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

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

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

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

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

介绍常用的实验环境

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

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

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

常用的编程工具和应用场景的分析

总结现代人工智能课程的内容及今后发展的展望

本课程将向大家简单介绍python3

本课程将带领大家安装Python3

本课程将基于python3，向大家介绍Python的开发环境

本课程将向大家讲解Python3的基本数据类型与打印语句

本课程将向大家讲解Python3的变量与打印函数

本课程将向大家讲解Python3的基本的容器

本课程将向大家讲解Python3的条件与循环

本课程将向大家讲解Python3的函数

本课程将向大家讲解Python3的类

本课程将向大家讲解Python3的安装和使用库

本课程将向大家讲解Python3的读写文件

本课程将基于python3，向大家简单介绍Numpy

本课程将基于python3，向大家介绍Numpy的常用函数

本课程将基于python3，向大家介绍Numpy的广播

本课程将基于python3，向大家介绍Numpy的向量化计算

本课程将基于python3，向大家简单介绍Pandas

Pandas读数据(py3)

本课程将基于python3，向大家介绍Pandas的常用函数

python2的介绍

本课程将带领大家安装Python2

本课程将基于python2，向大家介绍Python的开发环境

本课程将向大家讲解Python2的基本数据类型与打印语句

本课程将向大家讲解Python2的变量与打印函数

本课程将向大家讲解Python2的基本的容器

本课程将向大家讲解Python2的条件与循环

本课程将向大家讲解Python2的函数

本课程将向大家讲解Python2的类

本课程将向大家讲解Python2的安装和使用库

本课程将向大家讲解Python2的读写文件

本课程将基于python2，向大家简单介绍Numpy

本课程将基于python2，向大家介绍Numpy的常用函数

本课程将基于python2，向大家介绍Numpy的广播

本课程将基于python2，向大家介绍Numpy的向量化计算

Pandas简介(py2)

本课程将基于python2，向大家介绍Pandas的读取数据

本课程将基于python2，向大家介绍Pandas的常用函数

PaddlePaddle教学视频整体内容概述

介绍机器学习基本概念，以及用PaddlePaddle完成线性回归预测房价的示例

介绍深度学习的发展历史、腾飞要素、起效原因等

介绍图像分类的四个卷积神经网络模型及如何使用PaddlePaddle进行训练和预测

介绍手写识别问题以及Softmax回归模型、多层感知器模型与卷积神经网络模型

介绍机器翻译基本概念，以及用PaddlePaddle完成法英翻译的示例

简述情感分析，并重点介绍基于循环神经网络面向文本处理的情感分类方法

介绍推荐系统以及文本卷积神经网络，并用公开数据集完成电影推荐任务

总结自然语言处理任务的特点

介绍词向量概念、用途以及训练原理，并从实战角度用PaddlePaddle训练词向量

介绍深度神经网络解决语言处理中的序列标注问题及构建深层循环神经网络技巧

「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？

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？

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！

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？

将语音变成文字，总共分几步？

一分钟看懂自然语言处理

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？

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！

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？

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？

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？

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！

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！

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。

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！

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！

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！

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！

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？

"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？"

"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？"

"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？"

"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｀ )"

人工智能的有趣应用，除了去雾霾，还有换头（脸）♪(´ε｀ )

「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？

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？

"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？"

"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」？"

"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？"