零基礎也能30天玩轉人工智能

這是一套專為零基礎學習者打造的30天人工智能系統入門課程。課程通過六大章節緊密相連的教學體系，從AI基礎概念、神經網絡原理講起，逐步深入到經典網絡架構、目標檢測算法以及實戰技巧，全方位覆蓋深度學習的核心知識。課程結合YOLO、Faster – RCNN等實戰項目，助力學員構建完整的AI知識體系，為就業、轉行或創業筑牢堅實的技術根基。

如何快速入門人工智能？
人工智能領域知識繁雜，學習時常常面臨諸多難點：怎樣快速高效且深入淺出地理解并學習？別擔心！《30天入門人工智能》課程，將助你快速且高效地踏入人工智能領域。

《30天入門人工智能》課程體系
課程遵循從入門到基礎、改進、常識、深入再到技巧的6個環節，環環相扣，循序漸進地講解各個環節所需的基礎知識。

課程面向人群

1. 就業人群：主要面向在校學生（專科/本科/研究生及以上），目標是強化基礎知識點，為就業做好充分準備，在求職面試時能夠思路清晰。
2. 轉行人群：針對職場新人（程序員/產品經理/項目管理等），旨在幫助他們了解基礎知識，為轉行積累儲備。
3. 興趣人群：面向AI行業愛好者，目標是讓他們學習AI基礎，及時了解行業動態。
4. 創業人群：適用于技術負責人/CTO，目標是通過技術驅動，結合自身特點實現項目落地。

課程6大章節詳情

1. 入門（2節課）
   • 學習目標：了解人工智能快速發展的背景，掌握快速學習的方法。
   • 課程內容：第一節介紹人工智能入門知識點；第二節講解《30天入門人工智能》學習指南。
2. 基礎（4節課）
   • 學習目標：掌握深度學習網絡、神經網絡訓練背后的邏輯。
   • 課程內容：第一節講解深度學習基礎算法與邏輯輸出；第二節進行初級神經網絡入門講解；第三節提供淺層神經網絡入門指南；第四節開展深度神經網絡入門學習。
3. 改進（6節課）
   • 學習目標：了解神經網絡訓練的協同問題，以及改進的方法。
   • 課程內容：第一節探討深度學習網絡的協同問題；第二節介紹深度學習優化，包括Mini – Batch梯度下降參數初始化；第三節講解中間優化之激活函數；第四節講解中間優化之網絡同一批次化訓練衰減；第五節講解輸出層優化之softmax分類器；第六節講解輸出層優化之多任務學習與多目標優化。
4. 常識（7節課）
   • 學習目標：掌握經典神經網絡從簡單到復雜轉變的過程。
   • 課程內容：第一節講解人工智能核心基礎——卷積神經網絡（上）；第二節講解人工智能核心基礎——卷積神經網絡（下）；第三節講解經典神經網絡LeNet – 5；第四節講解經典神經網絡Alexnet；第五節講解經典神經網絡VGG – 16；第六節講解經典神經網絡Resnet；第七節講解經典神經網絡Inception。
5. 深入（7節課）
   • 學習目標：掌握重要的目標檢測知識。
   • 課程內容：第一節講解目標檢測基礎算法（上）；第二節講解目標檢測基礎算法（下）；第三節講解YOLOv3目標檢測算法的原理及實現（上）；第四節講解YOLOv3目標檢測算法的原理及實現（下）；第五節講解Faster – RCNN目標檢測算法的原理及實現（上）；第六節講解Faster – RCNN目標檢測算法的原理及實現（下）；第七節進行項目實戰評估，包括貝葉斯誤差與網絡評價。
6. 技巧（5節課）
   • 學習目標：學習日常工作中的一些技巧知識點。
   • 課程內容：第一節講解網絡訓練技巧1——數據增強及設計；第二節講解網絡訓練技巧2——錯誤分析及錯誤點修正；第三節講解網絡訓練技巧3——過擬合欠擬合、梯度爆炸與梯度消失；第四節講解網絡訓練技巧4——正則化技術與Dropout；第五節進行項目實戰評估，包括貝葉斯誤差與網絡評價。

課程內容

1. 第一章第一節《人工智能基礎入門指南》.mp4
2. 第一章第二節《30天入門人工智能》學習指南.mp4
3. 第二章第一節《神經網絡從輸入到輸出》.mp4
4. 第二章第二節《初級神經網絡入門指南》.mp4
5. 第二章第三節《淺層神經網絡入門指南》.mp4
6. 第二章第四節《深度神經網絡&遷移學習》.mp4
7. 第三章第一節輸入端優化1:數據增強&歸一化.mp4
8. 第三章第二節輸入端優化2:梯度下降&參數隨機初始化.mp4
9. 第三章第三節中間層優化1:激活函數.mp4
10. 第三章第四節中間層優化2:網絡歸一化&學習率衰減.mp4
11. 第三章第五節輸出端優化1:softmax多分類器.mp4
12. 第三章第六節輸出端優化2:多任務學習&端到端學習.mp4
13. 第四章第一節人工智能核心基礎:卷積神經網絡(上).mp4
14. 第四章第二節人工智能核心基礎:卷積神經網絡(下).mp4
15. 第四章第三節經典卷積神經網絡1:LeNet – 5.mp4
16. 第四章第四節經典卷積神經網絡2:Alexnet.mp4
17. 第四章第五節經典卷積神經網絡3:Vgg – 16.mp4
18. 第四章第六節改進卷積神經網絡1:Resnet.mp4
19. 第四章第七節改進卷積神經網絡2:Inception.mp4
20. 第五章第一節目標檢測算法的背景與分類.mp4
21. 第五章第二節YOLOv3相關算法的原理及實現(上).mp4
22. 第五章第三節YOLOv3相關算法的原理及實現(下).mp4
23. 第五章第四節YOLOv4算法的原理及實現(上).mp4
24. 第五章第五節YOLOv4算法的原理及實現(下).mp4
25. 第五章第六節Faster – RCNN算法的原理及實現(上).mp4
26. 第五章第七節Faster – RCNN算法的原理及實現(下).mp4
27. 第六章第一節網絡訓練技巧1:數據集選擇及設計.mp4
28. 第六章第二節網絡訓練技巧2:錯誤分析及錯誤標簽修正.mp4
29. 第六章第三節網絡訓練問題:欠&過擬合&梯度爆炸&消失.mp4
30. 第六章第四節過擬合消除技巧2:正則化&dropout.mp4
31. 第六章第五節項目訓練評判:貝葉斯誤差及網絡評判.mp4