根据“集智AI学园”的课程介绍生成标签词云

转发自集智AI学园

这套“人工智能版图”是我们参考了斯坦福、MIT、卡耐基梅隆等美国知名的学校下设的人工智能相关专业课程而设计的，同时也引入了我们自己的特色。我将试图给大家呈现出一个AI学习的全貌。与此同时，我也将我们集智AI学园已经开设的课程安插在这张大版图上，这也是对我们这个新创公司一年的发展业绩总结。

这个版图的一级目录相当于是课程模块，每一个模块下的二级目录的每一个相当于是一个系列课。你可能会奇怪，这里为什么没有语音识别？为什么没有字符识别？甚至为什么没有机器人？

这是有我们自己的特色考虑的。我们认为，随着人工智能即将变成类似于互联网一样的基础性技术，它的应用范围必将会越来越广。因此，更加重要的恰恰不在这些技术的应用，而是它们背后的“第一性原理”（有关这个第一性原理，first principle，我有机会还要跟大家详细介绍）。有了这种认识，我们学员在学习了这些课程之后，便可以在各种各样的场景动态地生成所需要的解决方案。相比之下，语音识别、字符识别等就是比较传统而具体的应用领域了，它们完全可以被吸纳进图像与视觉或自然语言处理等模块中，因此我们没有开设。我们希望看到的是学员能够产生更多的奇思妙想的AI应用。

下面，就让我们按照这几大模块的顺序，介绍一下我们集智AI学园在这短短的一年中都已经开设了哪些课程。

作为人工智能的基础通识模块，我们早已经开设了不少的课程，这包括AI视野类的课程，让你对AI发展全貌有一个了解，也包括技术类的概述性课程。

例如我自己讲解的《火炬上的深度学习》上、下这两个系列课。该系列课程不仅涵盖了目前深度学习从计算机视觉到自然语言处理的方方面面，而且还将理论与实践紧密地结合起来。我们总课程共有10次，每次持续大概2个小时，还有课后的补充视频（一次半个小时）和相应的习题。另外，课程全部讲解的案例都用PyTorch实现，课后还附加了有关PyTorch的作业题和课程示例的源代码。

PS: 剧透一下，本课程的配套丛书马上就要上市咯，而且我们还会重新推出这个重磅系列课程的。

机器学习思维

另外，我还讲过一个机器学习概览的单课《机器学习思维》，特别适合没有接触过这方面知识的学员了解这个学科。课程内容主要涉及到为什么机器学习已经演变成了企业的一种思维模式，还包括机器学习的各大分类以及各种领域的应用案例。

在大数据方面，我们有清华大学的董磊博士讲解的《大数据与大发展》，该课程深入浅出地给我们介绍了大量大数据的应用案例，包括用搜索数据预测流感趋势，用中国的手机数据探测东北的鬼城等等。

 二、自然语言处理 

截止到目前为止，自然语言处理是我们相对来说最成熟的一个课程模块。在这里，我们有三个系列重磅课程都非常受欢迎。

自然语言处理与深度学习

第一个就是香港理工大学的李嫣然（小S）博士和爱因互动科技公司钟翰廷工程师给我们带来的系列课程“自然语言处理与深度学习”。这套课程在推出时（2016年9月份）可以说是极具时效性和前沿性的。课程内容涵盖了词向量、情感分析、机器翻译、文本生成、RNN、LSTM、神经图灵机等内容。

中文自然语言理解（NLU）在金融领域的应用

第二套非常棒的系列课程就是刚刚结束的由Deep Belief创始人尹相志老师奉献给大家的这套：“中文自然语言理解（NLU）在金融领域的应用”。可以说，这套课程不仅仅带领我们领略了各种自然语言处理技术以及深度学习的高级玩法，例如用计算机视觉技术玩转中文，而且还教会我们如何将这些技术应用到具体的金融领域应用中，极具实操性。更可贵的是，尹相志老师的每节课都会有配套的PyTorch源代码，并耐心讲解，非常细腻，你不会都难！

第三套重磅系列课程同样还是香港理工大学的李嫣然（小S）博士给我们带来的，这个系列课叫“如何打造你自己的聊天机器人”。该课程深入浅出地将聊天机器人的前世今生、各个发展分枝和主要的框架都给我们做了一一介绍。课程最后的作业就是打造一套你自己的聊天机器人，你能接受挑战吗？

当然除了这些系列课之外，我们集智AI学园的网站上还有大量有关NLP的相关课程，包括机器翻译、词向量、自然语言理解等等，大家可以尽情地去探索。

 

 三、图像与视觉 

很遗憾，在图像和视觉方面我们没有特别成系统的系列课程，但我们却有一些非常有特色的课程，下面一一介绍。

GAN的原理与应用

首先，我们最受欢迎的课程，不是图像识别，也不是CNN，而是这一套讲图像生成的《GAN的原理与应用》。我们看到一位帅哥，三位美女：著名网络讲师莫烦、商汤科技实习生尉方音、北师大研究生文雷、北师大博士楼晓丹，为我们深入潜出地介绍了有关GAN的基本原理以及相关应用。

人脸识别技术与应用

另外，我们还有一些非常有特色的单次课程，例如中科奥森创始人李子青老师就曾亲自给我们上课。李老师据说是人脸识别领域的教父，曾给比尔盖茨展示过他研发出的最早的一套人脸识别系统。在这节课中，李老师不仅讲解了人脸识别原理，还讲解了他当年是如何突破一个个障碍实现人脸识别系统的人生经历：

另外，还有北大张晓雅博士的“深度学习在生物医疗图像分割领域的应用”不仅深入潜出地介绍了全卷积网络，而且还就她自己的博士论文研究，将深度卷积网络应用于医学图像处理之中进行了详细介绍：

网络解构：量化深度视觉表征的可解释性

深度网络一直被认为是无法打开的黑箱，然而，辛茹月讲解的这一堂“网络解构：量化深度视觉表征的可解释性”却给我们介绍了如何追溯卷积神经网络如何做决策，可视化网络的学习效果的方法。Deep Dream、Style Transfer等技术都是从该研究中发展出来的。

另外，楼晓丹博士讲解的这一堂“视觉理解新突破——关系推理模型”则为我们深入潜出地介绍了谷歌DeepMind公司的最新研究成果，它们利用新发展出来的“自注意力模型”来理解图像中多个物体之间的空间关系，甚至还能够自动学出模拟多个物体的运动轨迹：

 四、推理与博弈 

本模块将主要涵盖有关智能推理、搜索、博弈，以及强化学习、多主体智能等相关内容。它更多关心的是有关智能体的概念。在本部分模块中，我们尚没有开发出比较重的系列课程，但却有一些很棒的单课，主要集中在强化学习方面。

强化学习入门系列（免费）

首先，关于强化学习的入门课程，大家可以看看莫烦的“强化学习入门”，他深入浅出地将强化学习的各种分类、各种概念娓娓道来，听着很是受用。

深度强化学习简介

如果你觉得不过瘾，想深入一步了解，可以看Intel研究院的史雪松博士讲解的“深度强化学习简介”课程，该课程详细介绍了强化学习的提出框架，以及DeepMind用AI打游戏的实例。

通用自学习围棋程序：AlphaGo 元解析

最近，我们新上了一堂讲解AlphaGo Zero的课。这个AlphaGo元可以单凭强化学习，不借助任何人类经验而能超越世界围棋冠军。该单次课主要以讲解DeepMind团队最近发表在Nature上的那篇文献Mastering the game of Go without human knowledge为主，讲解人是北师大研究生高飞。

多主体与群体行为（免费）

另外，在本模块中，我们还有一堂有关多智能体的课程，由北师大系统科学学院教授韩战钢老师讲解的“多主体与群体行为”。该课程先是以自然界中的各种动物群体为例介绍了群集涌现的基本概念和相关的计算机仿真；之后，又介绍了多机器人系统的相互协调与合作等技术。

  五、网络智能 

所谓的网络智能主要是利用有关复杂网络和互联网数据挖掘等基本技术完成的有关推荐、搜索、竞价排名等与社会网络、技术网络有关的各类技术和算法。

非欧氏数据的几何深度学习

我们首先给大家推出的是这一套网络科学与深度学习相结合的最新系列课程，由北师大研究生辛茹月、文雷主讲的“非欧氏数据的几何深度学习”。该课程主要有两个部分，一个是针对点云（point clouds）数据的深度学习，另一个是针对网络或图（Graph）上的深度学习。这两套方法都是将卷积神经网络扩展到更难以处理的数据类型点云和图上，从而获得了一定的成功。特别是针对网络部分，辛茹月介绍了如何将GCN（图卷积神经网络）应用到商品推荐上。

知识图谱与知识表征学习专题

我们推荐的第二个系列课程就是我以及北师大研究生文雷、龚力等主讲的“知识图谱与知识表征学习”。在这个系列课中，我首先概述了知识图谱是什么，它有哪些具体应用领域，以及什么是表征学习，有哪些常用算法。接下来，文雷等人则针对一些具体的知识表征算法，例如TransE、TransR等展开详细的介绍。

计算传播学——用AI穿透你的注意力壁垒（免费）

在这个模块中，我们有一节重磅的综述性课程，这就是南京大学王成军老师给我们讲解的“计算传播学”，该课程首先概述了有关网络科学、计算社会科学等相关的最新进展，之后又结合传播学介绍了有关计算传播学的相关内容。

 六、复杂性科学 

复杂性科学和人工智能到底是什么关系？我个人认为，虽然目前来看这两个学科都在平行发展，交叉并不多。但是，复杂性科学必然会成为理解人工智能基础的基本学科；另一方面，人工智能则为复杂性科学提供了实验场所。

北师大系统科学学院2017复杂系统暑期学习（免费）

这实际上不能算系列课，而是北师大复杂系统暑期学校的现场直播。在这个暑期学校中，14名北师大知名老师给你全面介绍体们在包括神经科学、生态学、经济学、计算机科学、气候科学等不同的交叉研究领域的复杂性研究。相信这系列讲座会给你带来有关复杂性的全新认识。

复杂性科学的前世今生（免费）

另外，我再推荐自己讲解的一堂课：“复杂性科学的前世今生”。该课用了一个多小时的时间，按照历史发展的顺序系统介绍了包括老三论、新三论、分形、多主体模拟、复杂适应系统、复杂网络、复杂系统的物理学、大数据时代的复杂性研究等复杂性科学的相关内容，包括它的大致发展阶段，以及最新研究动态。这堂课有助于我们对系统科学有一个全面了解：

 七、类脑计算 

 

这一课程模块的设计主要是考虑到目前的人工智能还需要在很多方面向人类的生物大脑学习，因此认知神经科学必然会与人工智能有许多交叉。历史上，卷积神经网络的设计正是从人类视觉皮层的研究中借鉴出来的。因此，我们将在这里开设有关这一交叉领域的课程。目前，我们并没有系列课程，但是有一些很不错的单课。

计算神经科学与类脑智能算法（免费）

例如，北师大系统科学学院教授王大辉老师给我们带来了“计算神经科学与类脑智能算法”这一讲座，深入潜出地介绍了计算神经科学这一生物与计算相结合的领域

相信这么多课程足够打发你春节无聊的时间了。最后，我给大家拜个年，希望你在2018新的一年中能够有更多的收获，也希望你随时关注我们的网站：campus.swarma.org

张江：

北京师范大学系统科学学院教授，博士生导师，集智俱乐部、集智AI学园创始人，集智科学家，阿里研究院、腾讯研究院、网络智库专家，人工智能研究者与布道者。

关注集智AI学园公众号

获取更多更有趣的AI教程吧！

搜索微信公众号：swarmAI

集智AI学园QQ群：426390994

学园网站：campus.swarma.org

 商务合作｜zhangqian@swarma.org     

投稿转载｜wangjiannan@swarma.org