創新工場講AI課:從知識到實踐

創新工場DeeCamp組委會

買這商品的人也買了...

相關主題

商品描述

創新工場於 2017 年發起了面向高校在校生的DeeCamp 人工智能訓練營(簡稱DeeCamp訓練營),訓練營內容涵蓋學術界與產業界領軍人物帶來的全新AI 知識體系和來自產業界的真實實踐課題,旨在提升高校AI 人才在行業應用中的實踐能力,以及推進產學研深度結合。 本書以近兩年 DeeCamp 訓練營培訓內容為基礎,精選部分導師的授課課程及有代表性的學員參賽項目,以文字形式再現訓練營"知識課程+產業實戰”的教學模式和內容。全書共分為9 章,第1 章、第2 章分別介紹AI 賦能時代的創業、AI 的產品化和工程化挑戰;第3 章至第8 章聚焦於AI 理論與產業實踐的結合,內容涵蓋機器學習、自然語言處理、電腦視覺、深度學習模型的壓縮與加速等;第9 章介紹了 4 個優秀實踐課題,涉及自然語言處理和電腦視覺兩個方向。

作者簡介

★李開復★
李開復博士於2009 年創立創新工場,擔任董事長兼首席執行官,專注於科技創新型的投資理念與最前沿的技術趨勢。
十多年來創新工場已經投資逾400個創業項目,管理總額約160 億人民幣的雙幣基金。
2016 年秋季創辦創新工場人工智能工程院,致力於利用最前沿的AI 技術為企業提供人工智能產品與解決方案。
在此之前,李開復博士曾是谷歌中國全球副總裁兼大中華區總裁,擔任微軟全球副總裁期間開創了微軟亞洲研究院,並曾服務於蘋果、SGI 等知名科技企業。
李開復在美國哥倫比亞大學取得計算機科學學士學位,以zui gao榮譽畢業於卡耐基梅隆大學獲得博士學位。
同時,李開復獲得香港城市大學、卡耐基梅隆大學榮譽博士學位。
李開復獲選為美國電機電子工程師學會(IEEE)的院士,並被《時代》雜誌評選為2013影響全球100位年度人物之一,《Wired 連線》本世紀推動科技全球25位標杆人物,2018亞洲商界領袖獎等殊榮,並出任世界經濟論壇第四次工業革命中心的AI 委員會聯席主席。
李開復博士發明過十項美國專利,發表逾百篇專業期刊或會議論文,並出版過十本中文暢銷書。

★王詠剛★
王詠剛,現任創新工場CTO人工智能工程院執行院長,加入創新工場前擔任谷歌主任工程師和高級技術經理超過十年,在谷歌參與或負責研發的項目包括桌面搜索、谷歌拼音輸入法、產品搜索、知識圖譜、谷歌首頁塗鴉(Doodles)等,在知識圖譜、分佈式系統、自然語言處理、HTML5動畫和遊戲引擎等領域擁有豐富的工程研發經驗。
目前專注於人工智能前沿科技的工程化與商業化,以及人工智能高端人才的培養,作為聯合創始人,創立了人工智能商業化公司創新奇智,同時也是人工智能高端應用型人才培養項目DeeCamp的發起者。

★張潼★
張潼博士,機器學習領域國際著名專家,擁有美國康奈爾大學數學和計算機雙學士學位,以及斯坦福大學計算機碩士和博士學位,在香港科技大學數學系和計算機系任教。
曾經擔任美國新澤西州立大學終身教授,IBM研究院研究員和雅虎研究院主任科學家,百度研究院副院長和大數據實驗室負責人,騰訊AI Lab主任。
他曾參加美國國家科學院大數據專家委員會,負責過多個美國國家科學基金資助的大數據研究項目,此外還是美國統計學會和國際數理統計學會fellow,並擔任NIPS、ICML、COLT等國際頂級機器學習會議主席或領域主席,以及PAMI, JMLR, 和Machine Learning Journal等國際一流人工智能期刊編委。

★宋彥★
宋彥博士,香港中文大學(深圳) 數據科學學院副教授,創新工場大灣區研究院首席科學家。
歷任微軟、騰訊研究員及首席研究員,創新工場大灣區研究院執行院長等職,是“微軟小冰”項目的創始團隊成員之一,其研究方向包括自然語言處理、信息檢索和抽取、文本表徵學習等。

★屠可偉★
屠可偉博士,上海科技大學信息科學與技術學院長聘副教授、研究員、博士生導師。
研究方向包括自然語言處理、機器學習、知識表示、計算機視覺等人工智能領域,側重於研究語言結構的表示、學習與應用。

★張發恩★
張發恩,創新奇智聯合創始人,創新奇智公司CTO, 寧波諾丁漢大學客座教授。
2008年畢業於中國科學院軟件研究所,同年加入微軟,負責Office相關軟件產品的研發工作;2010年,入職Google,作為核心研發人員,主導和參與Google搜索引擎、Google知識圖譜等相關工作;2015年,加入百度,作為百度雲早期創始團隊成員之一,曾任​​百度雲計算事業部技術委員會主席,百度雲計算事業部大數據和人工智能主任架構師。
他在IT行業擁有十幾年技術研發和管理經驗,涉及企業級軟件、室內地圖定位與導航、互聯網搜索引擎、全領域知識圖譜、大數據計算與存儲、機器學習、深度學習、機器視覺等眾多領域。工作期間獲得10餘項美國專利,70餘項中國專利,發表過多篇頂級會議學術論文。

★唐劍★
唐劍博士,滴滴智能控制首席科學家,AI Labs 負責人兼算法委員會主席,IEEE Fellow和ACM傑出科學家,領導滴滴在智能物聯網、計算機視覺和自動駕駛方向上的研發。
他在國際頂級期刊和會議上發表了160多篇學術論文,擁有多項發明專利,在邊緣智能、AI驅動的系統控制和群智感知方向上做出開創性貢獻,並多次獲得最佳論文獎, 其中包括通信網絡領域的zui gao論文獎2019 年度IEEE 通信學會William R. Bennett Prize和IEEE車載技術學會2016年度最佳車載電子論文獎。
目前還擔任中國電子學會物聯網專委會專家委員、新一代人工智能產業技術創新戰略聯盟專家委員會委員、IEEE車載技術學會傑出演講人、以及IEEE通信學會交換和路由技術委員會主席。

★張彌★
張彌博士,現任密歇根州立大學副教授,2006年畢業於北京大學,2013年獲得美國南加州大學博士學位,2013-2014年在美國康奈爾大學任博士後。
主要研究領域包括終端深度學習、自動機器學習、聯邦學習和機器學習系統。
本人及其研究團隊在2019年Google MicroNet Challenge 全球競賽中獲得CIFAR-100賽道第四名(北美第一名),在2017年NSF Hearables Challenge全球競賽中獲得第三名,在2016年NIH Pill Image Recognition Challenge全球競賽中獲得冠軍。

★吳佳洪★
吳佳洪,創新奇智高級研究員,2017年畢業於北京大學。
曾帶隊獲得Pascal Voc 世界冠軍、Cityscapes 實例分割冠軍、ADE20K物體分割冠軍等;曾負責創新奇智無人貨櫃項目的算法工作,專注於計算機視覺領域,發表過多篇CVPR論文。

★劉寧★
劉寧博士,滴滴資深研究員,畢業於美國東北大學計算機工程系。
研究領域包括深度增強學習、深度模型壓縮與加速、邊緣計算等。
在國際頂級期刊和會議AAAI, MICRO, ASPLOS,ISCA等發表學術論文20餘篇,發表多項發明專利。

目錄大綱

★第1章AI賦能時代的創業★
1.1 中國AI如何彎道超車
1.2 AI從“發明期”進入“應用期”
1.2.1 深度學習助推AI進入“應用期”
1.2.2 To B創業迎來黃金發展期
1.2.3 “傳統產業+AI”將創造巨大價值
1.2.4 AI賦能傳統行業四部曲
1.3 AI賦能時代的創業特點
1.3.1 海外科技巨頭成功因素解析
1.3.2 科學家創業的優勢和短板
1.3.3 四因素降低AI產品化、商業化門檻
1.4 給未來AI人才的建議

★第2章AI的產品化和工程化挑戰★
2.1 從AI科研到AI商業化
2.2 產品經理視角—數據驅動的產品研發
2.2.1 數據驅動
2.2.2 典型C端產品的設計和管理
2.2.3 典型B端產品解決方案的設計和管理
2.2.4 AI技術的產品化
2.3 架構設計師視角—典型AI架構
2.3.1 為什麼要重視系統架構
2.3.2 與AI相關的典型系統架構
2.4 寫在本章最後的幾句話
本章參考文獻

★第3章機器學習的發展現狀及前沿進展★
3.1 機器學習的發展現狀
3.2 機器學習的前沿進展
3.2.1 複雜模型
3.2.2 表示學習
3.2.3 自動機器學習

★第4章自然語言理解概述及主流任務★
4.1 自然語言理解概述
4.2 NLP主流任務
4.2.1 中文分詞
4.2.2 指代消解
4.2.3 文本分類
4.2.4 關鍵詞(短語)的抽取與生成
4.2.5 文本摘要
4.2.6 情感分析
本章參考文獻

★第5章機器學習在NLP領域的應用及產業實踐★
5.1 自然語言句法分析
5.1.1 自然語言句法分析的含義與背景
5.1.2 研究句法分析的幾個要素
5.1.3 句法分析模型舉例
5.2 深度學習在句法分析模型參數估計中的應用
5.2.1 符號嵌入
5.2.2 上下文符號嵌入
本章參考文獻

★第6章計算機視覺前沿進展及實踐★
6.1 計算機視覺概念
6.2 計算機視覺認知過程
6.2.1 從低層次到高層次的理解
6.2.2 基本任務及主流任務
6.3 計算機視覺技術的前沿進展
6.3.1 圖像分類任務
6.3.2 目標檢測任務
6.3.3 圖像分割任務
6.3.4 主流任務的前沿進展
6.4 基於機器學習的計算機視覺實踐
6.4.1 目標檢測比賽
6.4.2 蛋筒質檢
6.4.3 智能貨櫃
本章參考文獻

★第7章深度學習模型壓縮與加速的技術發展與應用★
7.1 深度學習的應用領域及面臨的挑戰
7.1.1 深度學習的應用領域
7.1.2 深度學習面臨的挑戰
7.2 深度學習模型的壓縮和加速方法
7.2.1 主流壓縮和加速方法概述
7.2.2 權重剪枝
7.2.3 權重量化
7.2.4 知識蒸餾
7.2.5 權重量化與權重剪枝結合併泛化
7.3 模型壓縮與加速的應用場景
7.3.1 駕駛員安全檢測系統
7.3.2 高級駕駛輔助系統
7.3.3 車路協同系統
本章參考文獻

★第8章終端深度學習基礎、挑戰和工程實踐★
8.1 終端深度學習的技術成就及面臨的核心問題
8.1.1 終端深度學習的技術成就
8.1.2 終端深度學習面臨的核心問題
8.2 在冗餘條件下減少資源需求的方法
8.3 在非冗餘條件下減少資源需求的方法
8.3.1 特殊化模型
8.3.2 動態模型
8.4 深度學習系統的設計
8.4.1 實際應用場景中的挑戰
8.4.2 實際應用場景中的問題解決
8.4.3 案例分析
本章參考文獻

★第9章DeeCamp訓練營最佳商業項目實戰★
9.1 方仔照相館—AI輔助單張圖像生成積木方頭仔
9.1.1 讓“AI方頭仔”觸手可及
9.1.2 理論支撐:BiSeNet和Mask R-CNN
9.1.3 任務分解:從圖像分析到積木生成的實現
9.1.4 團隊協作與時間安排
9.2 AI科幻世界—基於預訓練語言模型的科幻小說生成系統
9.2.1 打造人機協作的科幻小說作家
9.2.2 理論支撐:語言模型、Transformer模型和GPT2預訓練模型
9.2.3 從“找小說”到“寫小說”的實現步驟
9.2.4 團隊協作與時間安排
9.3 寵物健康識別—基於圖像表徵學習的寵物肥胖度在線檢測系統
9.3.1 人人都能做“養寵達人”
9.3.2 理論支撐:表徵學習、人臉識別原理和ArcFace損失函數
9.3.3 任務分解:從數據收集到肥胖度檢測
9.3.4 團隊協作與時間安排
9.4 商品文案生成—基於檢索和生成的智能文案系統
9.4.1 智能內容生成
9.4.2 理論支撐:Word2Vec詞嵌入、預訓練語言模型BERT和Seq2Seq文本生成
9.4.3 任務分解:“尋章摘句”和“文不加點”
9.4.4 團隊協作與時間安排
本章參考文獻