01

猝不及防！这次，Google“造人”了！

5月8号，谷歌召开一年一度的Google I/O大会。谷歌CEO劈柴直接祭出了这次大会的王牌AI，这个智能过人的Al让人看完不禁倒吸一口凉气……

相比Apple Siri和Microsoft  Cortana只能机械式对话的语音互动，Google Assistant完全颠覆了人们的认知！

Google Assistant不仅能听的懂人话，而且，Ta可以无障碍和人沟通，惊艳全场。

发布会上，用户对Google Assistant说：我想剪头发。Google Assistant接受指令后直接帮你电话预约！！！

整段对话，Google Assistant表现的自然流畅，理发店那头丝毫没有察觉到自己竟然是在和AI对话。

难以置信！AI在与真人的对话中丝毫没有出现任何滞后和逻辑错误！

Google Assistant甚至还能帮你预订餐馆、影院、旅行社…媲美私人智能管家。

它更厉害的地方还在于：可以通过学习，像一个发小/闺蜜/老友那样陪你聊天，同时实现多线处理！

02

2000年，高盛在纽约总部的美国现金股票交易柜台雇佣了600名交易员。但今天，这里只剩下两名交易员“留守空房”。

瑞银在裁员路上也没有落后，这是8年前瑞银集团的交易大厅：

现在的交易大厅却成了这个样子：

高盛、瑞银的交易员被替代的经历，只是全球金融公司的一个缩影。

用更高的科技取代成本高昂效率低下的人工劳动是所有行业的一大趋势，估计在两三年后，交易大厅能空出一个足球场来。

德勤最新开发的财务机器人，一个机器人可以顶替15个财务的工作，而且可以每周24小时*7日的工作。36万小时的人力工作，财务机器人只需几秒就能完成，更是1分钟可以完成人工15分钟的工作！

荷兰的ING银行宣布了一个可以让他们在未来省下近9亿欧元的“数码转换”计划。而计划的内容就是：先砍掉5800名员工，占员工总数13%；未来再视情况让另外1200名员工转职或是裁掉。

无独有偶，德国商业银行也宣布，到 2020年他们将会将银行中 80%的工作都数码化、自动化，最终将会裁掉 9600名员工。

几乎整个欧洲的银行业都陷入了巨大的困境。意大利、苏格兰、瑞士的银行业股价大幅度暴跌；意大利银行业坏账率已经高达16%，苏格兰大银行随时可能倒闭。

机器人的操作既节省了成本，又提高了工作效率，它解决了手工操作大量的人力和时间、大大增强了数据的准确性，其次是，能够快速响应企业业务的变化和扩展，使之真正能达到100%全覆盖。

它抢人类的饭碗，应该是一件轻而易举的事情吧？

03

金融数据服务商Kensho开发的程序，做分析工作只需一分钟，而拿着高达35万美元年薪的分析师们，需要40小时才能做完同样的工作。

他预计：到2026年，有33%-50%的金融业工作人员会失去工作，他们的工作将被电脑所取代。

斯坦福教授卡普兰做了一项统计，美国注册在案的720个职业中，将有47%被人工智能取代。在那些以低端技术、体力工作为主的国家，这个比例可能超过70%。

新时代的洪流已至，你我皆被裹挟其中！新的失业潮即将来临，留给我们的时间不多了！

人类唯一战胜阿尔法狗那个寒夜，疲惫的李世石早早睡下。世界在慌乱中恢复矜持，以为人工智能，不过是一场虚惊。

然而在长夜中，阿尔法狗又和自己下了一百万盘棋。是的，一百万盘。 第二天太阳升起，阿尔法狗已变成完全不同的存在，可李世石依旧是李世石。

从此之后，围棋领域人类再无机会。

在越来越多的领域，人工智能正在快速超越人类。这也意味着，倘若你不去改变，就可能面临被淘汰的危险！

这也是我们学习人工智能的目的，虽然AI将要改变世界，但是我们可以拥抱顺应这个时代，通过现在的学习去获得驾驭未来的能力！

而AI浪潮刚起，现在正是进入人工智能领域的最佳时机。

在面对众多的数学知识和编程知识里，自学会让大家耗费大量的时间金钱。因此，我们开发了人工智能之机器学习365天特训营课程，并邀请中科院，清华大学等名校大牛授课。

为了保证大家的学习效果和实践能力，幂次学院提供4项课程服务，从发展历程、概念、基本名词、术语、评估方法讲起，到算法模型与实战演练：

1、名校大牛讲师直播授课：由中科院，清华大学等名校大牛直播授课+视频回放（无限次）；

2、365天的系统学习：每周两次直播，365天117+小时（理论+实战）课程（讲师直播答疑，课程7*24小时问答服务，学院社群7*24小时交流，课程资料随时下载）

3、优质的售后答疑：全天24小时课程问答与社群交流服务，让你的每一个问题都能够得到解答，课程资料随时下载；

4、颁发培训结业证书：通过幂次学院的阶段测试和结业测试，并颁发幂次学院人工智能培训结业证书；

购买课程另赠送2门辅助课程：

1. 现在报名免费赠送售价899元的机器学习之Python编程基础与数据分析课程，课程内容由清华大学python大牛主讲，课程内容包括：python基础，python数据分析，python机器学习基础与python在机器学习中的实践案例（详细课程大纲见幂次学院主页）。

2. 现在报名免费赠送售价899元的人工智能数学基础8天集训营课程，课程内容包括：矩阵论基础，概率与信息论，数值计算三部分（详细课程大纲见幂次学院主页）。

直播 + 回放：每周六19:00 - 21:00，直播回放随时随地回看。

报名费用及优惠详情：
1、特惠价：2999元。

2、限时优惠：
2018.06.11-2018.06.30期间报名即可享受100元优惠券。

（助教微信见下方二维码，报名后返现100元。）

  

长按二维码进入报名页面

长按二维码咨询助教微信

讲师团队介绍

张老师，中国科学院计算技术研究所机器学习方向博士

专注于人机交互、机器学习等领域研究。曾在国内外知名会议期刊发表多篇论文，并荣获人工智能领域会议“最佳论文提名奖”，目前拥有国家发明专利2项、软件著作权1项。拥有机器学习、数据挖掘领域实战经验，曾参与多项国家自然科学基金与国际合作项目；

谢涛老师：中国科学院计算技术研究所硕士，阿里巴巴iDST(数据科学技术研究院)算法工程师

专业方向深度学习图像/目标检测/图像分割等人工智能相关领域，曾在三星（电子）电子研究院、地平线机器人参与机器学习相关项目，参与深度学习图像分类、分割等工作，改进算法调优模型，图像分割、人体姿态估计等工作，搭建深度学习模型；现入职阿里巴巴达摩院&IDST研究院进行城市大脑项目，安防监控、视频异常检测等工作。

李金老师，清华大学机器学习方向本硕双清华毕业生，阿里巴巴机器学习方向算法工程师；

研究方向为：推荐系统，计算机视觉，自然语言处理，深度学习等，在TNNLS，PR等杂志上发表过多篇论文，著有《自学Python—编程基础科学计算及数据分析》一书，Python笔记3K+Star，知乎python及机器学习板块12K+赞，幂次学院签约讲师。

附：机器学习365天特训营 - 课程大纲：

第一部分 基础篇

第1章

1.1 引言

1.2 基本术语

1.3 假设空间

1.4 归纳偏好

1.5 发展历程

1.6 应用现状

第2章 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.2.1 留出法

2.2.2 交叉验证法

2.2.3 自助法

2.2.4 调参与最终模型

2.3 性能度量

2.3.1 错误率与精度

2.3.2 查准率、查全率与F1

2.3.3 ROC与AUC

2.3.4 代价敏感错误率与代价曲线

2.4 比较检验

2.4.1 假设检验

2.4.2 交叉验证t检验

2.4.3 McNemar检验

2.4.4 Friedman检验与后续检验

2.5 偏差与方差

第3章 线性模型

3.1 基本形式

3.2 线性回归

3.3 对数几率回归

3.4 线性判别分析

3.5 多分类学习

3.6 类别不平衡问题

第4章 决策树

4.1 基本流程

4.2 划分选择

4.2.1 信息增益

4.2.2 增益率

4.2.3 基尼指数

4.3 剪枝处理

4.3.1 预剪枝

4.3.2 后剪枝

4.4 连续与缺失值

4.4.1 连续值处理

4.4.2 缺失值处理

4.5 多变量决策树

第5章 神经网络

5.1 神经元模型

5.2 感知机与多层网络

5.3 误差逆传播算法

5.4 全局最小与局部极小

5.5 其他常见神经网络

5.5.1 RBF网络

5.5.2 ART网络

5.5.3 SOM网络

5.5.4 级联相关网络

5.5.5 Elman网络

5.5.6 Boltzmann机

5.6 深度学习

第6章 支持向量机

6.1 间隔与支持向量

6.2 对偶问题

6.3 核函数

6.4 软间隔与正则化

6.5 支持向量回归

6.6 核方法

第7章 贝叶斯分类器

7.1 贝叶斯决策论

7.2 极大似然估计

7.3 朴素贝叶斯分类器

7.4 半朴素贝叶斯分类器

7.5 贝叶斯网

7.5.1 结构

7.5.2 学习

7.5.3 推断

7.6 EM算法

第8章 集成学习

8.1 个体与集成

8.2 Boosting

8.3 Bagging与随机森林

8.3.1 Bagging

8.3.2 随机森林

8.4 结合策略

8.4.1 平均法

8.4.2 投票法

8.4.3 学习法

8.5 多样性

8.5.1 误差--分歧分解

8.5.2 多样性度量

8.5.3 多样性增强

第9章 聚类

9.1 聚类任务

9.2 性能度量

9.3 距离计算

9.4 原型聚类

9.4.1 k均值算法

9.4.2 学习向量量化

9.4.3 高斯混合聚类

9.5 密度聚类

9.6 层次聚类

第10章 降维与度量学习

10.1 k近邻学习

10.2 低维嵌入

10.3 主成分分析

10.4 核化线性降维

10.5 流形学习

10.5.1 等度量映射

10.5.2 局部线性嵌入

10.6 度量学习

第二部分 进阶篇

第11章 特征选择与稀疏学习

11.1 子集搜索与评价

11.2 过滤式选择

11.3 包裹式选择

11.4 嵌入式选择与L_1正则化

11.5 稀疏表示与字典学习

11.6 压缩感知

第12章 计算学习理论

12.1 基础知识

12.2 PAC学习

12.3 有限假设空间

12.3.1 可分情形

12.3.2 不可分情形

12.4 VC维

12.5 Rademacher复杂度

12.6 稳定性

第13章 半监督学习

13.1 未标记样本

13.2 生成式方法

13.3 半监督SVM

13.4 图半监督学习

13.5 基于分歧的方法

13.6 半监督聚类

第14章 概率图模型

14.1 隐马尔可夫模型

14.2 马尔可夫随机场

14.3 条件随机场

14.4 学习与推断

14.4.1 变量消去

14.4.2 信念传播

14.5 近似推断

14.5.1 MCMC采样

14.5.2 变分推断

14.6 话题模型

第15章 规则学习

15.1 基本概念

15.2 序贯覆盖

15.3 剪枝优化

15.4 一阶规则学习

15.5 归纳逻辑程序设计

15.5.1 最小一般泛化

15.5.2 逆归结

第16章 强化学习

16.1 任务与奖赏

16.2 K-摇臂赌博机

16.2.1 探索与利用

16.2.2 ε-贪心

16.2.3 Softmax

16.3 有模型学习

16.3.1 策略评估

16.3.2 策略改进

16.3.3 策略迭代与值迭代

16.4 免模型学习

16.4.1 蒙特卡罗强化学习

16.4.2 时序差分学习

16.5 值函数近似

16.6 模仿学习

16.6.1 直接模仿学习

16.6.2 逆强化学习

第17章 增量学习

17.1 被动攻击学习

17.1.1 梯度下降量的抑制

17.1.2 被动攻击分类

17.1.3 被动攻击回归

17.2 适应正则化学习

17.2.1 参数分布的学习

17.2.2 适应正则化分类

17.2.3 适应正则化回归

17.3 增量随机森林

第18章 迁移学习

18.1 迁移学习简介

18.1.1 什么是迁移学习

18.1.2 迁移学习VS传统机器学习

18.1.3 应用领域

18.2 迁移学习的分类方法

18.2.1 按迁移情境

18.2.2 按特征空间

18.2.3 按迁移方法

18.3 代表性研究成果

18.2.1 域适配问题

18.2.2 多源迁移学习

18.2.3 深度迁移学习

第19章 主动学习

19.1 主动学习简介

19.2 主动学习思想

19.3 主动学习VS半监督学习

19.4 主动学习VS Self-Learning

第20章 多任务学习

20.1 使用最小二乘回归的多任务学习

20.2 使用最小二乘概率分类器的多任务学习

20.3 多次维输出函数的学习

第三部分 实战篇

第21章 机器学习应用场景介绍

21.1 机器学习经典应用场景

21.2 头脑风暴：挖掘身边的应用场景

第22章 数据预处理

22.1 数据降噪

22.2 数据分割

第23章 特征提取

23.1 时域特征

23.2 频域特征

23.3 自动特征提取

第24章 机器学习方法应用

24.1 应用机器学习方法之前的处理

24.2 使用机器学习分类

24.3 机器学习调参

24.4 分类结果展示

第25章 机器学习项目实战

25.1 O2O优惠券使用预测

25.2 鲍鱼年龄预测

25.3 机器恶意流量识别

25.4 根据用户轨迹进行精准营销

还在等什么？快邀请自己的小伙伴一起来加入机器学习365天特训营吧！未来将是属于我们的时代！点击“阅读原文”进行报名！如有疑问，请随时联系客服（上方二维码）。