文章目录第一部分人工智能的历史第二部分Python基础第三分部概率统计基础第四分部最优化方法第五部分深度学习与神经网络第六部分 TensorFlow深度学习习题练习第一部分人工智能的历史主要讲解人工智能的发展历史、驱动因素及关键技术等。【人工智能概述一】人工智能基本概概念、学派、发展历程与新一代人工智能【人工智能概述二】人工智能的关键技术第二部分Python基础主要讲解Python编程语言系统介绍Python的语法规 则、数据类型、程序结构及文件操作和图形化编程等。【python基础】学习路线第三分部概率统计基础概率统计基础本章是人工智能的理论基础。【概率论与数理统计】第一章概率论基本概念【概率论与数理统计】第二章随机变量及其分布【概率论与数理统计】第四章随机变量的数字特征【概率论与数理统计】第五章大数定理和中心极限定理第四分部最优化方法为最优化方法解释人工智能算法本质问题。第五部分深度学习与神经网络深度学习与神经网络是重点学习部分主要对基于深度学习的多层神经网络如卷积神经网络、递归/循环神经网络、长短期记忆神经网络等知识进行介绍。【人工智能基础一】深度学习基础【人工智能基础二】人工神经网络基础【人工智能基础三】卷积神经网络基础CNN【人工智能基础四】循环神经网络RNN与长短时记忆网络LSTM第六部分 TensorFlow深度学习TensorFlow深度学习重点介绍深度学习开源框架TensorFlow的使用方法及如何利用TensorFlow开发和部署各种深度学习模型。【深度学习】hello tensorflow安装TensorFlowon mac m3、tensorflow集成到idea、第一个tensorflow程序以及tf2适配版本tf1【深度学习】TensorFlow深度模型构建训练一元线性回归模型【机器学习基础1】第一个机器学习项目–生成模型、评出最优模型最后验证模型习题练习第七部分数据采集与数据集制作 详细介绍如何通过网络爬虫等方法从互联网上搜 集数据并制作成数据集。第八部分 如何利用GPU并行计算设备和CUDA编程来加速人工智能深度学习的模型训练。第九部分 人工智能实验案例包括数据智能分析、视频图像智能理解、自然语 言处理等各个方面。
