重磅|100节硅谷免费AI公开课（含chatbot、自动驾驶、推荐系统、CV等）
甲子光年CEO在《少数人的路》中说：“技术推动了一次次工业革命，每一次都带来了至少100倍以上的生产力的提高；第一次，机械革命，第二次，电气革命，第三次，信息革命，第四次，便是正在进行的智能革命”
而智能革命的当下，核心的主角便是人工智能。
▲人工智能产业结构
而对应的薪水也平均薪酬溢价高达55%-110%，有2，3年经验的人才要价50-60万年薪是很正常的一件事情。在这种形势下，很多同学都产生了涉足人工智能的想法，并付诸了行动。
其中占计算机视觉方向，自然语言处理、智能机器人及自动驾驶各占了很大比重。
其实网上关于人工智能的课程有很多，大量免费的资料可以去选择，也有很多书籍和视频可以去购买。但这些海量的资料加大了大家选择的成本，降低了学习的效率。很多同学有很好的数学和代码基础，觉得自己能够完全搞定人工智能。但自己在中英文夹杂的资料海里遨游了三个月后，收获甚微。
所以为了让大家能够高效率入门人工智能行业，我们邀请硅谷顶级科学家为大家在线直播100节免费公开课，一周3-4节课。
不要认为免费的公开课就没有干货。每周一次的Review Session,我们会提前一周给出几个备选主题，由群内的同学们自主投票选择最心仪的主题。
这100节公开课有多硬核呢？设计紧密围绕学术界最新进展以及工业界的需求，涵盖了80%的人工智能知识点，并且结合了大量实战项目，包括热门的聊天机器人，自动驾驶等项目，培养学员的动手能力，解决问题能来以及对知识的深入理解。
这周被选中的公开课主题也更偏重计算机视觉，包括：聊天机器人，自动驾驶，推荐算法，逻辑回归+梯度下降，CNN。
机器学习在自动驾驶（计算机视觉）中的案例分析
时间： 1月23日（周三）下午1：00
（老师跨时差）
内容介绍
▼
1. 自动驾驶中的指示牌识别（Traffic Sign Recognition）
- 指示牌识别的挑战
- 如何从摄像头的画面中定位交通指示牌（Image Segmentation）
- 如何识别交通指示牌（Image Classification）
- 数据增强等预处理技术
2. 自动驾驶中的方向盘转动方向预测（ Steering Prediction）
- 问题的目标和难点
- 传统的方案：道路检测、车辆检测
- 基于深度学习的端到端学习
- 怎么处理数据不平衡
- 传统模型和端到端模型的比较
主讲人介绍
▼
美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发，是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工，拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间，主要研究NASA（美国航天局）支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。
深入理解逻辑回归和梯度下降法--从本质理解优化算法
时间： 1月24日（周四）晚上8：30
内容介绍
▼
本次公开课的内容主要围绕逻辑回归模型以及梯度下降法。由浅入深，从本质层面深入去理解优化算法，以及它们之间的区别，内容会涉及不少数学，听众需要有一定的机器学习基础以及数学基础。
- 回顾逻辑回归模型
- 梯度下降法以及随机梯度下降法
- 时间复杂度回顾
- 凸函数和L-Lipschitz函数
- 梯度下降法的收敛分析以及证明
- 随机梯度下降法的收敛分析以及证明
- GD和SGD在收敛上的比较
- 延伸讨论：Adam, Adagrad的收敛性，与SGD的比较
如何搭建一个聊天机器人- 各类架构剖析及实现
时间： 1月24日（周四）晚上8：30
内容介绍
▼
本次公开课讲解搭建聊天机器人的几个核心方法，包括技术讲解和代码演示。听众不需要掌握任何AI相关的知识。该公开课具体内容包括：
聊天机器人的种类与评估
- 基于检索的方法论
- 基于模式匹配的方法论
- 基于意图识别的方法论
- 基于端到端的方法论
主讲人介绍
▼
美国南加州大学博士，曾任凡普金科（爱钱进）首席科学家，美国亚马逊/高盛高级工程师，AI量化投资公司首席科学家兼投资总监。在AAAI, KDD, AISTATS等顶会上发表过15篇以上论文，其中3篇获得Best Paper Award，累计数百次引用。
全方位了解CNN卷积神经网络
时间： 1月27日（周日）晚上8：30
（老师跨时差）
内容介绍
▼
带领大家沿着CNN卷积神经网络的历史发展脉络看清CNN的进化路线, 温故而知新, 帮助我们展望CNN未来的发展趋势.
首先我会和大家回顾历届获得ImageNet冠军的CNN网络模型, 例如AlexNet, ZFNet, GoogLeNet, VGG Net和ResNet. 研究他们的特点, 理解其算法精髓, 比较他们各自的优势.
一起研究新的CNN网络, 例如DenseNet, MobileNet, ShuffleNet和EffNet, 看清为什么他们能够脱颖而出, 他们会给我们未来设计自己的CNN网络带来什么样的启示?
主讲人介绍
▼
Henry Shi, 拥有10多年人工智能领域相关研发和研究经历，负责过美国政府多项人工智能基金项目。美国南加州大学人工智能博士，卡内基梅隆大学机器人系访问学者，先后在 ICML、AAAI、IJCAI、ICDM等国际顶级会议上发表数篇论文，引用次数高达1000。Henry也作为连续创业者，联合创立了南加州地区最大规模的华人创业服务平台PlusYoou普创、曾联合创立了P2P留学咨询平台云飞跃，担任CTO并实现了并购退出。
案例剖析-深度解读Amazon的推荐算法
时间： 周三或周六下午1：00（备选）
内容介绍
▼
1. 概述
推荐系统的成功案例(Amazon)
2. 常用的推荐的算法
基于内容
协同过滤
矩阵分解
因子分解机（Factorization Machine)
深度学习
机器学习排序(Learning to Rank)
探索与利用(Explore and exploit): Contextual bandit
集成学习 (Ensemble/Hybrid method)
3. 如何评价推荐系统
离线评估
问卷调查
用户学习（User Study）
在线测试 （A/B 测试）
4. 推荐系统架构
主讲人介绍
▼
美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发，是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工，拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间，主要研究NASA（美国航天局）支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。
报名方式
扫描海报二维码进群
加入免费公开课。
具体主题由学员投票决定
文本的表示：从词袋模型到词向量
机器学习中的 MLE vs MAP vs 贝叶斯估计
零基础搭建简单的问答系统
怎么用知识图谱做金融风控系统
利用端到端的学习搭建无人驾驶系统
搭建一个简单的目标检测系统
可解释性：深入浅出深度学习中的可视化
一小时弄清楚什么是卷积神经网络
特征工程：细聊风控中的特征工程技术
自适应系统的核心：Knowledge Tracing
利用Seq2Seq模型来构建机器翻译系统
一个小时弄清凸优化技术以及其应用场景
零基础入门双曲空间中的图嵌入
主题模型LDA的详解
从本质理解深度学习为什么需要“深”？
AI领域的研究怎么做，怎么高效发论文？
公司怎么转型AI，需要什么样的AI人才？
自动化代码的生成、批改、代码嵌入
推荐系统中的常见算法介绍
随机梯度下降法中的收敛理论
SGD, Adagrad, Adam算法的详细比较
一小时实现图像中的风格迁移
一小时实现语音中的情绪识别
图嵌入算法详解以及引用
自适应系统所涉及到的技术要点
用目标检测和跟踪算法分析英雄联盟视频
一小时用Keras搭建人脸识别系统
Google的最新作品BERT模型详解以及实现
一小时实现机器自动写代码系统
（100节AI公开课持续更新中......）
蓝振忠：美国卡耐基梅龙大学博士。现任Google科学家，曾任美国智能监控公司的首席科学家， 对视频和多媒体的智能分析有深入研究。他曾代表卡耐基梅隆大学在美国国家标准总局（NIST）举办的视频智能分析大赛中连续多年进入前三。先后在NIPS、CVPR、ICCV、IJCAI、ICDM等国际顶级会议上发表过25篇以上的论文，论文引用次数上千。
史源：美国南加州大学博士，美国AI基金创始人，拥有10多年人工智能领域相关研发和研究经历。卡耐基梅隆大学访问学者，先后在 ICML、AAAI、IJCAI、ICDM等国际顶级会议上发表数篇论文，引用次数高达1000。
周景阳：曾任百度资深工程师，国美和凡普金科的技术负责人。是技术领域、数据分析、知识图谱、视觉等领域的专家。
葛瀚骋：美国Texas A&M大学博士，美国亚马逊Alexa部门资深科学家，负责Alexa的智能化以及个性化的研发与应用，曾任职于美国ebay以及NEC北美实验室。主要的研究涉及到Tensor、社交分析、推荐系统等领域，在KDD、AAAI、SIGIR、RecSys等国际顶级会议上发表15篇以上的论文，数百次的引用。
Q: 如何参与之后的公开课？
扫描下面二维码（或海报）进群
加入免费AI公开课
展开全文
微信扫码咨询专知VIP会员