《智能計算系統》課程由陳云霽老師親自“操刀”，讓大家融會貫通地理解智能計算系統完整的軟硬件技術棧，把割裂的知識點串起來打通任督二脈。據介紹，課程采用“應用驅動，全棧貫通”的思想，以一個圖像遷移風格的驅動范例帶動，重點圍繞智能計算系統的設計理論、方法、關鍵技術等展開討論，從基本概念開始，由淺入深幫助學生建立智能計算系統設計及應用的知識體系，培養智能時代急需的芯片設計、軟件開發、算法研發等各個層次的人才。
課程網站：//novel.ict.ac.cn/aics/ 視頻鏈接：
課程簡介
智能計算系統是智能的核心物質載體，每年全球要制造數以十億計的智能計算系統（包括智能手機、智能服務器、智能可穿戴設備等），需要大量的智能計算系統的設計者和開發者。智能計算系統人才的培養直接關系到我國智能產業的核心競爭力。因此，對智能計算系統的認識和理解是智能時代計算機類專業學生培養方案中不可或缺的重要組成部分，是計算機類專業學生的核心競爭力。
本課程采用“應用驅動，全棧貫通”的思想，以一個圖像遷移風格的驅動范例帶動，重點圍繞智能計算系統的設計理論、方法、關鍵技術等展開討論，從基本概念開始，由淺入深幫助學生建立智能計算系統設計及應用的知識體系，培養智能時代急需的芯片設計、軟件開發、算法研發等各個層次的人才。
課程大綱
第一章：概述展開 1.1 人工智能 1.2 智能計算系統 1.3 驅動范例
第二章：神經網絡基礎展開 2.1 從機器學習到神經網絡 2.2 神經網絡訓練 2.3 神經網絡設計原則 2.4 過擬合與正則化 2.5 交叉驗證 下載課件
第三章：深度學習展開 3.1 適合圖像處理的卷積神經網絡 3.2 基于卷積神經網絡的圖像分類算法 3.3 基于卷積神經網絡的圖像目標檢測算法 3.4 序列模型：循環神經網絡 3.5 生成對抗網絡GAN 3.6驅動范例
第四章：編程框架使用展開 4.1 為什么需要編程框架 4.2 編程框架概述 4.3 TensorFlow編程模型及基本用法 4.4 基于TensorFlow實現深度學習預測 4.5 基于TensorFlow實現深度學習訓練
第五章：編程框架機理展開 5.1 TensorFlow的設計原則 5.2 TensorFlow計算圖機制 5.3 TensorFlow系統實現 5.4 編程框架對比
第六章：深度學習處理器原理展開 6.1 深度學習處理器概述 6.2 目標算法分析 6.3 深度學習處理器DLP結構 6.4 優化設計 6.5 性能評價 6.6 其他加速器
第七章：深度學習處理器架構展開 7.1 單核深度學習處理器 7.2 多核深度學習處理器
第八章：智能編程語言展開 8.1 為什么需要智能編程語言 8.2 智能計算系統抽象架構 8.3 智能編程模型 8.4 智能編程語言基礎 8.5 智能應用編程接口 8.6 智能應用功能調試 8.7 智能應用性能調優 8.8 基于智能編程語言的系統開發
第九章：實驗展開 9.1 基礎實驗：圖像風格遷移 9.2 拓展實驗：物體檢測 實驗講解 前序課程展開 線性代數 概率論與數理統計 計算機組成原理 機器學習 算法導論
付費5元查看完整內容
相關內容
【導讀】深度學習中的優化問題是非常關鍵的。今年國立臺灣大學教授、IEEE Fellow、ACM Fellow、AAAI Fellow，也是大名鼎鼎LIBSVM作者林智仁教授新開始了《深度學習優化方法》課程，講解深度學習涉及到非常難的非凸優化問題，研究了深度學習優化方法的實現，值得跟蹤學習。
目錄內容： Course information ( video ) 深度學習優化問題 Optimization problems for deep learning 深度學習隨機梯度方法 Stochastic gradient methods for deep learning 梯度計算 Gradient calculation 實現 Implementation 自動微分 Automatic differentiation 牛頓方法 Newton method
付費5元查看完整內容
計算機體系結構
·
計算機體系結構是計算機科學與技術學科重要的分支之一。它從全局的觀點出發，通過采用定量分析技術，建立起設計、評價、優化計算機體系結構的方法和技術。利用這些方法和技術，可有效地評價已有計算機系統的性能、改進已有的系統設計、進而探討新的體系結構。計算機系統結構是計算機科學工作者，特別是從事偏重于計算機硬件系統和系統軟件研究的科學工作者的一門必備基礎。
本課程授課60學時，實驗30學時。主要講授計算機系統定量分析基礎，回顧指令集設計和基本流水線技術，探討存儲系統優化,指令級并行技術，數據級并行和任務級并行等技術。
付費5元查看完整內容
【導讀】李飛飛老師的CS231N課程《卷積神經網絡視覺識別》被奉為經典，最新2021季3月30號開始了！眾多想學習深度卷積神經網絡的同學，可不能錯過！
地址： //cs231n.stanford.edu/index.html
計算機視覺已經在我們的社會中無處不在，隨著搜索、圖像理解、apps、地圖、醫學、無人機和自動駕駛汽車等領域的應用，計算機視覺已經在我們的社會中無處不在。
這些應用程序的核心是視覺識別任務，如圖像分類和對象檢測。神經網絡方法的最新發展極大地提高了這些最先進的視覺識別系統的性能。本課程深入探討了基于神經網絡的計算機視覺深度學習方法的細節。
在本課程中，學生將學習如何實現、訓練和調試自己的神經網絡，并對計算機視覺的前沿研究有詳細的了解。我們將涵蓋學習算法，神經網絡架構，和實際工程技巧的訓練和微調網絡的視覺識別任務。
付費5元查看完整內容
人工智能是一門研究生（高年級本科生可選）專業基礎課程，旨在講授人工智能的基本理論、方法和技術，并落實到算法，主要內容包括：智能體，搜索算法，約束滿足問題，邏輯智能體，自動推理，自動規劃，知識表示，不確定知識和推理， 決策，機器學習，自然語言理解，機器人等。授課內容參見講義。參考資料選自國際優秀教材和重要文獻。
//www.math.pku.edu.cn/teachers/linzq/teaching/ai/ai.html
人工智能
1 引論
1.1 AI
1.2 基礎
1.3 歷史
1.4 現狀
1.5 爭論
2 智能體
2.1 智能體
2.2 智能程序
2.3 理性
2.4 環境
2.5 智能體結構
2.6 多智能體
3 搜索算法
3.1 問題求解主體
3.2 基本搜索算法
3.3 啟發式搜索
3.4 局部搜索
3.5 在線搜索
3.6 對抗搜索
3.7 元搜索
4 約束滿足問題
4.1 約束滿足問題
4.2 約束傳播
4.3 回溯搜索
4.4 局部搜索
4.5 結構與分解
5 邏輯智能體
5.1 知識智能體
5.2 命題邏輯
5.3 可滿足性問題
5.4 一階邏輯
5.5 AI的邏輯基礎
6 自動推理
6.1 自動定理證明
6.2 前向和反向推理
6.3 歸結
6.4 模型檢測
7 自動規劃
7.1 規劃智能體
7.2 經典規劃
7.3 分層規劃
7.4 情態演算
7.5 偏序規劃
7.6 非經典規劃
7.7 排程
8 知識表示
8.1 知識
8.2 本體
8.3 產生式系統
8.4 定性物理
8.5 結構描述
8.6 框架與語義網
8.7 語義Web
8.8 知識圖譜
8.9 知識嵌入
8.10 變化
8.11 解釋與診斷
8.12 心智狀態
8.13 常識
9 不確定知識和推理
9.1 不確定性
9.2 概率
9.3 貝葉斯網絡
9.4 概率推理
9.5 動態貝葉斯網絡
9.6 因果推理
9.7 概率程序設計
9.8 概率邏輯
10 決策
10.1 決策智能體
10.2 優先性
10.3 效用
10.4 決策網
10.5 序列決策
10.6 多智能體系統
10.7 博弈論
11 機器學習
11.1 學習智能體
11.2 歸納學習
11.3 深度學習
11.4 統計學習
11.5 強化學習
11.6 遷移學習
11.7 集成學習
11.8 聯邦學習
11.9 解釋學習
11.10 計算學習理論
12 自然語言理解
12.1 語言
12.2 語法
12.3 語義
12.4 語言模型
12.5 神經語言系統
12.6 自然語言任務
12.7 對話 AI
13 機器人
13.1 機器人
13.2 計算機視覺
13.3 機器人感知
13.4 運動規劃
13.5 控制器
13.6 智能汽車
14 人工智能哲學
14.1 AI 哲學
14.2 弱 AI
14.3 強 AI
14.4 倫理
14.5 AI 的未來
付費5元查看完整內容
操作系統
·
本課程介紹構成現代計算機操作系統的基本概念和核心原理。這門課的目標是解釋那些可能在未來許多年仍然存在的概念和原則。本課程是操作系統和分布式系統研究的起點。具體地說，本課程介紹了進程、并發、同步、調度、多程序設計、內存管理和文件系統的概念。
付費5元查看完整內容
以深度神經網絡為代表的“深度學習”系統正越來越多地接管所有人工智能任務，從語言理解、語音和圖像識別，到機器翻譯、規劃，甚至是游戲和自動駕駛。因此，在許多高級學術機構中，深度學習的專業知識正從深奧的要求迅速轉變為強制性的先決條件，并成為工業就業市場的一大優勢。
在本課程中，我們將學習深度神經網絡的基礎知識，以及它們在各種人工智能任務中的應用。在本課程結束時，預計學生將對這門學科非常熟悉，并能夠將深度學習應用于各種任務。他們也將被定位去理解關于這個主題的許多當前的文獻，并通過進一步的學習來擴展他們的知識。
如果你只對課程感興趣，你可以在YouTube頻道上觀看。
付費5元查看完整內容
強化學習理論(RL)，重點是樣本復雜性分析。
- Basics of MDPs and RL.
- Sample complexity analyses of tabular RL.
- Policy Gradient.
- Off-policy evaluation.
- State abstraction theory.
- Sample complexity analyses of approximate dynamic programming.
- PAC exploration theory (tabular).
- PAC exploration theory (function approximation).
- Partial observability and dynamical system modeling.
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191