人工智能基础及应用培训

===========================================================
==
《人工智能基础及应用培训》 -段方
某世界 100 强大数据/AI 总设计师 教授 北京大学博士后
===========================================================
==
202916811801 概述
-------------------------------------------------------------
1.1 从阿尔法狗与李世石的围棋说起 1.1.1 过程概述
1.1.2 阿尔法狗改变了什么？ 1.2 AI 的概念和特点
1.2.1 AI 的各种定义 1.2.2 AI 的特点
1.3 AI 的发展历史
1.3.1
1.3.2
1.3.3
1.3.4
史前期 形成期 萧条期 兴旺期
1.4 人工智能的研究内容
1.4.1
1.4.2
1.4.3
1.4.4
1.4.5
知识表示 机器感知 机器学习 机器思维 机器行为
1.5 硬件的进步
1.5.1 GPU 的发展
1.5.2 FPGA 的应用 1.5.3 ASIC 芯片崛起 1.5.4 物联网的进步
1.6 人工智能行业发展现状
1.6.1 芯片层面 1.6.2 算法层面 1.6.3 应用层面
1.6.4 开源的深远影响
1.7 人工智能存在的问题及前景
1.7.1 人工智能的这一波进展有何局限？ 1.7.2 人工智能会替代人吗?
1.8 人工智能助力 5G 产业互联网 1.8.1 5G 丰富物联网数据
1.8.2 产业互联网与消费互联网的异同
1.8.3 产业互联到产业智能
1.9 “大模型、多模态 ”的新发展
1.9.1 大模型的概念 1.9.2 多模态的价值 1.9.3 chatGPT 的意义 1.10 【案例】
1.10.1 附件-《人工智能在电信领域中的应用》
237041172352 AI 大模型的概念和特点
-------------------------------------------------------------
2.1 什么是”大模型、多模态“？ 2.2 大模型带来了什么？
2.3 大模型为什么能产生质变？ 2.4 算法层面的跃升
2.4.1 RNN 到 transformor 2.4.2 扩散模型 diffusion 2.4.3 跨模态的 CLIP 框架 2.5 AIGC 的耀眼成果
2.5.1 AI 的“诗词歌赋 ”
2.5.2 AI 的小说 2.5.3 AI 绘画
2.5.4 AI 音乐
2.5.5 AI 主播等等
2.6 AIGC 的代表——chatGPT 2.6.1 chatGPT 的江浙发展报告
2.6.2 对图灵测试的超越 2.6.3 普通人 or 专家？
2.6.4 ChatGPT 带来的“爆品”
2.7 “大模型、多模态”推动了 AI 的“质变 ”
2.7.1 从传统机器学习开始 2.7.2 深度学习开启了“ 突破 ” 2.7.3 大模型带来的“质变 ”
2.7.4 AIGC 产生的合成数据 2.8 从 SaaS 到 MaaS
2.8.1 AIGC 开辟了 MaaS 模式 2.8.2 模型调用 orAPI 调用
2.8.3 产品解决方案层级
2.8.4 面向行业大模型
2.9 【思考】AI 会有自我意识吗？
2.10 【示例】附件——AIGC 带来的艺术震撼
237041171073 为什么是 chatGPT？
-------------------------------------------------------------
3.1 从 OpenAI 说起
3.1.1 马斯克的“冲动 ”
3.1.2 最大的闭源公司却控股了最大的开源公司 3.1.3 微软能弯道超车吗？
3.2 GPT
3.2.1 参数扩展到 1750 亿
3.2.2 算力消耗惊人
3.2.3 数据的海量喂养 3.2.4 开源的资源投入 3.3 GPT 模型的演进
3.3.1 GPT1 到 GPT2 3.3.2 GPT3
3.3.3 instructGPT
3.4 chatGPT 站在 GPT 之上 3.4.1 对 GPT 的改进
3.4.2 算力方面的消耗
3.4.3 大数据的收集和标注 3.4.4 应用场景的“耀眼 ”
3.5 chatGPT 的革新
3.5.1 chatGPT 不是“忽悠 ” 3.5.2 基于互联网海量数据 3.5.3 算法领域的突破
3.5.4 NLP 领域的“厚积薄发”
3.5.5 肯尼亚小哥的“标注 ”
3.6 chatGPT 的商业模式创新 3.6.1 从闭源说起。。。
3.6.2 嵌入 office 产品体系 3.6.3 提供个人客户服务 3.6.4 支撑 2B 客户市场
3.6.5 通用大模型的扩展空间
3.7 【思考】中国为什么没有产生 chatGPT？
3.7.1 基础研究的投入 3.7.2 开源文化的渗透 3.7.3 风险投资的机制
3.7.4 A100 芯片会是中国的“痛 ”吗？ 3.7.5 还有什么？
3.8 【示例】附件-chatGPT 的“神迹 ”
237041167154 智能运维（AIOPS)应用基础
-------------------------------------------------------------
4.1 智能运维基础
4.1.1 概念
4.1.2 发展情况
4.1.3 系统健康度
4.1.4 能力成熟度模型
4.1.5 AIOPS 分析
4.2 智能运维体系架构
4.2.1 体系架构
4.2.2 智能故障诊断 4.2.3 数据架构
4.2.4 物理架构
4.2.5 数据安全设计 4.2.6 平台自监控
4.3 智能运维数据采集
4.3.1 运维数据种类 4.3.2 运维数据采集 4.3.2.1 采集框架
4.3.2.2 采集流程
4.3.2.3 采集模式等 4.3.3 数据处理
4.3.3.1 缓存
4.3.3.2 处理 4.3.3.3 存储
4.4 智能算法模型
4.4.1 无监督异常检测算法
4.4.2 异常根因定位 4.4.3 知识图谱
4.4.4 自然语言理解
4.4.5 单指标异常检测 4.4.6 多指标异常检测 4.5 智能运维应用
4.5.1 故障预测
4.5.2 故障诊断
4.5.3 故障修复
4.5.4 日志数据分析
4.5.5 指标的关联分析 4.6 智能运维新技术
4.6.1
4.6.2
4.6.3
巡检机器人 数据孪生
低代码技术
4.7 运营商自动驾驶网络
4.7.1 TMF 自动驾驶网络框架 4.7.2 某运营商能力分级指标
4.7.3 某运营商自动驾驶网络框架
4.8 【案例】附件——PAAS（华为、阿里等）智能运维案例
2029161171155 人工智能的深度学习
-------------------------------------------------------------
5.1 概述
5.1.1 为什么是深度学习？ 5.1.1.1 引出
5.1.1.2 与浅层学习（单层网络） 的区别 5.1.1.3 原因
5.1.2 什么是“ 无监督”学习？ 5.1.3 与神经网络的关系？
5.2 神经网络学习 5.2.1 概念
5.2.1.1 脑神经元分析 5.2.1.2 视觉识别过程 5.2.2 原理
5.2.2.1 神经网络算法原理 5.2.2.2 BP 网络
5.3 深度学习介绍
5.3.1 多层神经网络
5.3.1.1 梯度下降的概念 5.3.1.2 层越多越好吗？ 5.3.2 深度学习的弱点 5.3.2.1 从视觉原理起步
5.3.2.2 如何扩展到企业应用？ 5.4 深度学习原理
5.4.1 从单层神经网络到多层神经网络
5.4.2 深度学习的训练过程
5.4.3 深度学习的具体模型及方法
5.4.4 深度学习的性能比较 5.4.5 深度学习的应用
5.5 深度学习的意义
5.5.1 改变了传统人工智能的哪些思维定式？ 5.5.2 深度学习的无监督学习
5.6 深度学习的算法 5.6.1 （多层）感知机
5.6.2 深度神经网络（DNN）
5.6.3 循环神经网络（RNN）
5.6.4 卷积神经网络（CNN）
5.6.5 长短期记忆网络（LSTM）
5.7 强化学习和迁移学习
5.7.1 强化学习的概念和特点 5.7.2 迁移学习的概念和特点 5.8 人工智能的学习框架
5.8.1 开源的概念
5.8.2 学习框架的历程
5.8.3 caffe 等学习框架介绍 5.9 TensorFlow 框架内容 5.9.1 编程模型简介
5.9.2 自编码器介绍
5.9.3 多层感知机介绍
5.10 【案例】附件——某企业人脸识别案例
237041172426 人工智能在电信行业应用场景
-------------------------------------------------------------
6.1 概述
6.1.1 企业如何提升“智能 ”
6.1.2 应用驱动 or 算法驱动？ 6.1.3 应用的场景探索
6.2 智慧营业厅
6.2.1 人脸识别
6.2.2 智能推荐
6.2.3 客户轨迹分析 6.2.4 服务质量评估 6.3 智慧管理
6.3.1 业务异常监控
6.3.2 基站资产稽核
6.3.3 会议语音转写记录 6.3.4 态势感知
6.4 智慧稽核 6.4.1 人证比对
6.4.2 签名识别
6.4.3 异常操作识别 6.5 智慧运维
6.5.1 CPU 资源预测分析 6.5.2 磁盘故障分析
6.5.3 智慧能源分析 6.6 语音 UI 导航
6.6.1
6.6.2
6.6.3
6.6.4
语音识别 语义理解 智能检索 语音播报
6.7 智慧客服
6.7.1 客户声纹识别
6.7.2 问题识别
6.7.3 问题归类及派单 6.7.4 事后满意度调查
6.8 AI 应用初探
6.8.1 成果如何评估？ 6.8.2 让 AI 飞一会儿
6.8.3 AI 人才队伍如何构建？
6.9 【思考】企业人工智能应用的领域还有哪些？
-------------------------------------------------------------
7 AIGC 基础
237041014437.1 基本算法的原理
7.1.1 从深度学习算法开始
7.1.2 强化学习算法 7.1.3 迁移学习算法 7.1.4 大模型算法等
7.2 Transformor 算法的原理 7.2.1 RNN 算法的原理
7.2.2 注意力机制 7.2.3 算法简介
7.3 diffusion 扩散算法的基础
7.3.1 噪音的概念
7.3.2 反向扩散的原理 7.3.3 算法简介
7.4 CLIP 框架基础
7.4.1 还有多模态
7.4.2 大模型+多模态 7.4.3 CLIP 框架原理
7.5 如何从 GPT 演化到 chatGPT？ 7.5.1 数据标注的变革
7.5.2 chatGPT 的复现为什么那么难？
7.5.3 还有什么秘密？
7.6 【思考】chatGPT 能否超过人脑？ 7.7 【示例】附件-chatGPT 使用示例
237041080948 类 chatGPT 的企业应用场景举例
-------------------------------------------------------------
8.1 改良类应用
8.1.1 从深度学习到大模型的精度跃升 8.1.2 预测类分析的改良效果
8.1.3 客户分析的改良？ 8.2 改革类应用
8.2.1 改革类应用的想象空间 8.2.2 智力大脑的“ 变革 ”
8.2.3 工业革命/智能革命的类比 8.3 客户营销领域
8.3.1 客户视图的多模态变革 8.3.2 数字人的智能营销
8.3.3 营销场景的“元宇宙化 ”
8.4 客户服务领域
8.4.1 AI 替代的人类客服 8.4.2 客服模式的“质变 ” 8.4.3 客户服务的“专家 ”
8.5 产品设计领域
8.5.1 AIGC 的“新”设计
8.5.2 AI 根据客户反馈的“ 自动修复 ” 8.5.3 产品设计的“个性化 ”
8.6 产品生产领域
8.6.1 产品的机器人生产
8.6.2 产品生产的智能监控
8.6.3 AI 产品质检 8.7 产品的迭代
8.7.1 从大生产到个性生产的“质变 ” 8.7.2 产品如何 AI 迭代设计？
8.7.3 产品的迭代反馈 8.8 供应链领域
8.8.1 能否实现“零库存 ”？
8.8.2 供应链如何智能、颗粒化？
8.8.3 供应链不仅是信息化，更需要智能化
8.9 【思考】chatGPT 能否把所有的行业“重新”做一遍？ 8.10 【示例】附件-chatGPT 的某些应用领域示例
237041089679 人工智能/机器学习案例
-------------------------------------------------------------
9.1 【案例】人工智能用于网络分析的案例（预测类、监督类、运营类等）
9.2 【案例】智慧营业厅深度学习案例
9.3 【案例】智慧机房（厂房） 监控深度学习案例
2370411706010 总结
-------------------------------------------------------------

段方老师的其它课程