推荐：100节硅谷免费AI公开课

甲子光年CEO在《少数人的路》中说：“技术推动了一次次工业革命，每一次都带来了至少100倍以上的生产力的提高；第一次，机械革命，第二次，电气革命，第三次，信息革命，第四次，便是正在进行的智能革命”

而智能革命的当下，核心的主角便是人工智能。

▲人工智能产业结构

而对应的薪水也平均薪酬溢价高达55%-110%，有2，3年经验的人才要价50-60万年薪是很正常的一件事情。在这种形势下，很多同学都产生了涉足人工智能的想法，并付诸了行动。

其中占比最重的是计算机视觉方向，其次是自然语言处理、智能机器人及自动驾驶。

▲计算机视觉的应用场景

其实网上关于人工智能的课程有很多，大量免费的资料可以去选择，也有很多书籍和视频可以去购买。但这些海量的资料加大了大家选择的成本，降低了学习的效率。很多同学有很好的数学和代码基础，觉得自己能够完全搞定人工智能。但自己在中英文夹杂的资料海里遨游了三个月后，收获甚微。

所以为了让大家能够高效率入门人工智能行业，我们邀请硅谷顶级科学家为大家在线直播100节免费公开课，一周3-4节课。

不要认为免费的公开课就没有干货。每周一次的Review Session,我们会提前一周给出几个备选主题，由群内的同学们自主投票选择最心仪的主题。

这100节公开课有多硬核呢？设计紧密围绕学术界最新进展以及工业界的需求，涵盖了80%的人工智能知识点，并且结合了大量实战项目，包括热门的聊天机器人，自动驾驶等项目，培养学员的动手能力，解决问题能来以及对知识的深入理解。

上面提到计算机视觉的重要性，所以这周被选中的公开课主题也更偏重计算机视觉，包括：自动驾驶，逻辑回归+梯度下降，Python+数据分析，CNN，推荐算法。

AI系列公开课一

机器学习在自动驾驶（计算机视觉）中的案例分析

时间： 1月23日（周三）下午1：00

（老师跨时差）

内容介绍

▼

1. 自动驾驶中的指示牌识别（Traffic Sign Recognition）

- 指示牌识别的挑战

- 如何从摄像头的画面中定位交通指示牌（Image Segmentation）

- 如何识别交通指示牌（Image Classification）

- 数据增强等预处理技术

2. 自动驾驶中的方向盘转动方向预测（ Steering Prediction）

-  问题的目标和难点

-  传统的方案：道路检测、车辆检测

-  基于深度学习的端到端学习

-  怎么处理数据不平衡

-  传统模型和端到端模型的比较

主讲人介绍

▼

Jerry 袁源

CV、深度学习专家

美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发，是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工，拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间，主要研究NASA（美国航天局）支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。

AI系列公开课二

深入理解逻辑回归和梯度下降法--从本质理解优化算法

时间： 1月24日（周四）晚上8：30

内容介绍

▼

本次公开课的内容主要围绕逻辑回归模型以及梯度下降法。由浅入深，从本质层面深入去理解优化算法，以及它们之间的区别，内容会涉及不少数学，听众需要有一定的机器学习基础以及数学基础。

- 回顾逻辑回归模型

- 梯度下降法以及随机梯度下降法

- 时间复杂度回顾

- 凸函数和L-Lipschitz函数

- 梯度下降法的收敛分析以及证明

- 随机梯度下降法的收敛分析以及证明

- GD和SGD在收敛上的比较

- 延伸讨论：Adam, Adagrad的收敛性，与SGD的比较

主讲人介绍

▼

李文哲

NLP、知识图谱领域专家

美国南加州大学博士，曾任凡普金科（爱钱进）首席科学家，美国亚马逊/高盛高级工程师，AI量化投资公司首席科学家兼投资总监。在AAAI, KDD, AISTATS等顶会上发表过15篇以上论文，其中3篇获得Best Paper Award，累计数百次引用。

AI系列公开课三

掌握爬虫+数据分析：斗鱼人气前十网红直播间案例分析

时间： 1月22日（周二）晚上8：30

内容介绍

▼

如果一招爬虫走不了天下，那么加上数据分析你肯定无敌。本课程适合刚刚入门Python，想要学习爬虫及数据分析相关内容的学员。

1. 爬虫常见解析工具和request的详细介绍

2. 一起来爬斗鱼吧（代码演示）

3. 爬来的数据可以做什么？：Python数据分析技术详解

4. 入门matplotlib数据分析：找到斗鱼最赚钱的直播内容

主讲人介绍

▼

周景阳

数据分析、知识图谱专家

周景阳，技术领域、数据分析领域专家。曾任百度资深工程师、凡普金科和国美金融技术负责人。拥有8年以上、大数据和AI方面的实战经验，先后负责过金融风控、知识图谱、计算机视觉、聊天机器人等多个公司级的核心项目。多家在线教育平台的金牌讲师，拥有丰富的授课经验。

AI系列公开课四

全方位了解CNN卷积神经网络

时间： 1月27日（周日）晚上8：30

（老师跨时差）

内容介绍

▼

带领大家沿着CNN卷积神经网络的历史发展脉络看清CNN的进化路线, 温故而知新, 帮助我们展望CNN未来的发展趋势. 

1. 首先我会和大家回顾历届获得ImageNet冠军的CNN网络模型, 例如AlexNet, ZFNet, GoogLeNet, VGG Net和ResNet. 研究他们的特点, 理解其算法精髓, 比较他们各自的优势. 
   
   

2. 一起研究新的CNN网络, 例如DenseNet, MobileNet, ShuffleNet和EffNet, 看清为什么他们能够脱颖而出, 他们会给我们未来设计自己的CNN网络带来什么样的启示?

   
   

主讲人介绍

▼

Henry Shi

AI博士,机器人系访问学者

Henry Shi, 拥有10多年人工智能领域相关研发和研究经历，负责过美国政府多项人工智能基金项目。美国南加州大学人工智能博士，卡内基梅隆大学机器人系访问学者，先后在 ICML、AAAI、IJCAI、ICDM等国际顶级会议上发表数篇论文，引用次数高达1000。Henry也作为连续创业者，联合创立了南加州地区最大规模的华人创业服务平台PlusYoou普创、曾联合创立了P2P留学咨询平台云飞跃，担任CTO并实现了并购退出。

AI系列公开课五

案例剖析-深度解读Amazon的推荐算法

时间： 周三或周六下午1：00（备选）

内容介绍

▼

1. 概述 

推荐系统的成功案例(Amazon)

2. 常用的推荐的算法

1. 基于内容

2. 协同过滤

3. 矩阵分解

4. 因子分解机（Factorization Machine)

5. 深度学习

6. 机器学习排序(Learning to Rank)

7. 探索与利用(Explore and exploit): Contextual bandit

8. 集成学习 (Ensemble/Hybrid method)

 

3. 如何评价推荐系统

1. 离线评估

2. 问卷调查

3. 用户学习（User Study）

4. 在线测试 （A/B 测试）

 

4. 推荐系统架构

主讲人介绍

▼

Jerry 袁源

CV、深度学习专家

美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发，是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工，拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间，主要研究NASA（美国航天局）支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。

晒一下好评

报名方式

扫描海报二维码进群
加入免费公开课。

之后的公开课安排

（每周二、四、六）

具体主题由学员投票决定

• 企业开发中代码是如何管理的

• 一起聊聊AI/数据相关岗位的技能图谱，职业规划，未来前景

• 一小时弄清楚自然语言处理技术概览以及应用场景

• 用例子来说明机器学习中的 MLE vs MAP vs 贝叶斯估计的区别

• 面试必考题：逻辑回归模型以及数学推导

• 一小时弄清楚什么是卷积神经网络

• Python中那些不得不会的算法题目

• 大话面向对象

• 爬虫开发过程中那些绕不过的登录怎么办

• Python结合计算机视觉技术进行验证码识别

• 高质量的代码必经之路-单元测试该怎么做

• Python操作MongoDB

• Python操作MySQL

• 爬虫开发中不得不掌握的正则技术

• Python企业开发规范

• Python Web开发框架Django入门

• Python Web开发框架Flask入门

• Python 抓取贴吧评论并进行分析

• 零基础搭建简单的问答系统

• 怎么用知识图谱做金融风控系统

• 利用端到端的学习（end-to-end learning）搭建无人驾驶系统

• 搭建一个简单的目标检测系统（object detection）

• 深度学习的可解释性：深入浅出深度学习中的可视化（visualization）

• 聊聊中美人工智能人才培养、技术创新以及差异性

• 推荐系统中的常见算法介绍

• 矩阵分析（Matrix Factorization）详解：推荐系统最离不开的算法

• 几行代码可以实现的算法： KNN的详解

• Metric Learning中的经典：LMNN算法详解

• 随机梯度下降法中的收敛理论

• SGD, Adagrad, Adam算法的详细比较

• 深入浅出递归神经网络（Recurrent Neural Network)以及应用

• RNN中的梯度爆炸以及梯度消减，介绍LSTM

• 一小时实现图像中的风格迁移（style transfer）

• 一小时实现语音中的情绪识别（emotion recognition）

• 基于GraphX做分布式图分析

• 图嵌入算法详解以及引用

• GBDT和XGBoost算法应用以及实现

• 自适应系统所涉及到的技术要点

• 机器学习工程需要必备的数学知识

• 利用目标检测和跟踪算法分析英雄联盟视频

• 一小时教你怎么搭建GPU训练环境

• 一小时用Keras搭建人脸识别系统

• Google的最新作品BERT模型详解以及实现

• 一小时实现机器自动写代码系统

  （持续更新中。。）

  公开课导师阵容

李文哲 ： 美国南加州大学博士，曾任凡普金科（爱钱进）首席科学家，美国亚马逊/高盛高级工程师，AI量化投资公司首席科学家兼投资总监。在AAAI, KDD, AISTATS等顶会上发表过15篇以上论文，其中3篇获得Best Paper Award，累计数百次引用

袁源 ：美国新泽西理工博士，美国微软和美国亚马逊的资深推荐专家和技术负责人、主导多款核心推荐系统的研发，是人工智能、分布式系统、云计算方面的专家。拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。在AI会议上发表过20篇以上论文。

蓝振忠：美国卡耐基梅龙大学博士。现任Google科学家，曾任美国智能监控公司的首席科学家， 对视频和多媒体的智能分析有深入研究。他曾代表卡耐基梅隆大学在美国国家标准总局（NIST）举办的视频智能分析大赛中连续多年进入前三。先后在NIPS、CVPR、ICCV、IJCAI、ICDM等国际顶级会议上发表过25篇以上的论文，论文引用次数上千。

史源：美国南加州大学博士，美国AI基金创始人，拥有10多年人工智能领域相关研发和研究经历。卡耐基梅隆大学访问学者，先后在 ICML、AAAI、IJCAI、ICDM等国际顶级会议上发表数篇论文，引用次数高达1000。

周景阳：曾任百度资深工程师，国美和凡普金科的技术负责人。是技术领域、数据分析、知识图谱、视觉等领域的专家。

葛瀚骋：美国Texas A&M大学博士，美国亚马逊Alexa部门资深科学家，负责Alexa的智能化以及个性化的研发与应用，曾任职于美国ebay以及NEC北美实验室。主要的研究涉及到Tensor、社交分析、推荐系统等领域，在KDD、AAAI、SIGIR、RecSys等国际顶级会议上发表15篇以上的论文，数百次的引用。

Q: 如何参与之后的公开课？

扫描下面二维码（或海报）进群
加入免费AI公开课