人工智能（ArtificialIntelligence），英文簡寫為AI。它是科學研究、開發(fā)設計用以仿真模擬、拓寬和拓展人的智能化的基礎理論、方式 、技術性及軟件系統(tǒng)的一門新的技術性科學。人工智能是電子計算機科學的一個支系，它妄圖掌握智能化的本質，并生產制造出一種新的可以人們智能化類似的方法作出反映的智能機器，該行業(yè)的科學研究包含智能機器人、語言識別、圖像識別技術、自然語言理解解決和數據管理系統(tǒng)等。人工智能從問世至今，基礎理論和技術性日漸完善，主要用途也不斷發(fā)展，能夠 構想，將來人工智能產生的高科技產品，可能是人們聰慧的“器皿”。
人工智能是對人的意識、邏輯思維的信息內容全過程的仿真模擬。人工智能并不是人的智能化，但能像人那般思索、也很有可能超出人的智能化。
人工智能是一門富有趣味性的科學，從業(yè)此項工作中的人務必明白電腦知識，社會心理學和社會學。人工智能是包含十分普遍的科學，它由不一樣的行業(yè)構成，如深度學習，人工智能算法這些，總體而言，人工智能科學研究的一個關鍵總體目標是使設備可以擔任一些一般必須人們智能化才可以進行的繁雜工作中。但不一樣的時期、不一樣的人對這類“繁雜工作中”的理解是不一樣的
本新項目實際緊緊圍繞下列好多個層面進行，深度學習原理：CNN，RNN等互聯網，Tensorflow課程內容，深度學習架構：Caffe課程內容，深度學習實戰(zhàn)演練演習：面部識別，深度學習：自然語言理解解決Word2Vec，深度學習演習：文本分類，具備較強的理論性與實際操作性。
一.深度學習DeepLearning基本和基礎觀念
1.人工智能簡述、計算智能、類腦智能
3.深度學習簡述、記憶力學習培訓、梳理學習培訓、統(tǒng)計學習
4.深度學習的前生今世、發(fā)展趨向
5.人力神經網絡、前饋控制神經網絡、BP算法、Hessian引流矩陣、結構型特點表明
二．深度學習DeepLearning基礎框架剪力墻
1.Caffe
2.Tensorflow
3.3.Torch
4.MXNe
三．深度學習DeepLearning-卷積神經網絡
1.CNN卷積神經網絡
卷積層（一維卷積、二維卷積）、池化層（平均值池化、較大池化）
全連接層激活函數層Softmax層
2.CNN卷積神經網絡改善
R-CNN（SPPNET）Fast-R-CNNFaster-R-CNN（YOLO、SSD）
3.深度學習的實體模型訓煉方法
4.梯度下降的優(yōu)化方法詳細說明
四．深度學習DeepLearning-循環(huán)系統(tǒng)神經網絡
1.RNN循環(huán)系統(tǒng)神經網絡
梯度方向測算BPTT
2.RNN循環(huán)系統(tǒng)神經網絡改善
LSTMGRUBi-RNNAttentionbasedRNN
3.RNN具體運用Seq2Seq的原理與完成
五．增強學習
1.增強學習的基礎知識
2.經典實體模型DQN解讀
3.AlphaGo原理解讀
4.RL具體運用；完成一個phaGo
六．競技性轉化成互聯網
1.GAN的基礎知識
2.GAN經典實體模型CGAN.LAPGAN.DCGAN
3.GAN經典實體模型INFOGAN.WGAN.S2-GAN
4.GAN具體運用DCGAN提升模糊不清圖片分辨率
5.GAN具體運用InfoGAN做特殊的樣版轉化成
七．遷移學習
1.遷移學習的基礎理論簡述
2.遷移學習的普遍方式
特點、案例、數據信息、深層轉移、加強轉移、科學研究實例
八．CNN運用實例
1.CNN與手寫數字集歸類
2.YOLO完成目標檢測
3.PixelNet原理與完成
4.運用卷積神經網絡做圖象設計風格融合
九．小結
地理位置 Location
