HCIA-AI V3.5

课程大纲

• 第1章人工智能概览
•     第1节 人工智能概述
•     第2节 人工智能领域
•     第3节 华为人工智能发展战略
•     第4节 人工智能的争议和未来

• 第2章机器学习概览
•     第1节 机器学习算法
•     第2节 机器学习分类
•     第3节 机器学习的整体流程
•     第4节 其他机器学习重要方法
•     第5节 机器学习的常见算法

• 第3章深度学习概览
•     第1节 深度学习简介
•     第2节 训练法则
•     第3节 激活函数
•     第4节 正则化
•     第5节 优化器
•     第6节 神经网络类型

• 第4章人工智能开发框架
•     第1节 人工智能框架
•     第2节 MindSpore基础
•     第3节 MindSpore特性
•     第4节 MindSpore开发组件
•     第5节 AI应用开发流程

• 第5章华为人工智能平台介绍
•     第1节 华为昇腾计算平台

• 第6章人工智能前沿应用场景
•     第1节 强化学习
•     第2节 生成对抗网络
•     第3节 知识图谱
•     第4节 智能驾驶

• 第7章量子学习与机器学习
•     第1节 量子计算简介
•     第2节 量子计算基本理论
•     第3节 量子机器学习
•     第4节 量子计算软件

实验列表

• 实验名称LeNet-5卷积神经网络
• 实验描述该案例的目的是区分0~9这10个数字。在Keras框架下，可以通过 mnist.load_data()函数加载数据集。TensorFlow 已经将数据集准备好并且做了区分。例如，这里的(X0,Y0)是训练集，(X1,Y1)是测试集。将 X0打印出来，可以看到这是一个6 万行的立体矩阵，每个矩阵都代表一张图像，其中每张图像的像素矩阵是28x28。需要注意的是，LeNet-5 第一次被提出来时要求输入是32x32，但是这个数据集的输入是28x28，这并不影响对模型的应用。通过 pyplot 函数可以将训练集中 0~9 这 10 个数字展示出来。

• 实验名称实现人脸生成--使用AutoEncoder网络
• 实验描述utoEncoder（AE）中文叫自编码器，是一种介于监督学习和无监督学习之间的模型。其学习方式现在被称为自监督学习，类似于Bert模型，它的训练需要标签数据，但是这个标签数据是自己生成的，因此叫做自监督学习。 AutoEncoder可以实现很多有用的事情，比如数据降维、图像降噪、风格迁移等。今天我们用AutoEncoder实现人脸生成的例子，这个实际上不是非常常见的例子。