拆解：Forget Gate，遗忘门 32、 LSTM拆解：InputGate让多少新的信息加入到Cell状态中 33、 LSTM拆解：OutputGate决定如何输出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 词的离散表达（one-hot）的不足 37、 现代统计NLP中最成功的想法 38、 如何使用周围的词来表达词？ 39、 Co-occurrence 矩阵的缺陷与对策 40、 解决方法：SVD矩阵降维 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隐层的权重矩阵就是Word Vector 45、 输出层 46、 Insights 47、 Word2Vec 庞大的权重矩阵训练技巧 48、 递归神经网络（RNN） 49、 LSTM应用2：图像/视频生成文字 50、 Confusion Matrix 51、 RNN LSTM循环神经网络图像描述实践 52、 RNN LSTM(回归例子) 53、 RNN LSTM(回归例子可视化) |
| 第11个主题： 人机对话（介绍人机对话实验）（30分钟） |
第1个主题： 深度神经网络（DNN）模型（介绍DNN的基础知识、概念、发展历史以及将来趋势）（120分钟） 1、 深度学习概要 2、 什么是深度学习&与机器学习的异同 3、 多层感知器模型Multi-Layer Perceptron–MLP 4、 神经元权重和激活 NeuronsWeight Activation 5、 神经元网络Neuron Networks 6、 训练网络Training Networks 7、 Back-propagation 算法和计算图 8、 多种自适应学习率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 载入数据 11、 定义-编译-训练-测试模型 12、 案例实践与练习：手写体数字图片识别 第2个主题： 深度学习开源框架TensorFlow部署（介绍深度学习开源框架TensorFlow）（180分钟） 1、 为什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是数据流图（Data Flow Graph）? 6、 TensorFlow的应用场景介绍 7、 人工智能 8、 深度学习 9、 神经网络 10、 卷积神经网络 11、 递归神经网络 12、 TensorFlow概念 a) 计算图 b) 张量 c) 变量 d) 取回 e) 供给 13、 TensorFlow基础架构 14、 TensorFlow运行机制 第3个主题： 卷积神经网络（CNN）在图像识别中的应用与算法（介绍卷积神经网络（CNN）的基础理论知识、概念、发展历史以及将来趋势，并详细剖析总卷积神经网络在图像识别中的应用）（120分钟） 1、 什么是卷积神经网络CNN (Convolutional Neural Network) 2、 卷积神经网络（CNN） 3、 早期针对视觉的层次特征建模 4、 卷积神经网络：对象识别 5、 卷积神经网络概述 6、 AlphaGo 7、 卷积神经网络应用 8、 Robot learns manipulation actions by watching videos 9、 CNN历史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首层全连接导致网络参数过多 13、 一些模式比图像要小得多 14、 类似的模式出现在图像的不同区域 15、 二次采样像素不会改变对象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空间上权值共享的网络 26、 Convolution Filter 滤波器 27、 Color Channels 28、 RGB输入图像 29、 CNN架构与术语 30、 Stride & Padding 31、 CNN参数计算 32、 链式求导 33、 无池化层的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全联接层 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 残差学习单元 45、 TF DNN Code 46、 卷积神经网络在图像识别中的实践案例 47、 Save保存读取 第4个主题： 语音识别（介绍语音识别处理模型理论、方法）（30分钟） 1、 自然语言处理介绍 2、 自然语言理解算法 3、 自然语言生成 4、 自然语言处理应用领域 5、 数据稀疏与平滑技术 6、 语料库 7、 马可夫模型（Markov models） 8、 单词的边界界定 9、 词义的消歧 10、 句法的模糊性 11、 有瑕疵的或不规范的输入 12、 语言行为与计划 13、 文本朗读（Text to speech）/语音合成（Speech synthesis） 14、 语音识别（Speech recognition） 15、 中文自动分词（Chinese word segmentation） 16、 词性标注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然语言生成（Natural language generation） 19、 文本分类（Text categorization） 20、 信息检索（Information retrieval） 21、 信息抽取（Information extraction） 22、 文字校对（Text-proofing） 23、 问答系统（Question answering） 24、 机器翻译（Machine translation） 25、 自动摘要（Automatic summarization） 26、 文字蕴涵（Textual entailment） 第5个主题： 自然语言处理(NLP)循环神经网络（RNN）实现（介绍循环神经网络（RNN）的基础知识、概念、发展历史以及将来趋势，并实现自然语言处理NLP）（120分钟） 1、 数据驱动的人工智能：循环神经网络 2、 什么是循环神经网络RNN (Recurrent Neural Network) 3、 什么是LSTM循环神经网络 4、 RNN循环神经网络 5、 RNN应用概述 6、 时间序列、LSTM、GRU 7、 自然语言处理基础 8、 Word Embedding 9、 RNN实现案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 语音识别 14、 语音识别中的经典模型：人机对话 15、 自然语言处理NLP 16、 NLP应用 a) 情绪分析、图片描述 b) 机器翻译、写论文、写代码、作曲 17、 语言学家如何表达Word的含义 18、 统计学家：Language Model 19、 语言模型Language Model 20、 N-gram 21、 传统语言模型的不足 22、 前馈式神经网络的不足 23、 基于循环神经网络RNN的语言模型 24、 基于循环神经网络RNN的语言模型实现 25、 RNN工作原理 26、 深度RNN 27、 RNN的困难：梯度消失与梯度爆炸 28、 解决⽅法：Long Short Term Memory Units（LSTMs） 29、 标准RNN vs LSTM 30、 LSTM拆解：Cell Status，传送带 31、 LSTM拆解：Forget Gate，遗忘门 32、 LSTM拆解：InputGate让多少新的信息加入到Cell状态中 33、 LSTM拆解：OutputGate决定如何输出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 词的离散表达（one-hot）的不足 37、 现代统计NLP中最成功的想法 38、 如何使用周围的词来表达词？ 39、 Co-occurrence 矩阵的缺陷与对策 40、 解决方法：SVD矩阵降维 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隐层的权重矩阵就是Word Vector 45、 输出层 46、 Insights 47、 Word2Vec 庞大的权重矩阵训练技巧 48、 递归神经网络（RNN） 49、 LSTM应用2：图像/视频生成文字 50、 Confusion Matrix 51、 RNN LSTM循环神经网络图像描述实践 52、 RNN LSTM(回归例子) 53、 RNN LSTM(回归例子可视化) 第6个主题： 人机对话（介绍人机对话实验）（30分钟） 1、 自然语言处理NLP 2、 语音转化为文字 3、 文字转化为语音 4、 语音特征提取 5、 贝叶斯与语音识别 6、 声学模型 7、 高斯混合模型GMM 8、 隐马尔科夫模型HMM(hidden markov model) 9、 马尔可夫链 10、 加权有限状态转换机的语音识别 11、 DNN（Deep neutral network）深度神经网络模型 12、 循环神经网络（RNN）/卷积神经网络（CNN）模型 13、 DNN-HMM混合系统架构 14、 SyntaxNet 15、 Word2vec&Glove |
| 第12个主题： 深度学习、神经网络开源框架介绍（介绍深度学习、神经网络开源的典型框架）（30分钟） |
1、 开源深度学习框架介绍 2、 Caffe深度学习框架 3、 TensorFlow深度学习框架 |
| 第13个主题： 深度学习开源框架部署与调试（介绍深度学习开源框架部署与调试）（60分钟） |
1、 Caffe安装部署 2、 案例：Caffe使用介绍 3、 Caffe使用调试 4、 Caffe配置文件prototxt的编写 5、 Caffe的使用案例分享： a) 图书馆人流量监控系统 b) 基于人脸特征的员工识别系统 6、 TensorFlow安装部署 7、 案例：TensorFlow使用介绍 8、 TensorFlow使用调试 |
| 第14个主题： 深度学习技术与多媒体信息处理的结合应用（介绍深度学习技术与多媒体信息处理的结合应用、开源社区中的相关资源介绍与分享）（30分钟） |
1、 机器学习对视频认知与理解 2、 视频结构化分析 3、 视频的处理与表示 4、 基于单帧的识别方法 5、 基于CNN扩展网络的识别方法 6、 双路CNN的识别方法 7、 基于LSTM的识别方法 8、 3维卷积核(3D CNN)法 9、 视频目标检测与跟踪 10、 人物识别 11、 动作识别 12、 情感语义分析 13、 深度学习相关框架在企业研发、设计与实现方面的经验分享 14、 基于深度学习等技术面向用户的研发经验分享 15、 多媒体数据处理经验分享 |
| 第15个主题： 人脸识别（介绍人脸识别）（30分钟） |
1、 人脸识别的工作原理 2、 脸部的长度和宽度 3、 脸部肤色 4、 脸局部细节宽度，如嘴、鼻子等 5、 脸部特征提取 6、 匹配算法 7、 人脸识别案例 8、 人脸检测 9、 人脸识别算法的应用 10、 面部身份验证 11、 用户服务 12、 保险行业 13、 人脸识别Python代码的实现 |
| 第16个主题： 视频识别（介绍人脸识别）（30分钟） |
1、 视频目标检测 2、 基于单帧的识别方法 3、 基于CNN扩展网络的识别方法 4、 双路CNN的识别方法 5、 基于LSTM的识别方法 6、 3维卷积核（3D CNN）法 |
| 第17个主题： 深度学习技术与多媒体信息处理的结合应用（介绍深度学习技术与多媒体信息处理的结合应用、开源社区中的相关资源介绍与分享）（30分钟） |
1、 机器学习对视频认知与理解 2、 视频结构化分析 3、 视频的处理与表示 4、 基于单帧的识别方法 5、 基于CNN扩展网络的识别方法 6、 双路CNN的识别方法 7、 基于LSTM的识别方法 8、 3维卷积核(3D CNN)法 9、 视频目标检测与跟踪 10、 人物识别 11、 动作识别 12、 情感语义分析 13、 深度学习相关框架在企业研发、设计与实现方面的经验分享 14、 基于深度学习等技术面向用户的研发经验分享 15、 多媒体数据处理经验分享 |
| 第18个主题： 深度学习开源框架Keras部署（介绍深度学习开源框架Keras）（30分钟） |
1、 开源深度学习框架介绍 2、 Keras深度学习框架 3、 Keras安装部署 4、 案例：Keras使用介绍 5、 Keras使用调试 |
| 第19个主题： 深度学习开源框架Keras（介绍深度学习开源框Keras）（120分钟） |
1、 Keras介绍 2、 Keras部署 3、 Sequential 顺序模型指引 4、 函数式 API 指引 5、 FAQ 常见问题解答 6、 模型 7、 关于 Keras 模型 8、 Sequential 顺序模型 API 9、 函数式 API 10、 Layers 11、 关于 Keras 网络层 12、 核心网络层 13、 卷积层 Convolutional 14、 池化层 Pooling 15、 局部连接层 Locally-connected 16、 循环层 Recurrent 17、 嵌入层 Embedding 18、 融合层 Merge 19、 高级激活层 Advanced Activations 20、 标准化层 Normalization 21、 噪声层 Noise 22、 层封装器 wrappers 23、 编写你自己的层 24、 数据预处理 25、 序列预处理 26、 文本预处理 27、 图像预处理 28、 损失函数 Losses 29、 评估标准 Metrics 30、 优化器 Optimizers 31、 激活函数 Activations 32、 回调函数 Callbacks 33、 常用数据集 Datasets 34、 预训练模型 Applications 35、 后端 Backend 36、 初始化 Initializers 37、 正则化 Regularizers 38、 约束 Constraints 39、 可视化 Visualization 40、 Scikit-learn API |
| 第20个主题： 模型效果评估体系（介绍模型评估理论、方法及指标）（30分钟） |
1、 数据模型评估方法 2、 训练集 3、 测试集 4、 训练误差 5、 交叉验证法 6、 ROC AUC(Area Under ROC Curve) 7、 自助法 8、 留出法 9、 评估数据挖掘模型的性能 10、 评估数据挖掘模型的性能指标 11、 切分数据集合 Data Splitting 12、 手工 k-fold cross validation 13、 模型度量 14、 准确率(accuracy) 15、 loss-acc曲线 16、 模型质量评估 17、 训练数据集与评估 18、 模型质量评估案例 19、 P-R曲线 20、 综合评价指标(F-Measure) 21、 查准率 22、 查全率 |
| 第21个主题： 人工智能在制造企业应用案例（介绍人工智能在制造企业的融合与应用）（30分钟） |
1、 可口可乐生产制造案例 2、 饮料行业、食品行业生产制造案例 3、 数字化、网络化、智能化 4、 整合产业链，高效低成本 5、 消费者参与创新，定制化 6、 智能制造 7、 如何架构数字化工厂 8、 德国工业4.0 9、 中国制造2025 10、 美国工业互联网，先进制造业国家战略计划 11、 日本科技工业联盟 12、 英国工业2050战略 |
| 第22个主题： 人工智能在装备制造领域案例剖析（分享人工智能在装备制造领域案例）（30分钟） |
1、 融合AI深度学习技术 2、 柔性自动化生产线 3、 台达机电柔性生产线 4、 宝马自动化生产流水线 5、 工业机器人 6、 智能装配机器人 7、 智能制造产业链 8、 传感器嵌入式芯片 9、 射频技术 10、 传感器网络 11、 物联网技术 12、 智能芯片 13、 能源管理智能化 14、 供应链管理智能化 15、 设备智能化 16、 生产智能化 |
|
第1个主题： 人工智能概述（介绍人工智能的渊源及范围）（90分钟） 1、 人工智能应用场景：AlphaGo对弈李世石 2、 人工智能的历史 3、 人工智能的概括 4、 大数据概述 5、 智能信息 6、 物联网 7、 什么是人工智能 8、 人工智能的概念 9、 人工智能的基础 10、 对智慧、知识和人类技能的态度 11、 人工智能的应用领域 12、 人工智能发展水平及趋势 13、 人工智能当前发展水平 14、 人工智能未来趋势预测 15、 人工智能发展的最终目标 16、 人工智能的国际主要流派和发展路线 17、 人工智能的国内研究情况 18、 弱人工智能 19、 强人工智能 20、 机器学习介绍 21、 深度学习介绍 22、 神经网络介绍 23、 机器人产业链发展现状及趋势 24、 案例场景：阿里金融人工智能防诈骗应用案例分享 25、 案例场景：淘宝电商平台精准营销案例分享 |
|
第2个主题： 机器学习（介绍机器学习概念为深度学习奠定基础）（90分钟） 1、 机器学习能学习什么？ 2、 机器学习是如何学习的？ 3、 从哪里学习？ 4、 学习的目的是什么？ 5、 学习的方法是什么？ 6、 监督式学习 7、 非监督式学习 8、 半监督式学习 9、 强化学习 10、 训练集、测试集与验证集 11、 模型评分 12、 损失函数 a) 最小二乘法 b) 梯度下降 c) 极大似然 13、 激活函数 a) S型曲线 b) 反正切 c) relu d) 阶跃 14、 二元分类器 15、 多元分类器 a) Softmax 16、 求导 17、 求偏导 18、 链式求导 19、 机器学习的过程 a) 收集数据 b) 预处理数据 c) 探知数据 d) 分析数据 e) 选择模型 f) 训练模型 g) 评估模型 h) 发布模型 |
|
第3个主题： 机器学习算法剖析（典型的大数据挖掘机器学习算法剖析）（90分钟） 1、 回归分析 2、 逻辑回归 3、 聚类算法解析 4、 分类算法解析 5、 决策树算法 6、 支持向量机 7、 KNN 8、 关联规则算法 9、 协同过滤算法解析 10、 训练数据集与评分 11、 神经网络 12、 深度学习 13、 案例演示：R语言实现逻辑回归 |
|
第4个主题： 深度学习（介绍深度学习的相关知识）（60分钟） 1、 深度学习介绍 2、 深度学习概念 3、 深度学习特征 4、 深度学习基本思想 5、 浅层学习与深度学习 6、 深度学习与神经网络 7、 深度学习的训练过程 8、 深度学习的常用模型 9、 深度学习的应用 10、 基于人脸特征的员工识别系统 11、 开源深度学习框架介绍 12、 Caffe深度学习框架 13、 TensorFlow深度学习框架 14、 使用方法介绍 15、 应用场景剖析 16、 应用的典型案例 |
|
第5个主题： 人工神经网络实战（介绍人工神经网络的基础知识与实战）（60分钟） 1、 人工智能介绍 2、 神经网络介绍 3、 神经网络概念 4、 神经网络发展历史 5、 神经网络的别名 6、 神经网络研究的主要内容 7、 神经网络基本构成 8、 神经网络模拟人的智能行为的四个方面 9、 神经网络的特点 10、 学习能力 11、 适应性问题 12、 神经网络基本网络模型 13、 单层网络 14、 多层网络 15、 循环网络 16、 基本网络结构特点 17、 典型训练算法 18、 运行方式 19、 典型问题解决方法 20、 感知机 21、 线性神经网络 22、 BP神经网络 23、 RBF网络 24、 竞争网络 25、 反馈神经网络 26、 随机神经网络 27、 遗传算法 28、 PSO与神经网络优化 |
|
第6个主题： 深度神经网络（DNN）模型（介绍DNN的基础知识、概念、发展历史以及将来趋势）（120分钟） 1、 深度学习概要 2、 什么是深度学习&与机器学习的异同 3、 多层感知器模型Multi-Layer Perceptron–MLP 4、 神经元权重和激活 NeuronsWeight Activation 5、 神经元网络Neuron Networks 6、 训练网络Training Networks 7、 Back-propagation 算法和计算图 8、 多种自适应学习率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 载入数据 11、 定义-编译-训练-测试模型 12、 案例实践与练习：手写体数字图片识别 |
|
第7个主题： 深度学习开源框架TensorFlow部署（介绍深度学习开源框架TensorFlow）（180分钟） 1、 为什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是数据流图（Data Flow Graph）? 6、 TensorFlow的应用场景介绍 7、 人工智能 8、 深度学习 9、 神经网络 10、 卷积神经网络 11、 递归神经网络 12、 TensorFlow概念 a) 计算图 b) 张量 c) 变量 d) 取回 e) 供给 13、 TensorFlow基础架构 14、 TensorFlow运行机制 |
|
第8个主题： 卷积神经网络（CNN）在图像识别中的应用与算法（介绍卷积神经网络（CNN）的基础理论知识、概念、发展历史以及将来趋势，并详细剖析总卷积神经网络在图像识别中的应用）（120分钟） 1、 什么是卷积神经网络CNN (Convolutional Neural Network) 2、 卷积神经网络（CNN） 3、 早期针对视觉的层次特征建模 4、 卷积神经网络：对象识别 5、 卷积神经网络概述 6、 AlphaGo 7、 卷积神经网络应用 8、 Robot learns manipulation actions by watching videos 9、 CNN历史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首层全连接导致网络参数过多 13、 一些模式比图像要小得多 14、 类似的模式出现在图像的不同区域 15、 二次采样像素不会改变对象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空间上权值共享的网络 26、 Convolution Filter 滤波器 27、 Color Channels 28、 RGB输入图像 29、 CNN架构与术语 30、 Stride & Padding 31、 CNN参数计算 32、 链式求导 33、 无池化层的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全联接层 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 残差学习单元 45、 TF DNN Code 46、 卷积神经网络在图像识别中的实践案例 47、 Save保存读取 |
|
第9个主题： 语音识别（介绍语音识别处理模型理论、方法）（30分钟） 1、 自然语言处理介绍 2、 自然语言理解算法 3、 自然语言生成 4、 自然语言处理应用领域 5、 数据稀疏与平滑技术 6、 语料库 7、 马可夫模型（Markov models） 8、 单词的边界界定 9、 词义的消歧 10、 句法的模糊性 11、 有瑕疵的或不规范的输入 12、 语言行为与计划 13、 文本朗读（Text to speech）/语音合成（Speech synthesis） 14、 语音识别（Speech recognition） 15、 中文自动分词（Chinese word segmentation） 16、 词性标注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然语言生成（Natural language generation） 19、 文本分类（Text categorization） 20、 信息检索（Information retrieval） 21、 信息抽取（Information extraction） 22、 文字校对（Text-proofing） 23、 问答系统（Question answering） 24、 机器翻译（Machine translation） 25、 自动摘要（Automatic summarization） 26、 文字蕴涵（Textual entailment） |
|
第10个主题： 自然语言处理(NLP)循环神经网络（RNN）实现（介绍循环神经网络（RNN）的基础知识、概念、发展历史以及将来趋势，并实现自然语言处理NLP）（120分钟） 1、 数据驱动的人工智能：循环神经网络 2、 什么是循环神经网络RNN (Recurrent Neural Network) 3、 什么是LSTM循环神经网络 4、 RNN循环神经网络 5、 RNN应用概述 6、 时间序列、LSTM、GRU 7、 自然语言处理基础 8、 Word Embedding 9、 RNN实现案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 语音识别 14、 语音识别中的经典模型：人机对话 15、 自然语言处理NLP 16、 NLP应用 a) 情绪分析、图片描述 b) 机器翻译、写论文、写代码、作曲 17、 语言学家如何表达Word的含义 18、 统计学家：Language Model 19、 语言模型Language Model 20、 N-gram 21、 传统语言模型的不足 22、 前馈式神经网络的不足 23、 基于循环神经网络RNN的语言模型 24、 基于循环神经网络RNN的语言模型实现 25、 RNN工作原理 26、 深度RNN 27、 RNN的困难：梯度消失与梯度爆炸 28、 解决⽅法：Long Short Term Memory Units（LSTMs） 29、 标准RNN vs LSTM 30、 LSTM拆解：Cell Status，传送带 31、 LSTM拆解：Forget Gate，遗忘门 32、 LSTM拆解：InputGate让多少新的信息加入到Cell状态中 33、 LSTM拆解：OutputGate决定如何输出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 词的离散表达（one-hot）的不足 37、 现代统计NLP中最成功的想法 38、 如何使用周围的词来表达词？ 39、 Co-occurrence 矩阵的缺陷与对策 40、 解决方法：SVD矩阵降维 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隐层的权重矩阵就是Word Vector 45、 输出层 46、 Insights 47、 Word2Vec 庞大的权重矩阵训练技巧 48、 递归神经网络（RNN） 49、 LSTM应用2：图像/视频生成文字 50、 Confusion Matrix 51、 RNN LSTM循环神经网络图像描述实践 52、 RNN LSTM(回归例子) 53、 RNN LSTM(回归例子可视化) |
|
第11个主题： 人机对话（介绍人机对话实验）（30分钟） 第1个主题： 深度神经网络（DNN）模型（介绍DNN的基础知识、概念、发展历史以及将来趋势）（120分钟） 1、 深度学习概要 2、 什么是深度学习&与机器学习的异同 3、 多层感知器模型Multi-Layer Perceptron–MLP 4、 神经元权重和激活 NeuronsWeight Activation 5、 神经元网络Neuron Networks 6、 训练网络Training Networks 7、 Back-propagation 算法和计算图 8、 多种自适应学习率算法 Adaptive Learning Rate 9、 用 Keras 搭建 MLP 10、 载入数据 11、 定义-编译-训练-测试模型 12、 案例实践与练习：手写体数字图片识别 第2个主题： 深度学习开源框架TensorFlow部署（介绍深度学习开源框架TensorFlow）（180分钟） 1、 为什么需要TensorFlow 2、 什么是TensorFlow 3、 TensorFlow概述 4、 TensorFlow的特征 5、 什么是数据流图（Data Flow Graph）? 6、 TensorFlow的应用场景介绍 7、 人工智能 8、 深度学习 9、 神经网络 10、 卷积神经网络 11、 递归神经网络 12、 TensorFlow概念 a) 计算图 b) 张量 c) 变量 d) 取回 e) 供给 13、 TensorFlow基础架构 14、 TensorFlow运行机制 第3个主题： 卷积神经网络（CNN）在图像识别中的应用与算法（介绍卷积神经网络（CNN）的基础理论知识、概念、发展历史以及将来趋势，并详细剖析总卷积神经网络在图像识别中的应用）（120分钟） 1、 什么是卷积神经网络CNN (Convolutional Neural Network) 2、 卷积神经网络（CNN） 3、 早期针对视觉的层次特征建模 4、 卷积神经网络：对象识别 5、 卷积神经网络概述 6、 AlphaGo 7、 卷积神经网络应用 8、 Robot learns manipulation actions by watching videos 9、 CNN历史 10、 ConvNet CIFAR-10 11、 Convolutional Neural Network 12、 首层全连接导致网络参数过多 13、 一些模式比图像要小得多 14、 类似的模式出现在图像的不同区域 15、 二次采样像素不会改变对象 16、 Filtering 17、 Convolution 18、 Convolution layer 19、 Pooling 20、 Pooling layer 21、 Normalization 22、 Rectified Linear Units (ReLUs) 23、 ReLU layer 24、 Fully connected layer 25、 CNN 是在空间上权值共享的网络 26、 Convolution Filter 滤波器 27、 Color Channels 28、 RGB输入图像 29、 CNN架构与术语 30、 Stride & Padding 31、 CNN参数计算 32、 链式求导 33、 无池化层的CNN 34、 Max Pooling & Down Sampling 35、 Overview of CNN 36、 Visualizing ConvNet (ImageNet) 37、 FC Layer 全联接层 38、 Cost Function (Cross Entropy) 39、 BP Revisit 40、 Dropout Regularization 41、 Convolution Layer with TensorFlow 42、 Max Pooling 43、 Inception Module 44、 残差学习单元 45、 TF DNN Code 46、 卷积神经网络在图像识别中的实践案例 47、 Save保存读取 第4个主题： 语音识别（介绍语音识别处理模型理论、方法）（30分钟） 1、 自然语言处理介绍 2、 自然语言理解算法 3、 自然语言生成 4、 自然语言处理应用领域 5、 数据稀疏与平滑技术 6、 语料库 7、 马可夫模型（Markov models） 8、 单词的边界界定 9、 词义的消歧 10、 句法的模糊性 11、 有瑕疵的或不规范的输入 12、 语言行为与计划 13、 文本朗读（Text to speech）/语音合成（Speech synthesis） 14、 语音识别（Speech recognition） 15、 中文自动分词（Chinese word segmentation） 16、 词性标注（Part-of-speech tagging） 17、 句法分析（Parsing） 18、 自然语言生成（Natural language generation） 19、 文本分类（Text categorization） 20、 信息检索（Information retrieval） 21、 信息抽取（Information extraction） 22、 文字校对（Text-proofing） 23、 问答系统（Question answering） 24、 机器翻译（Machine translation） 25、 自动摘要（Automatic summarization） 26、 文字蕴涵（Textual entailment） 第5个主题： 自然语言处理(NLP)循环神经网络（RNN）实现（介绍循环神经网络（RNN）的基础知识、概念、发展历史以及将来趋势，并实现自然语言处理NLP）（120分钟） 1、 数据驱动的人工智能：循环神经网络 2、 什么是循环神经网络RNN (Recurrent Neural Network) 3、 什么是LSTM循环神经网络 4、 RNN循环神经网络 5、 RNN应用概述 6、 时间序列、LSTM、GRU 7、 自然语言处理基础 8、 Word Embedding 9、 RNN实现案例 10、 Bayes Learning、Generative Learning 11、 Bayes Network 12、 RNN with attention、RNN generate 13、 语音识别 14、 语音识别中的经典模型：人机对话 15、 自然语言处理NLP 16、 NLP应用 a) 情绪分析、图片描述 b) 机器翻译、写论文、写代码、作曲 17、 语言学家如何表达Word的含义 18、 统计学家：Language Model 19、 语言模型Language Model 20、 N-gram 21、 传统语言模型的不足 22、 前馈式神经网络的不足 23、 基于循环神经网络RNN的语言模型 24、 基于循环神经网络RNN的语言模型实现 25、 RNN工作原理 26、 深度RNN 27、 RNN的困难：梯度消失与梯度爆炸 28、 解决⽅法：Long Short Term Memory Units（LSTMs） 29、 标准RNN vs LSTM 30、 LSTM拆解：Cell Status，传送带 31、 LSTM拆解：Forget Gate，遗忘门 32、 LSTM拆解：InputGate让多少新的信息加入到Cell状态中 33、 LSTM拆解：OutputGate决定如何输出 34、 Gated Recurrent Unit（GRU） 35、 LSTM vs GRU 36、 词的离散表达（one-hot）的不足 37、 现代统计NLP中最成功的想法 38、 如何使用周围的词来表达词？ 39、 Co-occurrence 矩阵的缺陷与对策 40、 解决方法：SVD矩阵降维 41、 Word2Vec 42、 Word2Vec的基本思想 43、 Word2Vec Network 44、 隐层的权重矩阵就是Word Vector 45、 输出层 46、 Insights 47、 Word2Vec 庞大的权重矩阵训练技巧 48、 递归神经网络（RNN） 49、 LSTM应用2：图像/视频生成文字 50、 Confusion Matrix 51、 RNN LSTM循环神经网络图像描述实践 52、 RNN LSTM(回归例子) 53、 RNN LSTM(回归例子可视化) 第6个主题： 人机对话（介绍人机对话实验）（30分钟） 1、 自然语言处理NLP 2、 语音转化为文字 3、 文字转化为语音 4、 语音特征提取 5、 贝叶斯与语音识别 6、 声学模型 7、 高斯混合模型GMM 8、 隐马尔科夫模型HMM(hidden markov model) 9、 马尔可夫链 10、 加权有限状态转换机的语音识别 11、 DNN（Deep neutral network）深度神经网络模型 12、 循环神经网络（RNN）/卷积神经网络（CNN）模型 13、 DNN-HMM混合系统架构 14、 SyntaxNet 15、 Word2vec&Glove |
|
第12个主题： 深度学习、神经网络开源框架介绍（介绍深度学习、神经网络开源的典型框架）（30分钟） 1、 开源深度学习框架介绍 2、 Caffe深度学习框架 3、 TensorFlow深度学习框架 |
|
第13个主题： 深度学习开源框架部署与调试（介绍深度学习开源框架部署与调试）（60分钟） 1、 Caffe安装部署 2、 案例：Caffe使用介绍 3、 Caffe使用调试 4、 Caffe配置文件prototxt的编写 5、 Caffe的使用案例分享： a) 图书馆人流量监控系统 b) 基于人脸特征的员工识别系统 6、 TensorFlow安装部署 7、 案例：TensorFlow使用介绍 8、 TensorFlow使用调试 |
|
第14个主题： 深度学习技术与多媒体信息处理的结合应用（介绍深度学习技术与多媒体信息处理的结合应用、开源社区中的相关资源介绍与分享）（30分钟） 1、 机器学习对视频认知与理解 2、 视频结构化分析 3、 视频的处理与表示 4、 基于单帧的识别方法 5、 基于CNN扩展网络的识别方法 6、 双路CNN的识别方法 7、 基于LSTM的识别方法 8、 3维卷积核(3D CNN)法 9、 视频目标检测与跟踪 10、 人物识别 11、 动作识别 12、 情感语义分析 13、 深度学习相关框架在企业研发、设计与实现方面的经验分享 14、 基于深度学习等技术面向用户的研发经验分享 15、 多媒体数据处理经验分享 |
|
第15个主题： 人脸识别（介绍人脸识别）（30分钟） 1、 人脸识别的工作原理 2、 脸部的长度和宽度 3、 脸部肤色 4、 脸局部细节宽度，如嘴、鼻子等 5、 脸部特征提取 6、 匹配算法 7、 人脸识别案例 8、 人脸检测 9、 人脸识别算法的应用 10、 面部身份验证 11、 用户服务 12、 保险行业 13、 人脸识别Python代码的实现 |
|
第16个主题： 视频识别（介绍人脸识别）（30分钟） 1、 视频目标检测 2、 基于单帧的识别方法 3、 基于CNN扩展网络的识别方法 4、 双路CNN的识别方法 5、 基于LSTM的识别方法 6、 3维卷积核（3D CNN）法 |
|
第17个主题： 深度学习技术与多媒体信息处理的结合应用（介绍深度学习技术与多媒体信息处理的结合应用、开源社区中的相关资源介绍与分享）（30分钟） 1、 机器学习对视频认知与理解 2、 视频结构化分析 3、 视频的处理与表示 4、 基于单帧的识别方法 5、 基于CNN扩展网络的识别方法 6、 双路CNN的识别方法 7、 基于LSTM的识别方法 8、 3维卷积核(3D CNN)法 9、 视频目标检测与跟踪 10、 人物识别 11、 动作识别 12、 情感语义分析 13、 深度学习相关框架在企业研发、设计与实现方面的经验分享 14、 基于深度学习等技术面向用户的研发经验分享 15、 多媒体数据处理经验分享 |
|
第18个主题： 深度学习开源框架Keras部署（介绍深度学习开源框架Keras）（30分钟） 1、 开源深度学习框架介绍 2、 Keras深度学习框架 3、 Keras安装部署 4、 案例：Keras使用介绍 5、 Keras使用调试 |
|
第19个主题： 深度学习开源框架Keras（介绍深度学习开源框Keras）（120分钟） 1、 Keras介绍 2、 Keras部署 3、 Sequential 顺序模型指引 4、 函数式 API 指引 5、 FAQ 常见问题解答 6、 模型 7、 关于 Keras 模型 8、 Sequential 顺序模型 API 9、 函数式 API 10、 Layers 11、 关于 Keras 网络层 12、 核心网络层 13、 卷积层 Convolutional 14、 池化层 Pooling 15、 局部连接层 Locally-connected 16、 循环层 Recurrent 17、 嵌入层 Embedding 18、 融合层 Merge 19、 高级激活层 Advanced Activations 20、 标准化层 Normalization 21、 噪声层 Noise 22、 层封装器 wrappers 23、 编写你自己的层 24、 数据预处理 25、 序列预处理 26、 文本预处理 27、 图像预处理 28、 损失函数 Losses 29、 评估标准 Metrics 30、 优化器 Optimizers 31、 激活函数 Activations 32、 回调函数 Callbacks 33、 常用数据集 Datasets 34、 预训练模型 Applications 35、 后端 Backend 36、 初始化 Initializers 37、 正则化 Regularizers 38、 约束 Constraints 39、 可视化 Visualization 40、 Scikit-learn API |
|
第20个主题： 模型效果评估体系（介绍模型评估理论、方法及指标）（30分钟） 1、 数据模型评估方法 2、 训练集 3、 测试集 4、 训练误差 5、 交叉验证法 6、 ROC AUC(Area Under ROC Curve) 7、 自助法 8、 留出法 9、 评估数据挖掘模型的性能 10、 评估数据挖掘模型的性能指标 11、 切分数据集合 Data Splitting 12、 手工 k-fold cross validation 13、 模型度量 14、 准确率(accuracy) 15、 loss-acc曲线 16、 模型质量评估 17、 训练数据集与评估 18、 模型质量评估案例 19、 P-R曲线 20、 综合评价指标(F-Measure) 21、 查准率 22、 查全率 |
|
第21个主题： 人工智能在制造企业应用案例（介绍人工智能在制造企业的融合与应用）（30分钟） 1、 可口可乐生产制造案例 2、 饮料行业、食品行业生产制造案例 3、 数字化、网络化、智能化 4、 整合产业链，高效低成本 5、 消费者参与创新，定制化 6、 智能制造 7、 如何架构数字化工厂 8、 德国工业4.0 9、 中国制造2025 10、 美国工业互联网，先进制造业国家战略计划 11、 日本科技工业联盟 12、 英国工业2050战略 |
|
第22个主题： 人工智能在装备制造领域案例剖析（分享人工智能在装备制造领域案例）（30分钟） 1、 融合AI深度学习技术 2、 柔性自动化生产线 3、 台达机电柔性生产线 4、 宝马自动化生产流水线 5、 工业机器人 6、 智能装配机器人 7、 智能制造产业链 8、 传感器嵌入式芯片 9、 射频技术 10、 传感器网络 11、 物联网技术 12、 智能芯片 13、 能源管理智能化 14、 供应链管理智能化 15、 设备智能化 16、 生产智能化 |
近期公开课推荐