人工智能算法,工程化,前沿技术概览

发布网友 发布时间：2024-10-23 23:37

我来回答

共1个回答

热心网友 时间：2024-11-05 02:58

人工智能算法，工程化，前沿技术概览

一、人工智能基础

1. 前馈神经网络

1.1 神经网络介绍

1.2 前馈神经网络

1.3 激活函数

1.4 神经网络训练

1.5 欠拟合和过拟合

2. 卷积神经网络(CNN)

2.1 卷积神经网络简介

2.2 卷积神经网络 - 卷积层

2.3 卷积神经网络 - 池化层

2.4 卷积神经网络 - 全连接层

2.5 卷积神经网络 - Dropout方法

2.6 卷积神经网络 - 典型的卷积网络（LeNet，AlexNet，VGGNet，ResNet）

3. 循环神经网络(RNN)

3.1 循环神经网络简介

3.2 循环神经网络 - 简单循环神经网络

3.3 循环神经网络 - 长短期记忆神经网络

3.4 循环神经网络 - 门控循环单元神经网络

4. 生成模型

4.1 变分自编码器(VAE，VQ-VAE，VQ-GAN)

4.2 生成对抗网络简介（GAN）

4.3 深度卷积生成对抗网络 (DCGAN)

4.4 条件生成对抗网络 (CGAN)

4.5 循环生成对抗网络 (CycleGAN)

5. 图神经网络（Graph Neural Networks）

5.1. 图神经网络（GNN）概述

5.2. 图卷积神经网络（GCN）

5.3. 图注意力网络（GAT）

5.4. GraphSAGE网络

5.5. 异构图神经网络（HGNNs）

6. 学习方式

6.1. 迁移学习（Transfer Learning）

6.2. 强化学习（Reinforcement Learning）

6.3. 集成学习（Ensemble Learning）

6.4. 联邦学习, 多任务学习, 元学习, 增量学习, 在线学习

7. 扩散模型

7.1. 扩散模型 - Denoising Diffusion Probabilistic Models ( DDPM )

7.2 扩散模型 - Latent Diffusion Model（LDM）和 Stable Diffusion Model

7.3 扩散模型 - ControlNet

8. 多模态模型

8.1. 多模态模型 - CLIP

9. 概率图

1. 概率图 - 图表示 - 概率论，图论与概率图基础

2. 概率图 - 图表示 - 贝叶斯网络（Bayesian Networks）

3. 概率图 - 图表示 - 隐马尔可夫模型（HMM）

4. 概率图 - 图表示 - 马尔可夫随机场（MRF）

5. 概率图 - 精确推理 - 变量消除（Variable Elimination）

6. 概率图 - 近似推理 - 马尔科夫链的蒙特卡罗方法（MCMC）

7. 概率图 - 参数学习 - 贝叶斯网络最大似然估计（MLE）

二、图像识别

1. 图像分类

1.1. 图像分类概述 - 任务，算法 (如：LeNet,AlexNet,VGGNet,ResNet)

2. 目标检测

2.1. 目标检测概述 - 主流方法, 常见指标 ( 精确率,召回率,准确率，AP,mAP,IoU )

2.2. 两阶段目标检测 - R-CNN，SPP-net，Fast R-CNN，Faster R-CNN

2.3. 单阶段目标检测 - NMS，SSD，CenterNet，YOLOv1~YOLOv8

3. 图像分割

3.1. 图像分割概述 - 语义分割、实例分割、全景分割

三、语音识别

1). 语音合成

2). 语音识别

...

四、自然语言处理 （NLP）

1). Tokenizer

2). 词向量，句向量

3). 机器翻译

...

五、数字虚拟人

1. 数字虚拟人

2. 虚拟数字人 - 虚拟主播（透明背景）

3. 虚拟数字人 - 虚拟主播（窗口捕捉）

六、大模型

1. Transformer与大模型

1.1 Transformer与大模型简介

1.2 Transformer 与大模型 - 自注意力机制（Self-Attention ）

1.3 Transformer 与大模型 - Transformer 的输入

1.4 Transformer 与大模型 - 编码器结构简介

1.5 Transformer 与大模型 - 编码器 - Q 、K、V

1.6 Transformer 与大模型 - 编码器 - 自注意力的计算过程

1.7 Transformer 与大模型 - 解码器 - 结构简介

1.8 Transformer 与大模型 - 解码器 - 带掩码的多头注意力层

1.9 Transformer 与大模型 - 解码器 - 多头注意力层

1.10 Transformer 与大模型 - llama2 7B 举例分析

2. 大模型训练微调

3. 大模型部署

3.1 大模型 - 部署 - 推理优化技术

3.2 大模型 - 部署 - 容量估算

4. 大模型工程化

4.1 大模型 - 知识库 - langchain

4.2 大模型 - 提示词（Prompt）工程

4.3 大模型 – Text2SQL

七、前沿理论

1. 柏拉图表征假说（Platonic Representation Hypothesis）- 概要分析

TODO

八、AI4S（AI For Science）

1. AI + 生物计算

1. AI+生物计算目录

2. AI + 量子计算

1. 量子计算系列教程目录 - 通过线性代数学习量子计算

九、AI 工程化

1. Java 项目

人工智能（AI）- Java 实现的项目列表

2. Python 项目

TODO

3. 日常实用工具

1. 大模型日常实用工具指南

网站：

开源项目：

热心网友 时间：2024-11-05 02:50

人工智能算法，工程化，前沿技术概览

一、人工智能基础

1. 前馈神经网络

1.1 神经网络介绍

1.2 前馈神经网络

1.3 激活函数

1.4 神经网络训练

1.5 欠拟合和过拟合

2. 卷积神经网络(CNN)

2.1 卷积神经网络简介

2.2 卷积神经网络 - 卷积层

2.3 卷积神经网络 - 池化层

2.4 卷积神经网络 - 全连接层

2.5 卷积神经网络 - Dropout方法

2.6 卷积神经网络 - 典型的卷积网络（LeNet，AlexNet，VGGNet，ResNet）

3. 循环神经网络(RNN)

3.1 循环神经网络简介

3.2 循环神经网络 - 简单循环神经网络

3.3 循环神经网络 - 长短期记忆神经网络

3.4 循环神经网络 - 门控循环单元神经网络

4. 生成模型

4.1 变分自编码器(VAE，VQ-VAE，VQ-GAN)

4.2 生成对抗网络简介（GAN）

4.3 深度卷积生成对抗网络 (DCGAN)

4.4 条件生成对抗网络 (CGAN)

4.5 循环生成对抗网络 (CycleGAN)

5. 图神经网络（Graph Neural Networks）

5.1. 图神经网络（GNN）概述

5.2. 图卷积神经网络（GCN）

5.3. 图注意力网络（GAT）

5.4. GraphSAGE网络

5.5. 异构图神经网络（HGNNs）

6. 学习方式

6.1. 迁移学习（Transfer Learning）

6.2. 强化学习（Reinforcement Learning）

6.3. 集成学习（Ensemble Learning）

6.4. 联邦学习, 多任务学习, 元学习, 增量学习, 在线学习

7. 扩散模型

7.1. 扩散模型 - Denoising Diffusion Probabilistic Models ( DDPM )

7.2 扩散模型 - Latent Diffusion Model（LDM）和 Stable Diffusion Model

7.3 扩散模型 - ControlNet

8. 多模态模型

8.1. 多模态模型 - CLIP

9. 概率图

1. 概率图 - 图表示 - 概率论，图论与概率图基础

2. 概率图 - 图表示 - 贝叶斯网络（Bayesian Networks）

3. 概率图 - 图表示 - 隐马尔可夫模型（HMM）

4. 概率图 - 图表示 - 马尔可夫随机场（MRF）

5. 概率图 - 精确推理 - 变量消除（Variable Elimination）

6. 概率图 - 近似推理 - 马尔科夫链的蒙特卡罗方法（MCMC）

7. 概率图 - 参数学习 - 贝叶斯网络最大似然估计（MLE）

二、图像识别

1. 图像分类

1.1. 图像分类概述 - 任务，算法 (如：LeNet,AlexNet,VGGNet,ResNet)

2. 目标检测

2.1. 目标检测概述 - 主流方法, 常见指标 ( 精确率,召回率,准确率，AP,mAP,IoU )

2.2. 两阶段目标检测 - R-CNN，SPP-net，Fast R-CNN，Faster R-CNN

2.3. 单阶段目标检测 - NMS，SSD，CenterNet，YOLOv1~YOLOv8

3. 图像分割

3.1. 图像分割概述 - 语义分割、实例分割、全景分割

三、语音识别

1). 语音合成

2). 语音识别

...

四、自然语言处理 （NLP）

1). Tokenizer

2). 词向量，句向量

3). 机器翻译

...

五、数字虚拟人

1. 数字虚拟人

2. 虚拟数字人 - 虚拟主播（透明背景）

3. 虚拟数字人 - 虚拟主播（窗口捕捉）

六、大模型

1. Transformer与大模型

1.1 Transformer与大模型简介

1.2 Transformer 与大模型 - 自注意力机制（Self-Attention ）

1.3 Transformer 与大模型 - Transformer 的输入

1.4 Transformer 与大模型 - 编码器结构简介

1.5 Transformer 与大模型 - 编码器 - Q 、K、V

1.6 Transformer 与大模型 - 编码器 - 自注意力的计算过程

1.7 Transformer 与大模型 - 解码器 - 结构简介

1.8 Transformer 与大模型 - 解码器 - 带掩码的多头注意力层

1.9 Transformer 与大模型 - 解码器 - 多头注意力层

1.10 Transformer 与大模型 - llama2 7B 举例分析

2. 大模型训练微调

3. 大模型部署

3.1 大模型 - 部署 - 推理优化技术

3.2 大模型 - 部署 - 容量估算

4. 大模型工程化

4.1 大模型 - 知识库 - langchain

4.2 大模型 - 提示词（Prompt）工程

4.3 大模型 – Text2SQL

七、前沿理论

1. 柏拉图表征假说（Platonic Representation Hypothesis）- 概要分析

TODO

八、AI4S（AI For Science）

1. AI + 生物计算

1. AI+生物计算目录

2. AI + 量子计算

1. 量子计算系列教程目录 - 通过线性代数学习量子计算

九、AI 工程化

1. Java 项目

人工智能（AI）- Java 实现的项目列表

2. Python 项目

TODO

3. 日常实用工具

1. 大模型日常实用工具指南

网站：

开源项目：