课程

本课程结合北京大学跨学科综合优势,加强与微软亚洲研究院人工智能研究人员的合作,将人工智能技术的原理、应用和前景融入各门基础自然科学和社会人文科学中,以鲜活生动的案例加深对人工智能技术的理解。

洪小文,微软亚洲研究院院长

洪小文博士现任微软全球资深副总裁,微软亚太研发集团主席,兼微软亚洲研究院院长,全面负责推动微软在亚太地区的科研及产品开发战略,以及与中国及亚太地区学术界的合作。

洪小文博士于1995年加入微软公司。2004年,他加入微软亚洲研究院并担任副院长,2007年升任微软亚洲研究院院长。2005年至2007年间,洪博士创立并领导了微软搜索技术中心(STC),该中心负责微软搜索产品(必应)在亚太的开发工作。2014年洪博士兼任微软亚太研发集团主席。

在加入微软亚洲研究院之前,洪博士是微软公司自然交互服务部门的创始成员和架构师,除了全面负责屡获殊荣的微软语音服务器产品、自然用户界面平台以及微软协助平台的架构及技术工作,他还负责管理和交付统计学习技术和高级搜索。洪博士于1995年加入微软研究院美国总部任高级研究员,并为微软的SAPI和语音引擎技术做出了突出贡献。此前,洪博士曾任职于苹果公司,带领团队研发出了苹果中文译写器。

洪小文博士是电气电子工程师学会院士(IEEEFellow),微软杰出首席科学家和国际公认的语音识别专家。洪博士在国际著名学术刊物及大会上发表过百余篇学术论文。他参与合著的《语音技术处理》(SpokenLanguageProcessing)一书被全世界多所大学采用为语音技术教学课本。另外,洪博士在多个技术领域拥有36项专利发明。

洪小文博士毕业于台湾大学,获电机工程学士学位,之后在卡内基梅隆大学深造,先后获得计算机硕士及博士学位。

刘铁岩,微软亚洲研究院副院长

刘铁岩博士,人工智能领域的国际知名学者。现任微软亚洲研究院副院长,国际电子电气工程师学会(IEEE)院士,美国计算机学会(ACM)杰出会员,美国卡内基梅隆大学(CMU)客座教授,英国诺丁汉大学荣誉教授,中国科技大学、中山大学、南开大学博士生导师。

近年来,刘博士在博弈机器学习、深度学习、增强学习、分布式机器学习、符号学习等方面也颇有建树,发表了百余篇学术论文,被他引万余次。他的研究工作多次获得最佳论文奖、最高引用论文奖、研究突破奖,被广泛应用在微软的产品和在线服务中。他的团队发布了微软分布式机器学习工具包(DMTK)、微软图引擎(GraphEngine)等知名项目开源。

他曾受邀担任了包括SIGIR、WWW、NIPS、KDD、AAAI、ACL等在内的十余个顶级国际会议的组委会主席、程序委员会主席、或领域主席;以及包括ACMTOIS、ACMTWEB、Neurocomputing等在内的国际期刊的副主编。他还是中国计算机学会(CCF)高级会员、杰出演讲者、学术工委,中文信息学会信息检索专委会副主任。

张益肇,微软亚洲研究院副院长

张益肇博士于1999年7月加盟微软亚洲研究院,从事语音方面的研究工作。现任微软亚洲研究院副院长,负责技术战略部。履任微软亚洲研究院新职位之前,张博士任微软亚洲工程院副院长,是2003年工程院的创建者之一。在工程院,他带领团队开发WindowsMobile和Windows的产品,并建立起一支多学科技术产品孵化的团队。在加入工程院之前,张博士曾担任研究院语音组主任研究员和高校关系总监,他的团队成功的把汉语普通话语音识别引擎转化到了中文版Office和Windows中。

他曾是NuanceCommunications公司研究部的创始人之一,该公司是电信领域自然语言界面研究的先驱。在Nuance工作期间,他曾从事自信度分析,声学建模,语音检测等领域的研究工作。他领导研究人员开发了Nuance产品的日文版本,这是世界上第一个开放式日语语音识别系统。他还曾在麻省理工的林肯实验室开发出了新的语音识别算法,在东芝ULSI研究中心发明了一种新的电路优化技术,在通用电气公司的研发中心开展了模式识别方面的研究。

张博士毕业于麻省理工学院,获电气工程和计算机科学学士、硕士和博士学位。他在国际著名的杂志和学术会议上发表了多篇关于语音技术和机器学习方面的论文,是多项专利的拥有者。

周明,微软亚洲研究院副院长

周明博士,微软亚洲研究院副院长、国际计算语言学协会(ACL)候任主席、中国计算机学会理事、中文信息技术专委会主任、术语工作委员会主任、中国中文信息学会常务理事、哈尔滨工业大学、天津大学、南开大学、山东大学等多所学校博士导师。

周明博士1985年毕业于重庆大学,1991年获哈尔滨工业大学博士学位。1991-1993年清华大学博士后,随后留校任副教授。1996-1999访问日本高电社公司领导中日机器翻译研究。他是中国第一个中英翻译系统CEMT-I(哈工大1989年)、日本最有名的中日机器翻译产品J-北京(日本高电社1998年)的研制者。

1999年,周明博士加入微软亚洲研究院,不久开始负责自然语言研究组。他带领团队进行了微软输入法、英库词典(必应词典)、中英翻译、微软中国文化系列(微软对联、微软字谜、微软绝句)等重要产品和项目的研发,并对微软Office、必应搜索、Windows等产品中的自然语言技术做出了重要贡献。近年来,周明博士领导研究团队与微软产品组合作开发了微软小冰(中国)、Rinna(日本)、Zo(美国)等聊天机器人系统。

潘天佑,微软亚洲研究院副院长

潘天佑博士现任微软亚洲研究院副院长,全面负责微软亚洲研究院与亚太地区高校、研究机构及政府的学术交流和研究合作。他建立了一系列战略方针、积极探索商业机会,并构建了针对不同层面的多种学术交流和人才培养项目,以加强微软亚洲研究院与学术界之间的伙伴关系。

潘天佑博士还负责微软亚洲研究院与企业、投资机构和政府部门的深度技术合作。作为微软亚洲研究院“创新汇”负责人,潘天佑博士致力于制定共赢的企业合作战略,搭建跨行业的沟通平台,探讨在数字化转型的大潮中,如何以技术创新实现共同发展。

1新闻热点与身边的人工智能(68min)

101家庭助手(8min)

102机器翻译(9min)

103图像识别(9min)

104下棋高手(13min)

105自动驾驶(7min)

106医疗健康(8min)

107金融与商业(12min)

108微软亚洲研究院院长洪小文博士寄语计算机教育(2min)

109人工智能改变世界:微软新视界CenterOne(3min)

单元测验1

2人工智能发展简史(73min)

201什么是人工智能(10min)

202人工智能经典问题(10min)

203第一次热潮(12min)

204第二次热潮(11min)

205第三次热潮(15min)

206人工智能发展状况(14min)

微软亚研院刘铁岩副院长访谈:人工智能发展简史(52min)

单元测验2

3基于决策树和搜索的智能系统(上)(65min)

301实例1读心术(9min)

302和人类一样的判断方式(13min)

303专家系统应用与发展(12min)

304实例2井字棋(11min)

305博弈树(20min)

实例1读心术代码运行及说明

单元测验3(上)

3基于决策树和搜索的智能系统(下)(72min)

306估值决策(18min)

307最大最小值法(15min)

308AlphaBeta剪枝(13min)

309启发式算法(11min)

310从国际象棋到围棋(15min)

实例2井字棋代码运行及说明

单元测验3(下)

4基于仿生算法的智能系统(63min)

401仿生算法简介(14min)

402基因遗传算法(16min)

403实例3拼图游戏(6min)

404拼图的基因(7min)

405遗传和变异(10min)

406自然选择(10min)

实例3基因遗传算法代码运行及说明

单元测验4

5基于神经网络的智能系统I(62min)

501神经元与神经网络(12min)

502实例4手写数字识别(9min)

503网络构建(13min)

504计算损失函数(8min)

505优化器优化函数(10min)

506反向传播(10min)

实例4手写数字识别代码运行及说明

单元测验5

6基于神经网络的智能系统II(79min)

601监督学习和非监督学习(16min)

602让人工智能学会玩游戏(12min)

603试错式学习(7min)

604状态动作回报(9min)

605价值判断Q函数(12min)

606尝遍百草(9min)

607熟能生巧(11min)

实例5FlappyBird代码运行及说明

单元测验6

7人工智能应用(123min)

701图像识别与分类(10min)

702医学影像分析(12min)

703-5微软亚研院张益肇副院长访谈:人工智能应用医疗+AI(26min)

706语音识别(12min)

707人脸识别和情感计算(13min)

708-10微软亚研院周明副院长访谈:人工智能应用自然语言处理(37min)

THE END
1.《在线学习中的个人数据和隐私保护手册》发布在这些环境中,学习者可以在任何地方(独立)学习,并与教师和其他学习者互动。《手册》系统梳理了在线学习中的个人数据安全风险,从学习前、学习中、学习后三个方面提出了个人数据保护的具体策略,旨在阐述如何保护在线学习个人数据的基本思路,并就具体的学习活动对学习者进行具体指导,力求使学习环境成为一个智能的个人http://baijiahao.baidu.com/s?id=1669911917468631563&wfr=spider&for=pc
2.ee-Learning数据挖掘是一种通过分析在线学习平台上的数据来了解学习者行为、优化教学内容、提升学习效果的方法。e-Learning数据挖掘的核心在于数据收集、数据预处理、数据分析和结果应用。其中,数据收集是指从在线学习平台中获取学习者的各种行为数据,如点击次数、学习时间、考试成绩等。数据预处理则是对这些数据进行清理和https://www.fanruan.com/blog/article/617729/
3.社区教育领域正经历着一场前所未有的变革。机器学习作为人工智能的核心技术之一,正逐渐渗透到教育的各个环节,为智能教育的发展注入了新的活力。 2. 机器学习在教育中的应用 机器学习在教育领域的应用已经越来越广泛。首先,个性化学习是机器学习在教育中的一大亮点。通过分析学生的学习数据,机器学习算法能够为学生提供量https://open.alipay.com/portal/forum/post/184101036
4.基于深度学习的在线课堂参与度评估:方法模型与实验验证然而,在具体的在线教育实践过程中,诸多问题逐渐凸显。大部分在线学习平台普遍存在监管缺失以及教学反馈滞后的现象,这直接导致教学效果难以达到预期。据Jordan对慕课课程的统计分析,平均每堂课程的完成人数仅占课程参与人数的15%,少数课程的完成率最高仅达52.1%,这一数据充分表明学习者在在线课堂中的参与度极低。此外,https://blog.csdn.net/cnzzs/article/details/143899600
5.教育的软件:开启智慧学习的新篇章一、教育软件的分类与功能 教育软件种类繁多,按照功能和应用场景,我们可以将其大致分为以下几类: 在线学习平台:如中国大学MOOC、知到等,这些平台提供了丰富的课程资源,涵盖了各个学科领域,为学习者提供了自主学习的机会。 作业辅导软件:作业帮、小猿搜题等,这些软件通过智能识别题目,为学习者提供详细的解题思路和答案,https://www.pbids.com/aboutUs/pbidsNews/1861300105820344320
6.理论资讯随着大数据技术的兴起与广泛应用,教学大数据在职业教育领域的应用价值已逐步被推向全新的高度,并为精准教学提供了契机。借助大数据智能教育系统,实现教学数据的实时采集、存储、挖掘和分析,使得教学决策变得更为精准客观;通过职业技能与素养成长过程中的行为数据分析,能够精准识别每一位学习者个性化的学习需求和特征,从而帮助https://www.nmpaied.org.cn/article/264580
7.的成分增多,可能每个学习者学习情况不尽相同,教师可以在学刷刷题APP(shuashuati.com)是专业的大学生刷题搜题拍题答疑工具,刷刷题提供在网络教学中,学习者()的成分增多,可能每个学习者学习情况不尽相同,教师可以在学习过程中随时对一部分或者个别学习者进行评价,并且给他们反馈。A.自主学习B.协作学习C.探索学习D.远程学习的答https://www.shuashuati.com/ti/3d885e6f9f374efebba0cb3f68393a86.html?fm=bdbdsd2f170946dbc9be259ae6f8b2990b4c9
8.在线教学中教师该不该出镜?——教师呈现对学习者的影响研究综述20世纪90年代以来,随着互联网教育的发展,社会临场感理论逐步被引入教育技术领域,成为人们研究在线教育的重要理论基础。在网络视频学习中,学习者通过观看视频材料完成学习任务。很多研究者认为,在线学习环境与传统面授课堂不同,缺少一种身临其境、真人互动的感觉,会增加学习者与教师的心理距离,产生一种不真实感或疏离感,https://maimai.cn/article/detail?fid=1573008428&efid=1L0HpJEuzdHXBz4I7wnTmg