线下课程精彩回顾
AI核心技术掌握
Python基础入门
机器学习应用数学
机器学习入门
机器学习模型
深度学习基础
AI趣味课堂
课程目录
第1章
迈入现代人工智能的大门
第1课
Modern AI你知多少
人工智能技术经过了多年发展产生了大量的思想和技术,本节课将会览遍最重要的人工智能技术,并给出现代人工智能课程的整体体系
开始学习
00:13:25
第2课
Modern AI骨架脉络
现代人工智能技术究竟由什么构成呢,本节课将会给出其主要的架构和发展脉络,从而能够快速找到一个全貌的认知
开始学习
00:19:08
第3课
深度学习简介
本节课我们会简要地介绍深度学习技术,对其发展历程和重要节点进行相应的解析,帮助大家对深度学习技术有一个粗略了解
开始学习
00:37:47
第4课
关键突破——多层感知机网络模型
深度学习技术的前身-神经网络发展经历了若干的波折,直到取得关键突破后能够得到更广泛的应用,这也是现代人工智能核心基础之一
开始学习
00:18:25
第5课
深度学习的基础算法——反向传播算法简介
简单地介绍一下反向传播算法,这是神经网络的核心算法,极具代表性。本节课为大家解释反向传播的核心思想
开始学习
00:03:38
第6课
PaddlePaddle框架简介和几个案例
PaddlePaddle 作为一个深度学习框架,对深度学习模型开发有着良好的支持,本节课给出 PaddlePaddle 基本使用方法
开始学习
00:19:52
第2章
机器能“看”的现代技术
第1课
计算机视觉小普及
计算机视觉是人工智能发展历程中具有代表性的领域,其应用场景遍布很多地方,本节课给出计算机视觉的概述
开始学习
00:04:58
第2课
计算机视觉深入认知
深入探讨计算机视觉的具体的问题和核心思想,帮助大家从新的视角来看计算机视觉这个重要的领域
开始学习
00:14:39
第3课
源自视觉神经原理的卷积网络简介
基于人们对于生物视觉的研究,科学家们给出了在计算机视觉中的具备良好表现的卷积神经网络模型,本节课简单介绍这样的网络结构
开始学习
00:06:39
第4课
卷积网络深入理解
本节课分析卷积网络组成单元,对其中的原理进行分析,帮助大家更好地掌握这样的一个经典的神经网络结构
开始学习
00:11:23
第5课
AlexNet 深度学习关键突破
AlexNet的出现使计算机视觉完全由深度学习统治了。本节课给出 AlexNet 网络结构的讲解
开始学习
00:11:18
第6课
VGG网络 更深的架构尝试
VGG 网络是深度学习在计算机视觉上应用,本节课给出 VGG 网络模型的结构和组成单元及其特性的讲解
开始学习
00:06:52
第7课
ResNet 深度学习模型的深度究竟能有多深
ResNet 网络是令人震惊的结构,这项技术帮助我们设计出了超过百层甚至上千层的网络,本节课介绍 ResNet 的结构和核心思想
开始学习
00:12:01
第8课
PaddlePaddle 加持下的卷积网络实现
PaddlePaddle 对实现卷积神经网络有良好的支持,本节课介绍如何在 PaddlePaddle 下实现代表性的卷积网络
开始学习
00:19:41
第3章
循环网络原理、模型及应用 (语音识别,自然语言处理)
第1课
课程导引
介绍本节课主要的内容
开始学习
00:01:16
第2课
序列场景分析
序列数据一类极具代表性的数据,针对这一类数据背后的问题我们有很多方法来解决。本节课对序列数据的场景进行分析并给出相关介绍
开始学习
00:07:02
第3课
初识循环神经网络
循环网络是适合处理序列数据的一种神经网络模型,其特点与序列数据能够完美匹配。本节课将会介绍循环神经网络的基本概念和结构
开始学习
00:21:02
第4课
突破障碍的LSTM
LSTM 网络一种相对复杂的循环网络,其具备记忆能力使得在处理序列问题中能够克服长距离预测问题。本节课我们介绍 LSTM 网络
开始学习
00:20:45
第5课
新式的简化变体GRU网络
经过多年发展大家发现简化 LSTM 模型也能够得到能力相当的模型。其中具有代表性的工作就是 GRU。本节课会简单介绍 GRU 网络
开始学习
00:10:31
第6课
神经图灵机整体结构
LSTM 网络是增加一定的记忆能力,但这点记忆还不足够。NTM 是一种引入外部记忆的网络结构。本节课我们给出神经图灵机的整体架构
开始学习
00:21:49
第7课
神经图灵机——寻址
神经图灵机其中一个重要的功能是寻址,本节课介绍并分析寻址的具体过程
开始学习
00:13:32
第8课
神经图灵机——控制器
神经图灵机另一个重要的模块是控制器,本节课介绍并分析控制器模块
开始学习
00:07:58
第9课
PaddlePaddle下的LSTM和GRU
本节课程介绍如何基于PaddlePaddle 实现 LSTM 和 GRU 模型
开始学习
00:11:26
第4章
CNN和RNN应用
第1课
文本数据究竟能够干什么——典型场景分析
文本数据是常见数据之一,我们可以通过算法这些数据中找到特定的模式。本节课给出文本数据分析的典型场景的介绍
开始学习
00:27:14
第2课
文本分类的神器——卷积神经网络
卷积神经网络对于文本数据,也有一些技术将其应用起来。本节课我们介绍卷积神经网络进行文本分类
开始学习
00:24:54
第3课
情感分析的强大武器——循环神经网络
循环神经网络天生针对的是序列数据,使用循环神经网络我们可以完成一些分类任务。本节课我们介绍循环神经网络情感分析的模型
开始学习
00:21:39
第4课
机器也可写写诗——中文诗歌生成网络初探
简要介绍生成诗歌的深度学习模型
开始学习
00:06:52
第5课
PaddlePaddle 实现
PaddlePaddle 实现 CNN 和 RNN 进行情感分析的任务
开始学习
00:24:04
第5章
神经自然语言处理
第1课
自然语言理解概述
自然语言理解是一个人工智能重要的分支,本节课我们介绍了自然语言理解的领域概况和具体的一些场景
开始学习
00:26:35
第2课
神经语言模型
深度学习对自然语言理解的渗透已经有了一些年头,有很多的应用案例出现。本节课给出神经语言模型的简单介绍
开始学习
00:33:23
第3课
语义模型——深度结构化语义模型
语义模型是自然语言理解重要的子领域,本节我们帮助大家在语义模型上了解深度学习的使用方式
开始学习
00:23:08
第4课
序列标注——命名实体识别
对于序列标注问题做了简单的概括,并给出命名实体识别的代表性的网络架构
开始学习
00:13:46
第5课
paddlepaddle实现
PaddlePaddle 实现 DSSM 和 NER 网络模型
开始学习
00:20:12
第6章
排序学习
第1课
排序学习简介
排序学习是搜索引擎的核心技术之一,本节课简单介绍排序学习技术
开始学习
00:22:23
第2课
排序学习不同类别和Pointwise方法
排序学习技术产生了三大类的排序学习方法。本节课介绍排序学习的不同类别和其中基本的方法 Pointwise
开始学习
00:13:50
第3课
Pairwise方法和Listwise方法
Pairwise 和 Listwise 是以设计不同数据集来引入更丰富的排序信息作为基本思想。本节课介绍 Pairwise 方法和 Listwise 方法
开始学习
00:18:12
第4课
Pairwise 方法的神经网络模型 RankNet
深度学习如何应用在排序学习中,RankNet 是一种简单的实施,我们在本节课介绍 RankNet 的基本结构,并给出一定的数学模型的设定
开始学习
00:09:17
第5课
Listwise 方法的神经网络模型 LambdaRank
深度学习应用在 Listwise 方法中,主要需要改变的是我们如何对代价函数进行比对,以此作为训练的参照
开始学习
00:05:34
第6课
PaddlePaddle 实现 RankNet 和 LambdaRank
PaddlePaddle 实现 RankNet 和 LambdaRank 算法
开始学习
00:12:02
第7章
强化学习
第1课
强化学习导引
强化学习作为一门重要的机器学习分支,在人工智能突破性进展中起到重要的作用,本节课我们带领大家了解强化学习领域
开始学习
00:44:30
第2课
基于值的强化学习方法
作为强化学习方法中重要的组成部分,值机制帮助我们更好地了解当前agent所处的状态好坏。本节课给出基于值的技术
开始学习
00:11:55
第3课
基于策略的强化学习方法
除了值之外,还有其他的解决强化学习问题的策略,本节课讨论另外一大类的方法,我们直接去学习agent的行动法则
开始学习
00:18:47
第4课
基于模型的强化学习方法
另外一种方法是基于模型视角来研究agent该如何行的方法。本节课探讨让agent获得对环境的认知能力,以此来形成更加靠谱的行动策略
开始学习
00:14:06
第5课
强化学习实验环境
对强化学习的研究不可缺少的是一种完整的环境支撑,这里我们会给出关键的环境,在这样的环境中,我们可以更好地训练agent
开始学习
00:25:55
第8章
可解释的模型及应用
第1课
可解释的模型简介
对于深度学习的模型,我们需要引入一些机制使得对于复杂模型能够有更为深入的理解。我们本节会给出适当的背景知识和应用场景
开始学习
00:26:21
第2课
概率图模型
概率图模型是深度学习之前一波重要的工作,在研究过程中能够刻画人类的先验知识。本节课我们给出概率图模型基本原理和相关技术
开始学习
00:29:49
第3课
贝叶斯推断
为了更好地介绍我们的重点内容,本节课给出贝叶斯推断的基本原理和技术,这是更好地设计模型需要的重要技术
开始学习
00:25:19
第4课
贝叶斯深度学习
深度学习的发展催生了大量的技术突破,但对于模型的深入理解仍然缺乏手段。我们本节课给出贝叶斯深度学习的原理和技术点的介绍
开始学习
00:26:13
第5课
常用的实践环境
通过常用的实践环境来帮助大家更好地学习贝叶斯深度学习,这些是可解释模型学习和研究的重要手段
开始学习
00:07:18
第9章
生成式模型的基本概念、方法和应用
第1课
生成式模型方法
作为一种最有远见的方法论,生成式模型是极关键的存在。生成式模型旨在达成真正理解真实世界。本节课介绍生成式模型的原理应用
开始学习
00:30:04
第2课
变分自编码器
变分自编码器是变分推断和自编码器融合产物,具备良好的理论特性,本节课给出变分自编码器的简介和分析,帮助大家理解这个技术背后的思想以及如何去完成的关键技术
开始学习
00:42:41
第3课
生成式对抗网络
生成式对抗网络是另一类重要的生成式模型,提出之后,大量的改进和应用的GAN出现。本节课给出GAN的基本原理和相应的分析
开始学习
00:24:54
第4课
PaddlePaddle 实现 VAE 和 GAN
PaddlePaddle 中能够实现VAE和GAN这种生成式模型,我们给出实现的细节简介
开始学习
00:10:49
第10章
深度强化学习
第1课
深度强化学习简介
作为近几年备受关注的人工智能技术代表,深度强化学习越来越受到大家的重视。本节课给出深度强化学习相关背景介绍
开始学习
00:30:25
第2课
DQN技术
DQN 是最早的一种现代深度强化学习技术,源自DeepMind的工作,并在改进后发表在 Nature 上
开始学习
00:32:47
第3课
DDPG技术
对应于DQN这类基于值的深度强化学习技术,还有一种结合策略的方法,而 DDPG 就是这样的一种方法。本节课介绍 DDPG 基本原理
开始学习
00:34:55
第4课
AlphaGo相关技术
MCTS方法最成功案例就是 AlphaGo了,我们本节课简要介绍 AlphaGo 基本原理
开始学习
00:17:12
第5课
实践环境
本节介绍在 Gym 中实现 DQN 和 DDPG 算法
开始学习
00:09:34
第11章
多智能体系统及学习技术
第1课
多智能体系统简介
多智能体系统是一项通用的系统设计方法论,其中含有多个学科的交叉,而在实现人工智能的路径中,这项技术被证实是可行有效的,本节课简介多智能体系统
开始学习
00:22:30
第2课
多智能体博弈和协同
博弈和协同是有多个智能体参与的系统重要的两个问题,我们特别给出了简要的介绍,对多智能体领域中使用到的博弈和协同方法进行的分析
开始学习
00:28:39
第3课
多智能体系统机器学习
机器学习方法在很多问题上均有较好的表现,因此考虑将机器学习应用在多智能体系统中的难题解决上,本节课探讨一些常规的机器学习方法的应用思路
开始学习
00:25:40
第4课
多智能体深度强化学习
深度强化学习技术将深度学习和强化学习结合在单智能体的场景中取得了相当大的突破,因此我们也考虑将其进一步发展用于多智能体的场景,就出现本节课要讨论的内容
开始学习
00:19:31
第5课
多智能体实验环境简介
介绍常用的实验环境
开始学习
00:13:01
第12章
基于逻辑的深度学习技术
第1课
符号学派简介
作为经典的人工智能方法,在其发展早期构成了人工智能的基础,而近期的连接主义的崛起同样给符号学派带来了新的机会,本节课介绍相关发展
开始学习
00:32:16
第2课
归纳逻辑编程 ILP
如何使用逻辑的方法在人工智能的实际应用中,本节课给出相关的技术基础
开始学习
00:27:47
第3课
结合深度学习的逻辑方法
深度学习和逻辑方法的结合是目前一个热门的方向,已经有一些研究人员做出了相关工作,本节课对其做一定的解析
开始学习
00:43:38
第4课
常用的逻辑编程工具
常用的编程工具和应用场景的分析
开始学习
00:08:48
第5课
课程的总结和对未来的展望
总结现代人工智能课程的内容及今后发展的展望
开始学习
00:08:36
课程目录
第1章
Python3介绍与安装
第1课
python3的介绍
本课程将向大家简单介绍python3
开始学习
00:04:14
第2课
python3的安装
本课程将带领大家安装Python3
开始学习
00:02:12
第3课
python3开发环境介绍
本课程将基于python3,向大家介绍Python的开发环境
开始学习
00:04:31
第2章
Python3基础
第1课
python3基本数据类型与打印语句
本课程将向大家讲解Python3的基本数据类型与打印语句
开始学习
00:06:56
第2课
python3变量与打印函数
本课程将向大家讲解Python3的变量与打印函数
开始学习
00:05:36
第3课
python3基本的容器
本课程将向大家讲解Python3的基本的容器
开始学习
00:12:48
第4课
python3条件与循环
本课程将向大家讲解Python3的条件与循环
开始学习
00:11:43
第5课
python3函数
本课程将向大家讲解Python3的函数
开始学习
00:07:16
第6课
python3类
本课程将向大家讲解Python3的类
开始学习
00:04:16
第7课
python3安装和使用库
本课程将向大家讲解Python3的安装和使用库
开始学习
00:04:39
第8课
python3读写文件
本课程将向大家讲解Python3的读写文件
开始学习
00:12:28
第3章
Numpy(py3)
第1课
Numpy简介(py3)
本课程将基于python3,向大家简单介绍Numpy
开始学习
00:01:15
第2课
常用函数(py3)
本课程将基于python3,向大家介绍Numpy的常用函数
开始学习
00:08:45
第3课
广播(py3)
本课程将基于python3,向大家介绍Numpy的广播
开始学习
00:03:12
第4课
向量化计算(py3)
本课程将基于python3,向大家介绍Numpy的向量化计算
开始学习
00:08:12
第4章
Pandas(py3)
第1课
Pandas简介(py3)
本课程将基于python3,向大家简单介绍Pandas
开始学习
00:02:12
第2课
Pandas读数据(py3)
Pandas读数据(py3)
开始学习
00:06:11
第3课
Pandas常用函数(py3)
本课程将基于python3,向大家介绍Pandas的常用函数
开始学习
00:07:03
第5章
Python2介绍与安装
第1课
python2的介绍
python2的介绍
开始学习
00:02:23
第2课
python2的安装
本课程将带领大家安装Python2
开始学习
00:03:17
第3课
python2开发环境介绍
本课程将基于python2,向大家介绍Python的开发环境
开始学习
00:03:25
第6章
Python2基础
第1课
python2基础基本数据类型与打印语句
本课程将向大家讲解Python2的基本数据类型与打印语句
开始学习
00:09:12
第2课
python2基础变量与打印函数
本课程将向大家讲解Python2的变量与打印函数
开始学习
00:05:15
第3课
python2基础基本的容器
本课程将向大家讲解Python2的基本的容器
开始学习
00:12:25
第4课
python2基础条件与循环
本课程将向大家讲解Python2的条件与循环
开始学习
00:11:43
第5课
python2基础函数
本课程将向大家讲解Python2的函数
开始学习
00:07:16
第6课
python2基础类
本课程将向大家讲解Python2的类
开始学习
00:03:32
第7课
python2基础安装和使用库
本课程将向大家讲解Python2的安装和使用库
开始学习
00:04:36
第8课
python2基础读写文件
本课程将向大家讲解Python2的读写文件
开始学习
00:08:08
第7章
Numpy(py2)
第1课
Numpy简介(py2)
本课程将基于python2,向大家简单介绍Numpy
开始学习
00:01:15
第2课
常用函数(py2)
本课程将基于python2,向大家介绍Numpy的常用函数
开始学习
00:08:45
第3课
广播(py2)
本课程将基于python2,向大家介绍Numpy的广播
开始学习
00:03:12
第4课
向量化计算(py2)
本课程将基于python2,向大家介绍Numpy的向量化计算
开始学习
00:08:12
第8章
Pandas(py2)
课程目录
第1章
概率与统计课程介绍
第2章
概率基础
第3章
常见分布
第4章
数理统计
第5章
参数估计
第6章
回归分析
第7章
贝叶斯推论
第8章
课程总结
课程目录
第1章
监督学习与非监督学习简介
第2章
经典监督学习算法-决策树
第1课
决策树总体概览
开始学习
00:07:55
第2课
信息论-信息熵
开始学习
00:07:00
第3课
信息论-交叉熵与KL散度
开始学习
00:08:26
第4课
属性选择的依据
开始学习
00:11:14
第5课
剪枝操作
开始学习
00:06:29
第6课
决策树的拓展
开始学习
00:05:13
第7课
编程实现(Python)
开始学习
00:07:38
第3章
经典监督学习算法-回归算法
第1课
一元线性回归
开始学习
00:09:20
第2课
均方误差
开始学习
00:07:09
第3课
多元线性回归
开始学习
00:05:59
第4课
广义线性模型
开始学习
00:02:49
第5课
偏倚方差两难选择
开始学习
00:13:15
第6课
编程实现(Python)
开始学习
00:04:49
第4章
经典非监督学习算法-Kmeans聚类
第1课
混合模型
开始学习
00:03:43
第2课
度量距离的几种方法
开始学习
00:08:17
第3课
评价聚类效果的几种方法
开始学习
00:09:00
第4课
Kmeans算法
开始学习
00:08:34
第5课
编程实现(Python)
开始学习
00:07:06
第6课
实际应用(图像压缩)
开始学习
00:07:19
第5章
经典非监督学习算法-期望最大算法(EM算法)
第6章
课程总结
课程目录
第1章
回归模型
第2章
分类模型(一)
第1课
分类问题介绍
开始学习
00:04:54
第2课
K近邻模型(KNN)
开始学习
00:15:37
第3课
朴素贝叶斯模型
开始学习
00:11:54
第4课
逻辑斯特回归模型(LR)
开始学习
00:10:24
第5课
感知机模型
开始学习
00:09:52
第6课
支持向量机模型(SVM)-上
开始学习
00:11:32
第7课
支持向量机模型(SVM)-下
开始学习
00:12:13
第8课
本章小结
开始学习
00:03:45
第3章
分类模型(二)
第1课
分类回归树模型(CART)
开始学习
00:16:21
第2课
随机森林模型(RF)
开始学习
00:10:06
第3课
Adboost模型
开始学习
00:12:09
第4课
提升树模型
开始学习
00:14:11
第5课
本章小结
开始学习
00:02:56
第4章
聚类模型
第1课
聚类问题介绍
开始学习
00:02:32
第2课
Kmeans聚类
开始学习
00:12:29
第3课
层次聚类
开始学习
00:06:06
第4课
密度聚类
开始学习
00:10:20
第5课
本章小结
开始学习
00:02:19
第5章
降维模型
第1课
降维问题介绍
开始学习
00:04:43
第2课
奇异值分解(SVD)
开始学习
00:12:52
第3课
主成分分析(PCA)
开始学习
00:13:04
第4课
线性判别分析(LDA)
开始学习
00:11:10
第5课
本章小结
开始学习
00:03:25
第6章
机器学习模型复杂度度量
第7章
机器学习模型评估指标
课程目录
第1课
不用很麻烦很累,三分钟看懂「三大学习」
「深度学习」、「时间序列」、「无监督学习」……这些AI领域的基本概念都是什么意思?
开始学习
00:02:56
第2课
你说的人工智能是哪种智能
人们所说的人工智能和真正的人工智能是什么关系?「通用人工智能」(AGI)和「应用人工智能」(Applied AI)最大的区别是什么?
开始学习
00:01:38
第3课
弱人工智能,真的很弱吗?
虽然名字叫弱人工智能,可不是没能力的人工智能,目前所有的人工智能系统都是弱人工智能!
开始学习
00:01:33
第4课
一分钟看懂计算机视觉
为什么要让计算机看见世界?让计算机看见世界分几步?又有什么用?
开始学习
00:01:16
第5课
一分钟看懂语音识别
将语音变成文字,总共分几步?
开始学习
00:01:15
第6课
一分钟看懂自然语言处理
一分钟看懂自然语言处理
开始学习
00:01:37
第7课
机器是如何了解我们的喜好的?
不会交流的机器,是如何了解你的兴趣,为你推荐商品和视频的?
开始学习
00:01:50
第8课
图灵测试:机器会思考吗?
机器会思考吗?「模板配对」和「古怪谈话」又是什么?它们为什么是对话系统的范本?不用很麻烦很累,每次一分钟,你对人工智能的认知就能轻松超过全世界 99% 的人类!
开始学习
00:01:56
第9课
找到甜草莓,总共分几步
训练一个能分辨草莓甜不甜的机器人,总共分几步?训练集是什么?验证集是什么?测试集又是什么?
开始学习
00:01:18
第10课
什么是知识图谱
除了变成冷冰冰的字符串,如何将现实世界更好的映射到数据世界?知识图谱是什么?节点代表什么?边又代表什么?
开始学习
00:01:25
第11课
人工智能专有名词的知识图谱
人工智能、机器学习、深度学习之间是什么关系?好不容易弄懂了一大串人工智能名词的含义,却不知道他们在整个人工智能系统中的位置?
开始学习
00:01:42
第12课
什么是语言?
为什么自然语言处理是「人工智能皇冠上的明珠」?这又与语言本身有什么关系?不用很麻烦很累,每次一分钟,你对人工智能的认知就能轻松超过全世界 99% 的人类!
开始学习
00:01:40
第13课
机器学习:今天的草莓甜不甜
标签是什么?特征是什么?过拟合是什么?泛化又是什么?不用很麻烦很累,每次一分钟,你对人工智能的认知就能轻松超过全世界 99% 的人类!
开始学习
00:01:20
第14课
人工智能入门,读什么书比较好?
这是一支先导视频,带大家先复习一下本季重点——「计算机视觉」,并分享了人工智能入门最佳参考书目。
开始学习
00:01:19
第15课
计算机视觉包含哪些任务?与计算机图形学的区别是什么?
除了之前我们提到的图像分类、物体检测、语义分割、视频分析四个核心任务,计算机视觉还会研究哪些课题? 计算机视觉和计算机图形学之间的区别是什么? 只要一分钟,你对人工智能的了解就能轻松超过全世界 99% 的人类!
开始学习
00:01:40
第16课
只要一分钟,人脸识别了解一下!
人脸识别是如何完成的? 人们常说的 1:1 场景和 1:N 场景指的是什么? 点击观看视频,你对人工智能的了解就能轻松超过全世界 99% 的人类!
开始学习
00:01:37
第17课
人脸识别用在哪儿?
人脸识别已经在我们的生活中有哪些应用? 除了这些已有场景,人脸识别还能用在哪儿? 看过视频,你对人工智能的了解就能轻松超过全世界 99% 的人类!
开始学习
00:01:34
第18课
FaceID 原理揭秘:iPhone X 是如何识别人脸的?
讲了这么多期人脸识别,iPhone X 的人脸识别有哪些特殊之处? 看过视频,你对人工智能的了解就能轻松超过全世界 99% 的人类!
开始学习
00:01:30
第19课
超火的 SLAM 技术不了解一下吗?只要一分钟!
最近超火的、和自动驾驶强烈相关的SLAM 技术是什么? 有哪些核心任务?
开始学习
00:01:41
第20课
无处不在!超火的 SLAM 技术藏在哪儿?
"除了自动驾驶,SLAM 还被用在哪儿? 还有,人们常说的「回环检测」是什么?"
开始学习
00:01:21
第21课
让机器阅读图片上的文字,总共分几步?
"拍照搜题、名片信息自动归类,这些神奇功能是如何完成的? 除了提取图片中的文字,OCR 还能做什么?"
开始学习
00:01:32
第22课
是什么技术,游戏、安防、新零售都在用?
"人体姿态识别能做什么? 为什么安防、新零售、步态分析、游戏都在用?"
开始学习
00:01:26
第23课
人工智能还能去雾霾?真的!
"除了图像识别、图像分类,计算机视觉还有很多有趣应用! 比如……去雾霾♪(´ε` )"
开始学习
00:01:23
第24课
人工智能换头术
人工智能的有趣应用,除了去雾霾,还有换头(脸)♪(´ε` )
开始学习
00:01:36
第25课
计算机也能理解语言吗?
「知智一分钟」第三季准备讲什么?符号主义、联结主义又是什么?
开始学习
00:01:25
第26课
只要一分钟,机器翻译了解一下
作为比「人工智能」这个词诞生得还早的 NLP 任务,机器翻译经历了怎样的发展?
开始学习
00:01:39
第27课
人工智能如何写古诗?
"除了翻译网页、商用翻译系统,机器翻译还能被用来做什么? 又和写古诗有什么关系?"
开始学习
00:01:24
第28课
信息抽取是什么?
"信息抽取是什么?它和自动摘要有什么关系? 为什么是众多 NLP 应用的「基石」?"
开始学习
00:01:09
第29课
搜索引擎是如何工作的?
"信息检索是什么?它和搜索引擎的关系是什么? 以及,如何更好的使用搜索引擎?"
开始学习
00:01:20