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

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

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

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

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

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

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

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

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

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

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

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

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

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

介绍本节课主要的内容

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

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

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

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

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

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

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

本节课程介绍如何基于PaddlePaddle 实现 LSTM 和 GRU 模型

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

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

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

简要介绍生成诗歌的深度学习模型

PaddlePaddle 实现 CNN 和 RNN 进行情感分析的任务

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

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

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

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

PaddlePaddle 实现 DSSM 和 NER 网络模型

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

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

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

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

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

PaddlePaddle 实现 RankNet 和 LambdaRank 算法

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

本节介绍在 Gym 中实现 DQN 和 DDPG 算法