课程
学校
数字教材
学校云
慕课堂
下载APP
扫码下载官方APP
人工智能产业应用前沿
分享
课程详情
课程评价
spContent=本课程由清华大学校友倾情奉献，诸位讲师在各自行业深耕十数年，带来人工智能在商业零售、城市交通、AI芯片、人机交互以及金融量化、图像处理、医疗器械等领域最前沿的应用成果介绍。
—— 课程团队
课程概述

人工智能是信息科学的重要组成部分之一，伴随深度学习等现代人工智能技术的迅速崛起和广泛应用，人工智能已上升到国家战略层面。而另一方面，人工智能又是一门包含众多不同研究领域和理论方法的综合科学，尤其近几年人工智能的学术研究和产业应用的迅速融合，使学术理论与产业应用之间的鸿沟几乎消弭，也使许多人工智能的最新进展已超出大多数经典教科书所涵盖的范围。


为了使人工智能的初学者能够迅速地理清现代人工智能的知识结构和发展现状，本课程将在人工智能的理论框架的基础上，结合实际行业的具体场景，介绍现代人工智能技术及算法在这些实际行业背景下的系统化应用以及所面临的挑战。


本课程的教学内容主要包括：人工智能的内涵及外延、人工智能的起源与发展历史回顾、现代人工智能系统的基本框架及主要理论分支、商用2C人工智能系统的发展及现状、基于人工智能的线下商业智能零售应用、基于人工智能的城市智能交通应用。此外，本课程还将介绍GPU、AI芯片等人工智能硬件平台如何与深度学习算法相结合，展现人工智能算法与硬件之间相互促进又相互制约的变革发展过程。



课程定位——


1. 对于初学者、非AI相关专业（包括文科生）的同学，

    通过课程学习可建立对前沿人工智能理论和方法的基本概念。

2. AI相关专业及在特定领域有一定实践经验的同学，

    通过课程可了解AI在各个前沿应用领域的发展现状、面临的主要问题及未来方向。

3. 对于学有余力或有基础的同学，建议将目标设在满分，

    课程准备了相应的习题和延伸阅读资料（详见课程公告），帮助大家整理AI从业人员必须掌握的数学基础及算法原理。

授课目标

帮助学习者获得人工智能理论与方法在产业应用中的前沿信息。

课程大纲
证书要求

为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。

 

电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。

 

完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。

 

认证证书申请注意事项：

1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。

2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。


参考资料

※书籍※

· 《Deep Learning》, Ian Goodfellow&Yoshua Bengio

※文献※

[1] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, “Gradient-based learning applied to document recognition” Proceedings of the IEEE, v. 86, pp. 2278-2324, 1998.

[2] P.Y. Simard, D. Steinkraus, and J.C. Platt. Best practices for convolutional neural networks applied to visual document analysis. In Proceedings of the Seventh International Conference on Document Analysis and Recognition, volume 2, pages 958–962, 2003.

[3] A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012.

[4] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.

[5] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. In CVPR, 2016.

[6] R. Girshick. Fast R-CNN. In ICCV, 2015

[7] S. Ren, K. He, R. Girshick, and J. Sun. Faster R-CNN: Towards real-time object detection with region proposal networks. In NIPS, 2015.

[8] Jifeng Dai, Yi Li, Kaiming He, Jian Sun, R-FCN: Object Detection via Region-based Fully Convolutional Networks, ArXiv:1605.06409

[9] A. Shrivastava, A. Gupta, and R. Girshick. Training region-based object detectors with online hard example mining. In CVPR, 2016.

[10] K. He, X. Zhang, S. Ren, and J. Sun. Spatial pyramid pooling in deep convolutional networks for visual recognition. In ECCV. 2014.


常见问题

1、本慕课部分资料，包括视频、图片来自网络资源，如有异议，请及时联系课程团队：dandie518@qq.com。

2、如果学习者在学习过程中遇到困惑，而教师因事可能来不及答复，可通过课程团队的微信公众号“AI之美”留言，或与上述邮箱联系，谢谢。祝学习愉快！