本课程为入门级人工智能课程，适合初学者，可以帮助初学者实现“零基础”学习人工智能。本课程采用浙江工业大学王万良教授编著的专业教材《人工智能导论》（第4版），紧紧围绕人工智能的基本思想、基本理论、基本方法及其应用展开，并融合了人工智能的一些前沿内容。本课程共有12讲，包括：人工智能概述、一阶谓词逻辑表示法、产生式表示法和框架表示法、基于谓词逻辑的推理方法、可信度方法和证据理论、模糊推理方法、搜索求解策略、遗传算法及其应用、蚁群算法及其应用、专家系统与机器学习、BP神经网络及其应用和Hopfield神经网络及其应用。
共80课时12小时15分33秒
在本课程中，您将从一系列实用的案例研究中获得有关机器学习的动手经验。 在第一门课程的最后，您将研究如何基于房屋特征预测房价，从用户评论中分析情绪，检索感兴趣的文档，推荐产品以及搜索图像。 通过使用这些用例的动手实践，您将能够在广泛的领域中应用机器学习方法。
共116课时8小时3分27秒
本课程为青年AI自强项目-计算机视觉课程，主要的组织者、演讲者、参与者全部以学生为主，为同学们解决实际问题：弥补“技术小白”与“老师觉得你懂”之间的鸿沟、弥补“课本”到“实践”的鸿沟、解决一般的学术文章/资源不易读的问题。本课程主要由8次讲座以及1个转化挑战任务组成，讲座每隔一周举办一次。每次讲座会用通俗易懂的语言引导大家掌握AI相关的知识点，依次为AI鸟瞰与进阶指南、机器学习入门、经典神经网络、深度神经网络、卷积神经网络、分类任务、探测任务、实例与调参方法，最后通过转化挑战任务带领大家实操实践等等。
共43课时7小时18分59秒
在本视频中，您将跟随Loren Shure快速入门机器学习算法，并了解三种类型的机器学习（聚类，分类和回归）： 聚类——将一组事物分成具有不同属性的组； 分类——用于图像中的对象检测，预测性维护和垃圾邮件检测等应用程序； 回归——用于构建模型，以预测给定其他功能的连续体的响应。 本视频用简单易懂的方法讲解机器学习算法中的线性回归、邻近算法（K-NN）、k均值聚类算法（k-means）、支持向量机（SVM）、判别分析、决策树（Decision Tree）
共7课时15分42秒
深受好评的台大李宏毅老师讲述的机器学习课程，该课程也是此类教程中非常难得使用中文授课的一门，外语不好的小伙伴儿们有福啦。课程以深度学习为主轴，强调实战性。除了基础知识和算法的讲解，还包含各种相关前沿技术的解读，课程中涉及到的项目都非常新，与时俱进。 李老师讲课注重对基本原理的深入浅出，风趣幽默，举重若轻，常常引用动漫形象进行原理的类比解说，实在是机器学习教程里的一股清流哇~
共35课时1天3小时17分6秒
我们正生活在一个 越来越数字化的世界中。 我们的生活被设备、智能家居等充斥， 而我不觉得这种状况会停止。 我想在一开始就植入更多的人性， 而我有预感，将艺术 带入人工智能研究 就是其中一个方法。
共1课时11分11秒
（1）理解机器学习，通过介绍机器学习的基本问题（分类、聚类、回归、降维）介绍经典算法； （2）Python第三方库sklearn（scikit-learn），讲解应用机器学习算法快速解决实际问题的方法。
共27课时3小时17分52秒
随着搜索应用程序，图像识别、App应用、成像、医学、无人机和无人驾驶汽车，计算机视觉在我们的社会中已经变得无处不在。许多这样的应用程序，比如：图片分类、定位和检测的核心功能任务都是视觉识别技术完成的。最新发现的神经网络方法（又名“深度学习”），极大地提升了视觉识别系统的先进性能。
共37课时20小时8分36秒
该课程主要面向非智能科学与技术专业的学生与各界人士，介绍自然世界中丰富多彩的“自然智能”和由此启发产生的“智能计算”模型与方法，以及形式多样的“智能系统”与日新月异的“智能前沿”，内容涉及生物、医学、遗传、物理、社会与智能科技等多学科知识，以提升科学文化素质、扩展学科知识视野、增强科技创新意识为目标。
共30课时4小时31分34秒
此课程将广泛介绍机器学习、数据挖掘与统计模式识别的知识。主题包括：(i) 监督学习（参数/非参数算法、支持向量机、内核、神经网络）。(ii) 非监督学习（聚类、降维、推荐系统、深度学习）。(iii) 机器学习的优秀案例（偏差/方差理论；机器学习和人工智能的创新过程）课程将拮取案例研究与应用，学习如何将学习算法应用到智能机器人（观感，控制）、文字理解（网页搜索，防垃圾邮件）、计算机视觉、医学信息学、音频、数据挖掘及其他领域上。
共113课时19小时28分58秒
本课程的主题是人工神经网络及其应用。本文中论述人工神经网络的基本单元、网络结构、几种常用的人工神经网络的算法及其在电力系统中的应用。
共4课时1小时26分3秒
主要内容：人工智能的定义，树搜索算法，无信息搜索策略，启发式搜索策略，约束满足问题求解，博弈算法，贝叶斯网络，隐马尔可夫模型，卡尔曼滤波器。 特色：人工智能课程在学校的讲授时间为32个学时，面对计算机科学与技术硕士研究生，是一门专业必修课。由于人工智能基础理论涉及到智能搜索，推理，机器学习等，是现在信息类研究生各研究方向的必备理论基础，能为学生深入各方向的研究打下良好的基础。其中的思想可以应用于模式识别，图像视频智能分析处理，数据挖掘及各种信息的智能处理应用中。由于课程讲授侧重于算法的描述，所以学生并不会觉得枯燥，在结合编程的实践练习下能很好掌握智能思想。
共40课时8小时47分20秒
《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。
共113课时15小时39分33秒
《图像处理与分析》意在丰富学生图像处理与分析的知识，培养学生图像处理与分析的学习兴趣、创新思维和动手能力。目的是让学生深入理解图像处理的概念，掌握图像处理与分析的方法与技能，了解数字图像处理的发展与应用。
共41课时6小时4分9秒
京公网安备 11010802033920号
Copyright © 2005-2025 EEWORLD.com.cn, Inc. All rights reserved
