从围棋入门到人工智能：第9讲-人工智能与从围棋入门到人工智能：.pptVIP

* * * * * * * * * * * * * * * * * * * * 特征选取是成败的关键 对效果影响极大 手动化特征工程 非常耗时 1-2 深度学习的训练方法 图像特征工程 SIFT Spin image HoG RIFT Textons GLOH 1-2 深度学习的训练方法 01 人机大战：深度学习算法的标志性成果 颠覆围棋AI领域30年研究方法 拔高行业顶尖水平30年 学术前沿、复杂性和代表性、可比较、易拓展 原创开发了基于网格归属的神经网络系统，预期将大幅提高实力 更深更优化的神经网络，更海量的数据资源 02 创新点 改进了学习模式，使机器学习的方式更加接近围棋的本质 03 新的学习算法架构 世界计算机围棋比赛获奖 高水平文章产出 科研成果转化（力学、航天乃至节能、医疗等领域） 04 预期产出效益 1-3 为什么做围棋人工智能 深度学习与智能围棋 第二节 从AlphaGo/master讲起 蒙特卡洛树式搜索 深度卷积神经网络 谷歌的AlphaGo和Master是深度学习算法的标志性成果； 深度卷积神经网络 (Deep Convolutional Neural Network,DCNN),是近年发展起来，并引起广泛重视的一种高效识别方法。 围棋算法具有高度的复杂性和代表性（10808，两个30年）。 从围棋算法可以推广到深度学习应用的一般情形。 围棋可以很