一、培训与课程背景
进入21世纪以来，随着新一轮科技革命和产业变革的持续深入发展，以人工智能为代表的新一代技术及应用持续渗透社会的芳芳绵绵，加速推动各行业的全面数字化，例如小到短视频软件的智能推荐、手机人脸识别解锁和支付，大到AI辅助医疗诊断、无人机智能巡检、无人驾驶汽车、工业互联网助力智能制造……越来越多智能技术、智能应用不断发挥新价值，催生社会生产生活新动力，推动人类智能社会不断向前发展。
我国高度重视人工智能的发展和教育。2015年，《国务院关于积极推进“互联网+”行动的指导意见》就提出加快人工智能核心技术突破，促进人工智能在智能家居、智能终端、智能汽车、机器人等领域推广应用。近年来，我国发布了一系列支持人工智能发展的政策，确定新一代人工智能发展三步走战略目标，并将人工智能发展上升到国家战略层面。2020年，国家大力推进5G网络、人工智能、数据中心等新型基础设施建设，多部门联合印发《国家新一代人工智能标准体系建设指南》，以加强人工智能领域标准化顶层设计，推动人工智能技术研发和标准制定，促进产业健康可持续发展。与此同时，我国人工智能领域高层次人才培养也受到重视，主要由高校通过成立AI学院、设立AI专业的方式进行培养。相关数据显示，目前国内有200多所高校设立“人工智能”本科专业。
Python在人工智能时代是首选的入门编程语言，其有着上手简单和使用广泛的特点。Python是一种面向对象、解释型计算机程序设计语言。它的设计初衷就是优雅、明确、简单，因此其特性就支持快速开发，适合现阶段的人工智能应用。而且Python具有丰富而强大的库，俗称胶水语言。Python在历史上也一直充当着科学计算和数据分析的重要工具的角色，有numpy这样的基础库既减少了开发的工作量，也方便从业人员上手。Python是通用语言，可以在任意场景下应用，上天支持航天航空系统开发，下至小游戏开发，几乎无所不能。
本次培训讲提供Python的学习，在掌握了Python基础操作后将通过Python实现简单的人工智能应用，从而让学员能够在短时间内迈入人工智能的大门。
二、培训目的
通过本次培训旨在让学员掌握：
独立使用Python编写程序并Debug的能力
掌握人工智能的基本原理和常见算法
掌握机器学习和神经网络的基础应用，可以在一些典型场景实现应用（例如识别语音和识别花朵）
掌握基础的数据可视化的方法和工具
三、课程安排
表1. 整体课程概览
课程序号
课程内容
理论课时
实践课时
1
人工智能介绍：历史、主要领域和算法
1
1
2
Python编程简介和环境分类
2
1
3
基本输入输出与简单预算
2
2
4
三种程序结构顺序、条件和循环
3
2
5
基本数据结构：字符串、列表、字典和元组
3
2
6
函数、作用域与抽象
3
2
7
类与面向对象编程
2
2
8
算法复杂度简介
3
2
9
搜索算法线性搜索、二分查找和利用假设
3
2
10
排序算法并归、Python中的排序函数
2
2
11
递归算法斐波那契、回文和汉诺塔
3
2
12
异常、断言与测试
3
2
13
机器学习与神经网络
2
4
14
数据处理与可视化
3
3
15
人工智能应用识别花朵
4
4
16
人工智能应用识别语音
4
4
合计
43
37
具体每一个主题的课程安排：
课程1：人工智能介绍：历史、主要领域和算法
1. 人工智能与计算的发展历史
我国古代哲学家对于智能的思考
计算的诞生
计算机的诞生：图灵机和图灵测试、摩尔定律
人工智能的诞生
2. 人工智能的分类
3. 人工智能主流方法
符号主义人工智能
联结主义人工智能（数据驱动的机器学习）
行为主义的人工智能（从经验学习）
4. 案例学习：AlphaGo的发展
发展历程与代表算法
5. 展望新一代人工智能
发展方向
改革趋势
课程2: Python编程简介与环境分类
1. 前言
2. 计算机的硬件架构
通用计算机架构
3. Python与编程
Python语言介绍
如何与Python对话：元素、句子或行、脚本和交互式、程序步骤或程序流程
Python的运行环境：命令行、自带IDLE、Jupyter Notebook、Pycharm和Atom
课程3：基本输入输出与简单运算
1. Python中的常量、保留字、变量及命名规则
2. Python的常规语法
赋值语句：数值表达式
计算顺序：运算符优先级规则
类型：数的类型（整数和浮点数）、类型转换、字符串转换
输入与输出：用户输入（input）、注释
3. 练习
课程4：三种程序结构：顺序、条件和循环
1. 前言
回顾之前的基本概念：程序步骤或程序流程
2. 条件结构
比较运算符：常见比较运算符
决策类型：单向决策、嵌套决策、双向决策（有无else）、多路径的决策
try/except结构：用于补偿错误
缩进：出现场景和注意事项
练习1和练习2
3. 循环结构
无限循环（while循环）
break和continue：对于循环进行操作
明确的循环（for循环）：定义与示例
循环的常见应用：寻找最大值、循环中计数、循环中求和、在循环中求平均值、再循环中筛选、使用布尔值进行搜索、寻找最小值、is和is not操作符
课程5: 基本数据结构：字符串、列表、字典和元组
1. 字符串
字符串的基本定义
字符串长度与len函数
对于字符串的操作：遍历、循环和计数、分割、连接、比较、搜索、改变大小写、查找和替换、剥离空格、分析和提取
字符串库
2. 列表
列表的基本概念
列表与确定循环
查看列表：查看列表内部、长度与range函数
对列表的操作：连接、切片
构建列表
3. 字典
字典的基本概念：比较列表与字典、键与值
字典检索的方法
Get()方法
4. 元组
元组的基本概念：元组与列表
元组和赋值
元组和字典
课程6: 函数、作用域与抽象
1. Python中的函数：
函数的基本概念
基础函数：最大值函数、类型转换、字符串转换
2. 构建自定义的函数
定义和使用
实际参数和形式参数
返回值
作用域
课程7: 类与面向对象编程
1. 程序中对象和类的基本概念
类、方法（消息）、字段（属性）、对象（实例）
2. Python中的对象
dir()和type()
3. 对象的生命周期
构造方法
多个实例
4. 类的继承
课程8: 算法复杂度简介
1. 算法实现的基本步骤
基本步骤：理解问题、提出问题、设计算法、算法实现
算法评估：算法正确性和效率
2. 算法复杂度
输入大小的参数n
时间复杂度：大O记法、增长顺序
渐近符号
3. 算法的实证分析
总体计划
潜在问题
课程9: 搜索算法、线性搜索、二分查找和利用假设
1. 搜索的基本定义
2. 顺序搜素
工作原理
示例代码
3. 二分搜索
工作原理
示例代码
课程10: 排序算法、并归、Python中的排序函数
1. 前言
常见排序算法的对比：时间复杂度、空间复杂度和稳定性
2. 常见算法
冒泡排序：算法原理和算法步骤
选择排序：算法原理和算法步骤
并归排序：算法原理、算法步骤、算法优化与分析
3. Python中的排序函数
课程11: 递归算法斐波那契、回文和汉诺塔
1. 递归算法定义
2. 递归三大定律
必须拥有一个基本结束条件
必修改变自己的状态并向基本结束条件演进
必须递归地调用自身
3. 案例学习
任意进制转换
课程12: 异常、断言与测试
1. Python中的异常
语法错误：解析错误
异常与异常处理：try/except、多个异常、try/except..else、try-finally
2. 断言
语法格式
3. 测试
Unittest Module
课程13: 机器学习与神经网络
1. 特征与数据
数据种类
数据集的划分
2. 算法类型
监督学习
强化学习
无监督学习
3. 神经网络
基本结构
激活函数
矩阵表达
梯度下降
卷积神经网络（CNN）
课程14: 数据处理与可视化
1. Pandas介绍
数据结构：Series（1维）和DataFrame（2维）
读取和写入数据
使用Pandas画图
基础统计分析
重排序与合并
2. Matplotlib介绍
功能介绍
绘图操作：图的类型、线宽、线型、标记、轴标签、文本、附注
图像示例
课程15: 人工智能应用识别花朵
1. 线性机器及其局限性
常见算法：线性回归、感知机、逻辑回归
线性机器学习的局限
2. 深度学习
特征层级
三种深度架构：前向、反馈、双向
三种训练协议
深度学习的进阶讨论
3. 如何定义特征
发现高维数据中的隐藏结构
非线形拓展
整体架构
课程16: 人工智能识别语音
1. 多模块系统
级联
实现：反向传播
常见模块：线性模块、Tanh模块、欧式距离模块
2. 基于深度学习的识别系统
特征层级
深度网络：ReLU、最大池化
卷积网络
RNN：时间反向传播BPTT、梯度爆炸、梯度消失
RNN语言建模：N-grams
神经网络语言建模：前馈神经网络LM、性能对比（大型和小型数据集）、Softmax
RNN和Maxent模型的联合训练
3. 处理非线性交互
梯度爆炸和梯度消失
结构受限的RNN
长短期记忆LSTM：时间反向传播BPTT、深度LSTMs、双向LSTMs
4. LSTMs的应用
自动语音识别
序列到序列学习（Seq2Seq）
视频的无监督训练
门控循环单元
四、其它信息
课程提供材料：
课程大纲（本文件）
全部课程PPT
实训手册及配套代码
参考资料：
维基百科Python词条：https://en.wikipedia.org/wiki/Python_(programming_language).
Python3菜鸟教程：https://www.runoob.com/python3/python3-tutorial.html.
Ramalho, L. (2022). Fluent Python. " O'Reilly Media, Inc.".
Skiena, S. S. (2020). Introduction to algorithm design. In The Algorithm Design Manual (pp. 3-30). Springer, Cham.
周志华，机器学习[M].北京：清华大学出版社，2016.
更多参考资料详见课程PPT。
五、课程讲师
1、陈鑫 AI研发专家
TsingtaoAI资深项目导师
北京贪心科技实训项目负责人
北京正己基业教育科技有限公司架构
北京运道科技有限公司技术负责人
掌合天下（北京）技术有限公司技术经理
擅长领域
LLM大模型，AIGC应用开发，python，Java语言教学，机器学习，神经网络
2、肖红正 AI研发专家
世界五百强英特尔公司高级系统架构师，十多年算法研究实践经验；
985高校国家重点实验室提任算法Leader，研究视觉机器人产品；
500强上市公司，担任算法负责人，研究人工智能相关模型产品；
创新能力强，0-1发明点对多点协议的，曾用于美国网讯公司；语音同步合成同步技术，处于世界领先地位。
研究领域
精通C/C++，熟悉Python等编程语言；
对Linux系统和软件工程化有深刻认识；
熟悉软硬件一体化产品，动手能力强，带团队，可实现落地量产；
擅长室内外大规模环境的三维快速重建，建图、定位和规划，成功运用在大型实验室和发电厂环境地重建；
擅长计算机视觉：
图像的降噪、增强处理、图像的还原处理、边缘提取、图像滤波；
基于深度学习对2D和3D目标的检测、分类、语义分析、多目标跟踪；
对激光雷光点云数据和相机数据的融合处理，三维计算机视觉与点云模型、SLAM建图
立体视觉、多视几何、三维重构、SFM算法；
2D和3D人脸识别成功案例，人体驾车危险动作行为识别；
机器学习：知识自学习、运行优化数据挖掘；
主要学术和研究成果
国家公安安全审计平台，安全协议和透明加解密协议；
英特尔实验室， 图形、图像模式识别；
华科大实验室，智能售货柜、工业移动检测机器人;
中国电子系统技术有限公司，基于深度学习对抗神经网络的自调优装置，广泛应用于2D和3D目标的检测、识别；
专利：一种文本识别模型的生成方法以及装置（CN202110447608.9）
专利：一种语义分析方法及装置（CN202110499308.5）
相关阅读：AI培训 |
发表于 2024-5-31 14:48:32
