人工智能（含機器學習）及其在電信領域應用

=============================================================
《人工智能（含機器學習）及其在電信領域應用》
-段方
某世界 100 強企業(yè)大數(shù)據(jù)/AI 總設計師 教授、北京大學博士后
=============================================================
193040787401  概述
-------------------------------------------------------------
1.1  從阿爾法狗與李世石的圍棋說起
1.1.1  過程概述
1.1.2  阿爾法狗改變了什么？
1.2 AI 的概念和特點
1.2.1 AI 的各種定義
1.2.2 AI 的特點
1.3 AI 的發(fā)展歷史
1.3.1
1.3.2
1.3.3
1.3.4
史前期 形成期  蕭條期  興旺期
1.4  人工智能的研究內容
1.4.1  知識表示
1.4.2
1.4.3
1.4.4
1.4.5
機器感知 機器學習 機器思維 機器行為
1.5  硬件的進步
1.5.1 GPU 的發(fā)展
1.5.2 FPGA 的應用
1.5.3 ASIC 芯片崛起
1.5.4  物聯(lián)網(wǎng)的進步
1.6  人工智能行業(yè)發(fā)展現(xiàn)狀
1.6.1  芯片層面
1.6.2  算法層面
1.6.3  應用層面
1.6.4  開源的深遠影響
1.7  人工智能存在的問題及前景
1.7.1  人工智能的這一波進展有何局限？
1.7.2  人工智能會替代人嗎?
1.8  人工智能助力 5G 產業(yè)互聯(lián)網(wǎng)
1.8.1 5G 豐富物聯(lián)網(wǎng)數(shù)據(jù)
1.8.2  產業(yè)互聯(lián)網(wǎng)與消費互聯(lián)網(wǎng)的異同
1.8.3  產業(yè)互聯(lián)到產業(yè)智能
1.9  【案例】
1.9.1  《人工智能在電信領域中的應用》
133351162052  智能運維（AIOPS)基礎
-------------------------------------------------------------
2.1  智能運維基礎
2.1.1  概念
2.1.2  發(fā)展情況
2.1.3  系統(tǒng)健康度
2.1.4  能力成熟度模型
2.1.5 AIOPS 分析
2.2  智能運維體系架構
2.2.1  體系架構
2.2.2  智能故障診斷
2.2.3  數(shù)據(jù)架構
2.2.4  物理架構
2.2.5  數(shù)據(jù)安全設計
2.2.6  平臺自監(jiān)控
2.3  智能運維數(shù)據(jù)采集
2.3.1  運維數(shù)據(jù)種類
2.3.2  運維數(shù)據(jù)采集
采集框架 采集流程
采集模式等
2.3.3  數(shù)據(jù)處理緩存
處理存儲
2.4  智能算法模型
2.4.1  無監(jiān)督異常檢測算法
2.4.2  異常根因定位
2.4.3  知識圖譜
2.4.4   自然語言理解
2.4.5  單指標異常檢測
2.4.6  多指標異常檢測
2.5  智能運維應用
2.5.1  故障預測
2.5.2  故障診斷
2.5.3  故障修復
2.5.4   日志數(shù)據(jù)分析
2.5.5  指標的關聯(lián)分析
2.6  智能運維新技術
2.6.1
巡檢機器人
2.6.2
數(shù)據(jù)孿生
2.6.3
低代碼技術
2.7  運營商自動駕駛網(wǎng)絡
2.7.1 TMF  自動駕駛網(wǎng)絡框架
2.7.2  某運營商能力分級指標
2.7.3  某運營商自動駕駛網(wǎng)絡框架
2.8  【案例】附件——PAAS（華為、阿里等）智能運維案例
133351168403  人工智能的深度學習
-------------------------------------------------------------
3.1  概述
3.1.1  為什么是深度學習？ 引出與淺層學習（單層網(wǎng)絡）的區(qū)別原因
3.1.2  什么是“無監(jiān)督 ”學習？
3.1.3  與神經(jīng)網(wǎng)絡的關系？
3.2  神經(jīng)網(wǎng)絡學習
3.2.1  概念
腦神經(jīng)元分析
視覺識別過程
3.2.2  原理
神經(jīng)網(wǎng)絡算法原理
BP 網(wǎng)絡
3.3  深度學習介紹
3.3.1  多層神經(jīng)網(wǎng)絡
梯度下降的概念
層越多越好嗎？
3.3.2  深度學習的弱點
從視覺原理起步
如何擴展到企業(yè)應用？
3.4  深度學習原理
3.4.1  從單層神經(jīng)網(wǎng)絡到多層神經(jīng)網(wǎng)絡
3.4.2  深度學習的訓練過程
3.4.3  深度學習的具體模型及方法
3.4.4  深度學習的性能比較
3.4.5  深度學習的應用
3.5  深度學習的意義
3.5.1  改變了傳統(tǒng)人工智能的哪些思維定式？
3.5.2  深度學習的無監(jiān)督學習
3.6  深度學習的算法
3.6.1  （多層）感知機
3.6.2  深度神經(jīng)網(wǎng)絡（DNN）
3.6.3  循環(huán)神經(jīng)網(wǎng)絡（RNN）
3.6.4  卷積神經(jīng)網(wǎng)絡（CNN）
3.6.5  長短期記憶網(wǎng)絡（LSTM）
3.7  強化學習和遷移學習
3.7.1  強化學習的概念和特點
3.7.2  遷移學習的概念和特點
3.8  人工智能的學習框架
3.8.1  開源的概念
3.8.2  學習框架的歷程
3.8.3 caffe 等學習框架介紹
3.9 TensorFlow 框架內容
3.9.1  編程模型簡介
3.9.2   自編碼器介紹
3.9.3  多層感知機介紹
3.10  【案例】附件——某企業(yè)人臉識別案例
人工智能在電信行業(yè)應用場景
-------------------------------------------------------------
4.1  概述
4.1.1  企業(yè)如何提升“智能 ”
4.1.2  應用驅動 or 算法驅動？
4.1.3  應用的場景探索
4.2  智慧營業(yè)廳
4.2.1  人臉識別
4.2.2  智能推薦
4.2.3  客戶軌跡分析
4.2.4  服務質量評估
4.3  智慧管理
4.3.1  業(yè)務異常監(jiān)控
4.3.2  基站資產稽核
4.3.3  會議語音轉寫記錄
4.3.4  態(tài)勢感知
4.4  智慧稽核
4.4.1  人證比對
4.4.2  簽名識別
4.4.3  異常操作識別
4.5  智慧運維
4.5.1 CPU 資源預測分析
4.5.2  磁盤故障分析
4.5.3  智慧能源分析
4.6  語音 UI 導航
4.6.1
語音識別
4.6.2
語義理解
4.6.3
智能檢索
4.6.4
語音播報
4.7  智慧客服
4.7.1  客戶聲紋識別
4.7.2   問題識別
4.7.3   問題歸類及派單
4.7.4  事后滿意度調查
4.8 AI 應用初探
4.8.1  成果如何評估？
4.8.2  讓 AI 飛一會兒
4.8.3 AI 人才隊伍如何構建？
4.9  【思考】企業(yè)人工智能應用的領域還有哪些？
人工智能/機器學習應用開發(fā)方法
-------------------------------------------------------------
5.1 CRISP-DM（CRoss-Industry Standard Process for Data Mining）方法論
5.2  業(yè)務理解 （Business Understanding）
5.3  數(shù)據(jù)理解 （Data Understanding）
5.4  數(shù)據(jù)準備 （Data Preparation）
5.5  建模（Modeling）
5.6  評估（Evaluation）
5.7  部署 （Deployment）
5.8  數(shù)據(jù)挖掘之外的方法論
5.9  深度學習的方法論有何異同？
5.10  深度學習基礎
5.10.1  深度學習的概念和特點
5.10.2  深度學習的意義
5.10.3  深度學習的應用領域
5.11  【示例】附件——某企業(yè)機器學習案例集
人工智能/機器學習案例
-------------------------------------------------------------
6.1  【案例】人工智能用于網(wǎng)絡分析的案例（預測類、監(jiān)督類、運營類等）
6.2  【案例】 日志審計類案例
6.3  【案例】智慧機房（廠房）監(jiān)控深度學習案例
6.4  其它案例
總結
-------------------------------------------------------------

段方老師的其它課程