一、人工智能通识 #
1. 数学基础 #
2. 机器学习 #
2.1. 生成学习算法 #
朴素贝叶斯算法
2.2. 分类与回归算法 #
决策树算法/支持向量机算法
2.3. 监督学习 #
神经网络算法/迁移学习
2.4. 无监督学习 #
自编码器(Auto-Encoder)/变分自编码器(VAE)/PCA主成分分析算法/聚类算法
2.5. 强化学习 #
马尔科夫链/蒙特卡洛模型/价值学习(Value-Based Learning)/策略学习(Value-Based Learning)
3. 深度学习 #
二、NLP: Natural language processing 自然语言处理 #
1. 应用场景 #
- 互联网舆情监测
- 检索问答系统
- 基于transformer+crf的信息抽取
2. 语言模型基础 #
2.1. 自然语言处理基础 #
语言模型评价标准/文本生成方式
2.2. N-Gram模型 #
HMM模型/MEMM模型/CRF模型
2.3. 概率图模型 #
2.4. 文本预处理 #
文本分词/停用词过滤/拼写纠错/词性还原
2.5. 基于统计的文本表示 #
词袋模型/TF IDF模型
2.6. 基于神经网络的文本表示 #
One-Hot表示/Word2Vec表示/Glove模型 /SkipGram/层次Softmax
3. 前沿语言模型 #
3.1. RNN: Recurrent Neural Network 循环神经网络 #
3.2. RNN改进模型 #
1) LSTM: Long Short Term Memory 长短时记忆神经网络 #
2) GRU: Gated Recurrent Unit 门控循环单元网络 #
3) 双层RNN模型 #
4) 多层RNN模型 #
3.3. Seq2Seq模型 #
1) Encoder-Decoder #
2) RNN+Seq2Seq场景 #
3) Attention+Seq2Seq场景 #
3.4. Transformer模型 #
1) Encoding-Decoder架构 #
2) Self-Attention 自注意力机制 #
3) Masking for Encoder&Decoder #
4) 前馈神经网络 #
5) Layer Normal #
3.5. Bert模型 #
3.6. GPT模型 #
3.7. Prompt Learning #
1) Pre-training范式 #
2) Fine-Tuning范式 #
三、CV: Computer Vision 计算机视觉 #
1. 应用场景 #
- 基于U-Net医学语义分割
- 狗的品种识别
- 基于YoloV5的漫画任务检测
- 基于生成网络的图像生成
2. 基础 #
- 经典卷积神经网络(CNN)
- AlexNeti
- ZFNet
- GoogLeNet
- VGGNeti
- ResNet
- DenseNeti
- SENet
- MobileNeti
- ShuffleNeti
- EfficientNeti
3. 进阶 #
3.1. 图片识别 #
Transformer/CNN/MLP
3.2. 语义分割 #
U-Net
3.3. 目标检测 #
Yolo
3.4. 图像生成 #
GAN