创新工场讲AI课 从知识到实践

"1.李开复、王咏刚、张潼等学术界、产业界领军人物全新梳理AI知识体系； 2.AI领域国际科学家周明、张亚勤、周志华力荐； 3.创新工场新创“知识授课+产业实践”学习模式； 4.完整呈现从学科知识到工程实践的课程设计，实践项目来自产业界真实实践课题和训练数据； 5.本书旨在将AI学习者、从业者从一招一式的“点滴型学习”转变为能够博取百家、融会贯通的“系统型学习”。"

创新工场于2017年发起了面向高校在校生的DeeCamp人工智能训练营（简称DeeCamp训练营），训练营内容涵盖学术界与产业界领军人物带来的全新AI知识体系和来自产业界的真实实践课题，旨在提升高校AI人才在行业应用中的实践能力，以及推进产学研深度结合。本书以近两年DeeCamp训练营培训内容为基础，精选部分导师的授课课程及有代表性的学员参赛项目，以文字形式再现训练营"知识课程+产业实战”的教学模式和内容。全书共分为9章，第1章、第2章分别介绍AI赋能时代的创业、AI的产品化和工程化挑战；第3章至第8章聚焦于AI理论与产业实践的结合，内容涵盖机器学习、自然语言处理、计算机视觉、深度学习模型的压缩与加速等；第9章介绍了4个优秀实践课题，涉及自然语言处理和计算机视觉两个方向。本书适合AI相关专业的高校在校生及AI行业的工程师使用，可作为他们了解AI产业和开拓视野的读物。

"李开复博士： 李开复博士，创新工场董事长兼CEO，李开复博士于2009年创立创新工场，专注于科技创新型的投资理念与最前沿的技术趋势。在此之前，他曾是谷歌中国全球副总裁兼大中华区总裁，担任微软全球副总裁期间开创了微软亚洲研究院，并曾服务于苹果、SGI等知名科技企业。他在美国哥伦比亚大学取得计算机科学学士学位，以优选荣誉毕业于卡耐基梅隆大学获得博士学位。他被《时代》杂志评选为2013影响全球100位年度人物之一，并出任世界经济论坛第四次工业革命中心的AI委员会联席主席。李开复博士发明过十项美国专利，发表逾百篇专业期刊或会议论文，并出版十余本中文畅销书。 王咏刚： 王咏刚，现任创新工场CTO人工智能工程院执行院长，加入创新工场前担任谷歌主任工程师和高级技术经理超过十年，在谷歌参与或负责研发的项目包括桌面搜索、谷歌拼音输入法、产品搜索、知识图谱、谷歌首页涂鸦（Doodles）等，在知识图谱、分布式系统、自然语言处理、HTML5动画和游戏引擎等领域拥有丰富的工程研发经验。目前专注于人工智能前沿科技的工程化与商业化，以及人工智能高端人才的培养，作为联合创始人，创立了人工智能商业化公司创新奇智，同时也是人工智能高端应用型人才培养项目DeeCamp的发起者。 张潼博士： 张潼博士，机器学习领域国际有名专家，拥有美国康奈尔大学数学和计算机双学士学位，以及斯坦福大学计算机硕士和博士学位，在香港科技大学数学系和计算机系任教。曾经担任美国新泽西州立大学终身教授，IBM研究院研究员和雅虎研究院主任科学家，百度研究院副院长和大数据实验室负责人，腾讯AI Lab主任。他曾参加美国国家科学院大数据专家委员会，负责过多个美国国家科学基金资助的大数据研究项目，此外还是美国统计学会和国际数理统计学会fellow，并担任NIPS、ICML、COLT等国际很好机器学习会议主席或领域主席，以及PAMI, JMLR, 和Machine Learning Journal等不错人工智能期刊编委。 宋 彦： 宋彦，香港中文大学（深圳）数据科学学院副教授，创新工场大湾区研究院首席科学家。 屠可伟，上海科技大学副教授。 张发恩，创新奇智CTO 吴佳洪，创新奇智高级研究员 刘 宁，滴滴资深研究员 唐 剑，滴滴智能控制首席科学家 张 弥，美国密歇根州立大学助理教授"

★第1章 AI赋能时代的创业★
1.1 中国AI如何弯道超车
1.2 AI从“发明期”进入“应用期”
1.2.1 深度学习助推AI进入“应用期”
1.2.2 To B创业迎来黄金发展期
1.2.3 “传统产业+AI”将创造巨大价值
1.2.4 AI赋能传统行业四部曲
1.3 AI赋能时代的创业特点
1.3.1 海外科技巨头成功因素解析
1.3.2 科学家创业的优势和短板
1.3.3 四因素降低AI产品化、商业化门槛
1.4 给未来AI人才的建议
★第2章 AI的产品化和工程化挑战★
2.1 从AI科研到AI商业化
2.2 产品经理视角—数据驱动的产品研发
2.2.1 数据驱动
2.2.2 典型C端产品的设计和管理
2.2.3 典型B端产品解决方案的设计和管理
2.2.4 AI技术的产品化
2.3 架构设计师视角—典型AI架构
2.3.1 为什么要重视系统架构
2.3.2 与AI相关的典型系统架构
2.4 写在本章最后的几句话
本章参考文献
★第3章 机器学习的发展现状及前沿进展★
3.1 机器学习的发展现状
3.2 机器学习的前沿进展
3.2.1 复杂模型
3.2.2 表示学习
3.2.3 自动机器学习
★第4章 自然语言理解概述及主流任务★
4.1 自然语言理解概述
4.2 NLP主流任务
4.2.1 中文分词
4.2.2 指代消解
4.2.3 文本分类
4.2.4 关键词（短语）的抽取与生成
4.2.5 文本摘要
4.2.6 情感分析
本章参考文献
★第5章 机器学习在NLP领域的应用及产业实践★
5.1 自然语言句法分析
5.1.1 自然语言句法分析的含义与背景
5.1.2 研究句法分析的几个要素
5.1.3 句法分析模型举例
5.2 深度学习在句法分析模型参数估计中的应用
5.2.1 符号嵌入
5.2.2 上下文符号嵌入
本章参考文献
★第6章 计算机视觉前沿进展及实践★
6.1 计算机视觉概念
6.2 计算机视觉认知过程
6.2.1 从低层次到高层次的理解
6.2.2 基本任务及主流任务
6.3 计算机视觉技术的前沿进展
6.3.1 图像分类任务
6.3.2 目标检测任务
6.3.3 图像分割任务
6.3.4 主流任务的前沿进展
6.4 基于机器学习的计算机视觉实践
6.4.1 目标检测比赛
6.4.2 蛋筒质检
6.4.3 智能货柜
本章参考文献
★第7章 深度学习模型压缩与加速的技术发展与应用★
7.1 深度学习的应用领域及面临的挑战
7.1.1 深度学习的应用领域
7.1.2 深度学习面临的挑战
7.2 深度学习模型的压缩和加速方法
7.2.1 主流压缩和加速方法概述
7.2.2 权重剪枝
7.2.3 权重量化
7.2.4 知识蒸馏
7.2.5 权重量化与权重剪枝结合并泛化
7.3 模型压缩与加速的应用场景
7.3.1 驾驶员安全检测系统
7.3.2 高级驾驶辅助系统
7.3.3 车路协同系统
本章参考文献
★第8章 终端深度学习基础、挑战和工程实践★
8.1 终端深度学习的技术成就及面临的核心问题
8.1.1 终端深度学习的技术成就
8.1.2 终端深度学习面临的核心问题
8.2 在冗余条件下减少资源需求的方法
8.3 在非冗余条件下减少资源需求的方法
8.3.1 特殊化模型
8.3.2 动态模型
8.4 深度学习系统的设计
8.4.1 实际应用场景中的挑战
8.4.2 实际应用场景中的问题解决
8.4.3 案例分析
本章参考文献
★第9章 DeeCamp训练营很好商业项目实战★
9.1 方仔照相馆—AI辅助单张图像生成积木方头仔
9.1.1 让“AI方头仔”触手可及
9.1.2 理论支撑：BiSeNet和Mask R-CNN
9.1.3 任务分解：从图像分析到积木生成的实现
9.1.4 团队协作与时间安排
9.2 AI科幻世界—基于预训练语言模型的科幻小说生成系统
9.2.1 打造人机协作的科幻小说作家
9.2.2 理论支撑：语言模型、Transformer模型和GPT2预训练模型
9.2.3 从“找小说”到“写小说”的实现步骤
9.2.4 团队协作与时间安排
9.3 宠物健康识别—基于图像表征学习的宠物肥胖度在线检测系统
9.3.1 人人都能做“养宠达人”
9.3.2 理论支撑：表征学习、人脸识别原理和ArcFace损失函数
9.3.3 任务分解：从数据收集到肥胖度检测
9.3.4 团队协作与时间安排
9.4 商品文案生成—基于检索和生成的智能文案系统
9.4.1 智能内容生成
9.4.2 理论支撑：Word2Vec词嵌入、预训练语言模型BERT和Seq2Seq文本生成
9.4.3 任务分解：“寻章摘句”和“文不加点”
9.4.4 团队协作与时间安排
本章参考文献