人工智能是信息科学的重要组成部分之一，伴随深度学习等现代人工智能技术的迅速崛起和广泛应用，人工智能已上升到国家战略层面。而另一方面，人工智能又是一门包含众多不同研究领域和理论方法的综合科学，尤其近几年人工智能的学术研究和产业应用的迅速融合，使学术理论与产业应用之间的鸿沟几乎消弭，也使许多人工智能的最新进展已超出大多数经典教科书所涵盖的范围。

为了使人工智能的初学者能够迅速地理清现代人工智能的知识结构和发展现状，本课程将在人工智能的理论框架的基础上，结合实际行业的具体场景，介绍现代人工智能技术及算法在这些实际行业背景下的系统化应用以及所面临的挑战。

本课程的教学内容主要包括：人工智能的内涵及外延、人工智能的起源与发展历史回顾、现代人工智能系统的基本框架及主要理论分支、商用2C人工智能系统的发展及现状、基于人工智能的线下商业智能零售应用、基于人工智能的城市智能交通应用。此外，本课程还将介绍GPU、AI芯片等人工智能硬件平台如何与深度学习算法相结合，展现人工智能算法与硬件之间相互促进又相互制约的变革发展过程。

课程定位——

1. 对于初学者、非AI相关专业（包括文科生）的同学，

    通过课程学习可建立对前沿人工智能理论和方法的基本概念。

2. AI相关专业及在特定领域有一定实践经验的同学，

    通过课程可了解AI在各个前沿应用领域的发展现状、面临的主要问题及未来方向。

3. 对于学有余力或有基础的同学，建议将目标设在满分，

    课程准备了相应的习题和延伸阅读资料（详见课程公告），帮助大家整理AI从业人员必须掌握的数学基础及算法原理。

帮助学习者获得人工智能理论与工具在产业应用中的前沿信息。

百分制计分，平时成绩占100%；

证书需付费申请。课程成绩60分以上可申请合格证书，85分以上（含）可申请优秀证书。

为了对学习者的在线学习过程更加严谨负责，保证平台证书权威性，从2019年9月份开始，中国大学MOOC将不再发放免费证书，原有认证证书的申请方式和流程不变。

※书籍※

· 《Deep Learning》, Ian Goodfellow&Yoshua Bengio

※文献※

[1] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, “Gradient-based learning applied to document recognition” Proceedings of the IEEE, v. 86, pp. 2278-2324, 1998.

[2] P.Y. Simard, D. Steinkraus, and J.C. Platt. Best practices for convolutional neural networks applied to visual document analysis. In Proceedings of the Seventh International Conference on Document Analysis and Recognition, volume 2, pages 958–962, 2003.

[3] A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012.

[4] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.

[5] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. In CVPR, 2016.

[6] R. Girshick. Fast R-CNN. In ICCV, 2015

[7] S. Ren, K. He, R. Girshick, and J. Sun. Faster R-CNN: Towards real-time object detection with region proposal networks. In NIPS, 2015.

[8] Jifeng Dai, Yi Li, Kaiming He, Jian Sun, R-FCN: Object Detection via Region-based Fully Convolutional Networks, ArXiv:1605.06409

[9] A. Shrivastava, A. Gupta, and R. Girshick. Training region-based object detectors with online hard example mining. In CVPR, 2016.

[10] K. He, X. Zhang, S. Ren, and J. Sun. Spatial pyramid pooling in deep convolutional networks for visual recognition. In ECCV. 2014.

1、本慕课部分资料，包括视频、图片来自网络资源，如有异议，请及时联系课程团队：dandie518@qq.com。

2、如果学习者在学习过程中遇到困惑，而教师因事可能来不及答复，可通过课程团队的微信公众号“AI之美”留言，或与上述邮箱联系，谢谢。祝学习愉快！