一、深度学习相关岗位要求

课程明确了两类核心岗位的技能需求，为学习者提供职业方向参考：

• ​​深度学习应用工程师​​：需掌握机器学习理论与实践，熟悉CNN等模型，精通Python和PyTorch/TensorFlow框架，具备数学、编程及团队协作能力。
• ​​AI算法工程师​​：需深入掌握计算机视觉、深度学习算法（如GAN、扩散模型等），熟悉PyTorch和C++/Python，具备创新思维和问题解决能力，有AIGC产品经验者优先。

二、工业文明与人工智能的发展背景

梳理了工业文明的四个阶段：

1. ​​机械化时代​​（18世纪末）：蒸汽机发明
2. ​​电气化时代​​（19世纪末）：电力广泛应用
3. ​​信息化时代​​（20世纪50年代）：电子信息技术
4. ​​人工智能时代​​（21世纪至今）：智能系统研发

明确了人工智能的定义：

• ​​狭义​​：让机器具备类人智能；
• ​​广义​​：模拟、延伸和扩展人的智能的技术科学。

三、人工智能/机器学习在生活中的应用

通过多场景案例展示技术落地：

• ​​人工智能应用​​：智能家居、自动驾驶、人脸支付、智慧医疗、推荐系统等。
• ​​机器学习应用​​：如语音识别系统（数据采集→算法设计→参数优化）。

四、机器学习的核心原理

系统拆解了机器学习的四大组件、训练流程和核心概念：

• ​​四大组件​​：数据（足量优质）、模型（参数化程序）、目标函数（损失函数+数据集划分）、优化算法（梯度下降）。
• ​​训练流程​​：初始化→数据输入→参数调整→迭代终止。
• ​​核心概念​​：参数、模型族、学习算法。

五、机器学习的主要类型与任务

按数据标签和任务目标分类：

• ​​监督学习​​：回归（连续值预测）、分类（离散类别识别）、多标签分类。
• ​​无监督学习​​：聚类、降维、生成模型（如GAN）。
• ​​强化学习​​：通过与环境交互优化策略。
• ​​其他任务​​：推荐系统、序列问题（如机器翻译）。

六、深度学习的发展与成功案例

• ​​发展驱动​​：互联网数据增长、GPU等计算资源普及。
• ​​成功案例​​：图像分类（ImageNet）、目标检测、人脸合成、机器翻译、图像描述等。
• ​​里程碑事件​​（2012-2017）：AlphaGo、ResNet、GAN、实时翻译等突破性进展。
• ​​前沿应用​​：图像生成、辅助技术（如Seeing AI）、脑机接口。

七、深度学习框架与课程选择

• ​​主流框架​​：PyTorch（占学术界67%份额）成为绝对主流，远超TensorFlow等。
• ​​课程选择​​：因PyTorch简洁、易用、生态丰富，本课程以其为核心工具。

八、补充：图灵测试

• ​​提出者​​：艾伦·图灵（计算机科学之父）。
• ​​规则​​：机器若在对话中使30%以上人类误判其为真人，则视为具备智能。
• ​​相关作品​​：电影《模仿游戏》改编自其传记。