零基础也能30天玩转人工智能

零基础也能30天玩转人工智能

这是一套专为零基础学习者打造的30天人工智能系统入门课程。课程通过六大章节紧密相连的教学体系，从AI基础概念、神经网络原理讲起，逐步深入到经典网络架构、目标检测算法以及实战技巧，全方位覆盖深度学习的核心知识。课程结合YOLO、Faster – RCNN等实战项目，助力学员构建完整的AI知识体系，为就业、转行或创业筑牢坚实的技术根基。

如何快速入门人工智能？
人工智能领域知识繁杂，学习时常常面临诸多难点：怎样快速高效且深入浅出地理解并学习？别担心！《30天入门人工智能》课程，将助你快速且高效地踏入人工智能领域。

《30天入门人工智能》课程体系
课程遵循从入门到基础、改进、常识、深入再到技巧的6个环节，环环相扣，循序渐进地讲解各个环节所需的基础知识。

课程面向人群

1. 就业人群：主要面向在校学生（专科/本科/研究生及以上），目标是强化基础知识点，为就业做好充分准备，在求职面试时能够思路清晰。
2. 转行人群：针对职场新人（程序员/产品经理/项目管理等），旨在帮助他们了解基础知识，为转行积累储备。
3. 兴趣人群：面向AI行业爱好者，目标是让他们学习AI基础，及时了解行业动态。
4. 创业人群：适用于技术负责人/CTO，目标是通过技术驱动，结合自身特点实现项目落地。

课程6大章节详情

1. 入门（2节课）
   • 学习目标：了解人工智能快速发展的背景，掌握快速学习的方法。
   • 课程内容：第一节介绍人工智能入门知识点；第二节讲解《30天入门人工智能》学习指南。
2. 基础（4节课）
   • 学习目标：掌握深度学习网络、神经网络训练背后的逻辑。
   • 课程内容：第一节讲解深度学习基础算法与逻辑输出；第二节进行初级神经网络入门讲解；第三节提供浅层神经网络入门指南；第四节开展深度神经网络入门学习。
3. 改进（6节课）
   • 学习目标：了解神经网络训练的协同问题，以及改进的方法。
   • 课程内容：第一节探讨深度学习网络的协同问题；第二节介绍深度学习优化，包括Mini – Batch梯度下降参数初始化；第三节讲解中间优化之激活函数；第四节讲解中间优化之网络同一批次化训练衰减；第五节讲解输出层优化之softmax分类器；第六节讲解输出层优化之多任务学习与多目标优化。
4. 常识（7节课）
   • 学习目标：掌握经典神经网络从简单到复杂转变的过程。
   • 课程内容：第一节讲解人工智能核心基础——卷积神经网络（上）；第二节讲解人工智能核心基础——卷积神经网络（下）；第三节讲解经典神经网络LeNet – 5；第四节讲解经典神经网络Alexnet；第五节讲解经典神经网络VGG – 16；第六节讲解经典神经网络Resnet；第七节讲解经典神经网络Inception。
5. 深入（7节课）
   • 学习目标：掌握重要的目标检测知识。
   • 课程内容：第一节讲解目标检测基础算法（上）；第二节讲解目标检测基础算法（下）；第三节讲解YOLOv3目标检测算法的原理及实现（上）；第四节讲解YOLOv3目标检测算法的原理及实现（下）；第五节讲解Faster – RCNN目标检测算法的原理及实现（上）；第六节讲解Faster – RCNN目标检测算法的原理及实现（下）；第七节进行项目实战评估，包括贝叶斯误差与网络评价。
6. 技巧（5节课）
   • 学习目标：学习日常工作中的一些技巧知识点。
   • 课程内容：第一节讲解网络训练技巧1——数据增强及设计；第二节讲解网络训练技巧2——错误分析及错误点修正；第三节讲解网络训练技巧3——过拟合欠拟合、梯度爆炸与梯度消失；第四节讲解网络训练技巧4——正则化技术与Dropout；第五节进行项目实战评估，包括贝叶斯误差与网络评价。

课程内容

1. 第一章第一节《人工智能基础入门指南》.mp4
2. 第一章第二节《30天入门人工智能》学习指南.mp4
3. 第二章第一节《神经网络从输入到输出》.mp4
4. 第二章第二节《初级神经网络入门指南》.mp4
5. 第二章第三节《浅层神经网络入门指南》.mp4
6. 第二章第四节《深度神经网络&迁移学习》.mp4
7. 第三章第一节输入端优化1:数据增强&归一化.mp4
8. 第三章第二节输入端优化2:梯度下降&参数随机初始化.mp4
9. 第三章第三节中间层优化1:激活函数.mp4
10. 第三章第四节中间层优化2:网络归一化&学习率衰减.mp4
11. 第三章第五节输出端优化1:softmax多分类器.mp4
12. 第三章第六节输出端优化2:多任务学习&端到端学习.mp4
13. 第四章第一节人工智能核心基础:卷积神经网络(上).mp4
14. 第四章第二节人工智能核心基础:卷积神经网络(下).mp4
15. 第四章第三节经典卷积神经网络1:LeNet – 5.mp4
16. 第四章第四节经典卷积神经网络2:Alexnet.mp4
17. 第四章第五节经典卷积神经网络3:Vgg – 16.mp4
18. 第四章第六节改进卷积神经网络1:Resnet.mp4
19. 第四章第七节改进卷积神经网络2:Inception.mp4
20. 第五章第一节目标检测算法的背景与分类.mp4
21. 第五章第二节YOLOv3相关算法的原理及实现(上).mp4
22. 第五章第三节YOLOv3相关算法的原理及实现(下).mp4
23. 第五章第四节YOLOv4算法的原理及实现(上).mp4
24. 第五章第五节YOLOv4算法的原理及实现(下).mp4
25. 第五章第六节Faster – RCNN算法的原理及实现(上).mp4
26. 第五章第七节Faster – RCNN算法的原理及实现(下).mp4
27. 第六章第一节网络训练技巧1:数据集选择及设计.mp4
28. 第六章第二节网络训练技巧2:错误分析及错误标签修正.mp4
29. 第六章第三节网络训练问题:欠&过拟合&梯度爆炸&消失.mp4
30. 第六章第四节过拟合消除技巧2:正则化&dropout.mp4
31. 第六章第五节项目训练评判:贝叶斯误差及网络评判.mp4