这个100%在线校级硕士学位将使您能够使用基于人工智能的生成建模,预测模拟和能源效率等工具来优化设计和施工流程”

人工智能 (AI) 正在迅速改变建筑，为更高效，更可持续地设计，规划和建造建筑提供新工具。人工智能在建筑中的应用不断扩大，建筑师可以通过高级模拟来优化设计，其中考虑自然光，通风和能源消耗等变量。

这就是该校级硕士学位的出现，旨在培训建筑师使用先进技术彻底改变设计和施工过程。从这个意义上讲，我们将分析人工智能如何优化和改造传统建筑实践。通过使用AutoCAD和Fusion360 等工具，以及引入生成建模和参数化设计，专业人士将能够将这些创新集成到他们的项目中。

接着，将深入探讨人工智能在空间优化和能源效率方面的应用，这是当代建筑的关键要素。使用Autodesk Revit和Google DeepMind等工具，可以通过数据分析和高级能源模拟来设计更可持续的环境。这种方法还将通过引入智能城市规划来补充，以满足日益复杂的城市环境中可持续设计的需求。

最后，专家们将介绍 Grasshopper，MATLAB和激光扫描工具等尖端技术以开发创新和可持续的项目。

此外，通过模拟和预测建模，他们将能够在结构和环境问题发生之前预测并解决它们。

通过这种方式，TECH创建了一个详细的，完全在线的大学课程，使毕业生可以更轻松地通过任何具有互联网连接的电子设备访问教育材料。这样就无需前往实际地点并适应特定的时间表。此外，还集成了革命性的Relearning方法，该方法基于基本概念的重复，以提高对内容的理解。

您将把自己定位在行业的最前沿，领导整合最新技术的创新和可持续项目，这将提高您在全球劳动力市场的竞争力和机会”

这个建筑中的人工智能校级硕士包含了市场上最完整和最新的科学课程。主要特点是：

• 由人工智能专家介绍案例研究的发展情况。
• 这个课程的图形化，示意图和突出的实用性内容提供了关于那些对专业实践至关重要的学科的最新和实用信息
• 利用自我评估过程改进学习的实际练习
• 特别强调创新的方法论
• 理论知识,专家预论,争议主题讨论论坛和个人反思工作
• 可以从任何有互联网连接的固定或便携式设备上获取内容

您将研究保护文化遗产的重要性，借助丰富的多媒体资源库，利用人工智能来保护和振兴历史建筑”

这个课程的教学人员包括来自这个部门的专业人员，他们将自己的工作经验带到了这一培训中。他们的工作经验被纳入这一培训，还有来自主要协会和著名大学的公认专家。

通过采用最新的教育技术制作的多媒体内容，专业人士将能够进行情境化学习即通过模拟环境进行沉浸式培训以应对真实情况。

这门课程的设计集中于基于问题的学习，通过这种方式专业人士需要在整个学年中解决所遇到的各种实践问题。你将得到一个由著名专家开发的创新互动视频系统的支持。

您将在最好的数字大学的帮助下掌握Autodesk Revit，SketchUp 和Google DeepMind等平台，培养设计更可持续，更高效环境的技能据福布斯报道，位居世界第一"

您将使用Grasshopper和 Autodesk Fusion 360等工具来创建自适应和可持续设计，探索机器人技术在建筑中的集成以及数字制造中的定制"

校级硕士学位的内容将包括的主题，旨在将先进技术融入建筑过程。因此，建筑师将致力于利用人工智能来改进建筑设计，探索 AutoCAD，Fusion 360和 Grasshopper等工具来进行生成建模和参数化设计。此外，该课程将重点通过 Autodesk Revit和Google DeepMind等软件进行数据分析和模拟来优化能源效率和空间规划。

您将使用MATLAB等高级仿真工具创建创新和创意的建筑模型”

模块 1.人工智能基础

1.1. 人工智能的历史

1.1.1. 我们是从什么时候开始谈论人工智能的？
1.1.2. 电影参考资料
1.1.3. 人工智能的重要性
1.1.4. 支持人工智能的技术

1.2. 游戏中的人工智能

1.2.1. 博弈论
1.2.2. 最小值和Alpha-Beta修剪
1.2.3. 仿真: Monte Carlo

1.3. 神经网络

1.3.1. 生物学基础
1.3.2. 计算模型
1.3.3. 有监督和无监督的神经元网络
1.3.4. 简单的感知器
1.3.5. 多层感知器

1.4. 遗传算法

1.4.1. 历史
1.4.2. 生物学基础
1.4.3. 问题编码
1.4.4. 最初的人口生成
1.4.5. 主要算法和遗传算子
1.4.6. 对个人的评价：健身

1.5. 术语表，词汇表，分类法

1.5.1. 词汇
1.5.2. 分类法
1.5.3. 叙词表
1.5.4. 体论
1.5.5. 知识表示：语义网

1.6. 语义网

1.6.1. 规格: RDF，RDFS和OWL
1.6.2. 推论/推理
1.6.3. 关联数据

1.7. 专家系统和DSS

1.7.1. 专家系统
1.7.2. 摄影的支持系统

1.8. 聊天机器人和虚拟助理

1.8.1. 助手的类型：语音和文字助手
1.8.2. 发展助理的基础部分：意图、实体和对话流
1.8.3. 整合：网络、Slack、Whatsapp、Facebook
1.8.4. 培养助手的工具：Dialog Flow, Watson Assistant

1.9. 人工智能实施策略
1.10. 人工智能的未来

1.10.1. 我们了解如何通过算法检测情绪
1.10.2. 创造个性：语言，表达和内容
1.10.3. 人工智能的发展趋势
1.10.4. 反思

模块 2.数据类型和周期

2.1. 统计数据

2.1.1. 统计：描述性统计，统计推断
2.1.2. 总体，样本，个体
2.1.3. 变量：定义，测量尺度

2.2. 统计数据类型

2.2.1. 根据类型

2.2.1.1. 定量：连续数据和离散数据
2.2.1.2. 定性：二项式数据，名义数据和有序数据

2.2.2. 根据形式

2.2.2.1. 数字
2.2.2.2. 文本
2.2.2.3. 逻辑

2.2.3. 根据来源

2.2.3.1. 一级
2.2.3.2. 二级

2.3. 数据生命周期

2.3.1. 周期的段
2.3.2. 周期里程碑
2.3.3. FIAR原则

2.4. 周期的初始阶段

2.4.1. 定义目标
2.4.2. 确定必要的资源
2.4.3. 甘特图
2.4.4. 数据结构

2.5. 数据收集

2.5.1. 收集方法
2.5.2. 收集工具
2.5.3. 收集渠道

2.6. 数据清理

2.6.1. 数据清理阶段
2.6.2. 数据质量
2.6.3. 数据操作（使用 R）

2.7. 数据分析，解释和结果评估

2.7.1. 统计措施
2.7.2. 关系指数
2.7.3. 数据挖掘

2.8. 数据仓库 (Datawarehouse)

2.8.1. 整合的元素
2.8.2. 设计
2.8.3. 需要考虑的问题

2.9. 可用性数据

2.9.1. 访问
2.9.2. 实用性
2.9.3. 安全

2.10. 监管方面

2.10.1. 数据保护法
2.10.2. 最佳实践
2.10.3. 其他规范方面

模块 3.人工智能中的数据

3.1. 数据科学

3.1.1. 数据科学
3.1.2. 数据科学的高级工具

3.2. 数据，信息和知识

3.2.1. 数据，信息和知识
3.2.2. 数据类型
3.2.3. 数据源

3.3. 从数据到信息

3.3.1. 数据分析
3.3.2. 分析类型
3.3.3. 从数据集中提取信息

3.4. 通过可视化提取信息

3.4.1. 可视化作为分析工具
3.4.2. 可视化方法
3.4.3. 查看数据集

3.5. 数据质量

3.5.1. 质量数据
3.5.2. 数据清理
3.5.3. 基本数据预处理

3.6. 数据集

3.6.1. 丰富数据集
3.6.2. 维度的祸害
3.6.3. 修改我们的数据集

3.7. 不平衡

3.7.1. 阶级不平衡
3.7.2. 不平衡缓解技术
3.7.3. 平衡数据集

3.8. 无监督模型

3.8.1. 无监督模型
3.8.2. 方法
3.8.3. 使用无监督模型进行分类

3.9. 监督模型

3.9.1. 监督模型
3.9.2. 方法
3.9.3. 使用监督模型进行分类

3.10. 工具和好的做法

3.10.1. 数据科学的正确实践
3.10.2. 最佳模型
3.10.3. 有用的工具

模块 4.数据挖掘选择，预处理和转换

4.1. 统计推断

4.1.1. 描述性统计对统计推断
4.1.2. 参数化程序
4.1.3. 非参数过程

4.2. 探索性分析

4.2.1. 描述性分析
4.2.2. 视觉化
4.2.3. 数据准备

4.3. 数据准备

4.3.1. 数据整合和清理
4.3.2. 数据标准化
4.3.3. 转换属性

4.4. 缺失值

4.4.1. 缺失值的处理
4.4.2. 最大似然插补方法
4.4.3. 使用机械学习估算缺失值

4.5. 数据中的噪音

4.5.1. 噪声类别和属性
4.5.2. 噪声过滤
4.5.3. 噪音的影响

4.6. 维度的祸害

4.6.1. 过度采样
4.6.2. 采样不足
4.6.3. 多维数据缩减

4.7. 从连续属性到离散属性

4.7.1. 连续数据与离散数据
4.7.2. 离散化过程

4.8. 数据

4.8.1. 数据选择
4.8.2. 前景与选择标准
4.8.3. 挑选方法

4.9. 选择阶段

4.9.1. 选择阶段的方法
4.9.2. 原型的选择
4.9.3. 选择阶段的高级方法

4.10. Big Data环境的数据预处理

模块 5.人工智能中的算法与复杂性

5.1. 算法设计策略简介

5.1.1. 递归
5.1.2. 分而治之
5.1.3. 其他策略

5.2. 算法的效率与分析

5.2.1. 效率措施
5.2.2. 测量输入的大小
5.2.3. 测量执行时间
5.2.4. 最坏情况，最好情况和中间情况
5.2.5. 渐近符号
5.2.6. 非递归算法的数学分析准则
5.2.7. 递归算法的数学分析
5.2.8. 算法的实证分析

5.3. 排序算法

5.3.1. 协调概念
5.3.2. 冒泡排序
5.3.3. 选择排序
5.3.4. 插入排序
5.3.5. 合并排序（Merge_Sort）
5.3.6. 快速排序 (Quicksort)

5.4. 带树的算法

5.4.1. 树的概念
5.4.2. 二叉树
5.4.3. 树游览
5.4.4. 表示表达式
5.4.5. 有序二叉树
5.4.6. 平衡二叉树

5.5. 带Heaps的算法

5.5.1. Heaps
5.5.2. 堆排序算法
5.5.3. 优先队列

5.6. 带图的算法

5.6.1. 代表
5.6.2. 行程宽度
5.6.3. 深度游览
5.6.4. 拓扑排序

5.7. Greedy的算法

5.7.1. Greedy的策略
5.7.2. Greedy策略元素
5.7.3. 货币兑换
5.7.4. 旅人的问题
5.7.5. 背包问题

5.8. 搜索最小路径

5.8.1. 最短路径的问题
5.8.2. 负弧和循环
5.8.3. Dijkstra的算法

5.9. 图上的Greedy算法

5.9.1. 最小生成树
5.9.2. Prim算法
5.9.3. Kruskal算法
5.9.4. 复杂性分析

5.10. 溯源

5.10.1. Backtracking
5.10.2. 替代技术

模块 6.智能系统

6.1. 代理理论

6.1.1. 概念的历史
6.1.2. 代理定义
6.1.3. 人工智能中的代理
6.1.4. 软件工程中的代理

6.2. 代理架构

6.2.1. 代理的推理过程
6.2.2. 反应性
6.2.3. 演绎
6.2.4. 混合代理
6.2.5. 比较

6.3. 信息和知识

6.3.1. 数据，信息和知识之间的区别
6.3.2. 数据质量评估
6.3.3. 数据采集​​方法
6.3.4. 信息获取方式
6.3.5. 知识获取方式

6.4. 知识表示

6.4.1. 知识表示的重要性
6.4.2. 通过其角色定义知识表示
6.4.3. 知识表示的特征

6.5. 体论

6.5.1. 元数据介绍
6.5.2. 体论的哲学概念
6.5.3. 体论的计算概念
6.5.4. 领域本体和更高层本体
6.5.5. 如何建立一个体论？

6.6. 本体语言和本体编写软件

6.6.1. 三胞胎 RDF、 Turtle 和 N
6.6.2. RDF模式
6.6.3. OWL
6.6.4. SPARQL
6.6.5. 简介用于创建本体论的不同工具
6.6.6. Protégé安装和使用

6.7. 语义网

6.7.1. 语义网的现状和未来
6.7.2. 语义网应用

6.8. 其他知识表示模型

6.8.1. 词汇
6.8.2. 全球视野
6.8.3. 分类法
6.8.4. 叙词表
6.8.5. 大众分类法
6.8.6. 比较
6.8.7. 心理地图

6.9. 知识表示的评估和整合

6.9.1. 零阶逻辑
6.9.2. 一阶逻辑
6.9.3. 描述性逻辑
6.9.4. 不同类型逻辑之间的关系
6.9.5. Prolog：基于一阶逻辑的程序设计

6.10. 语义推理器，基于知识的系统和专家系统

6.10.1. 推理概念
6.10.2. 推理机的应用
6.10.3. 基于知识的系统
6.10.4. MYCIN，专家系统的历史
6.10.5. 专家系统的元素和架构
6.10.6. 专家系统的创建

模块 7.机器学习和数据挖掘

7.1. 简介知识发现过程和机器学习的基础概念

7.1.1. 知识发现过程的关键概念
7.1.2. 知识发现过程的历史视角
7.1.3. 知识发现过程的各个阶段
7.1.4. 知识发现过程中使用的技术
7.1.5. 佳的机器学习模型的特点
7.1.6. 机器学习信息的类型
7.1.7. 学习的基础概念
7.1.8. 无监督学习的基础概念

7.2. 数据探索和预处理

7.2.1. 数据处理
7.2.2. 数据分析流程中的数据处理
7.2.3. 数据类型
7.2.4. 数据转换
7.2.5. 连续变量的可视化和探索
7.2.6. 分类变量的显示和探索
7.2.7. 相关性措施
7.2.8. 最常见的图形表示法
7.2.9. 多变量分析和降维简介

7.3. 决策树

7.3.1. ID算法
7.3.2. C 算法
7.3.3. 过度训练和修剪
7.3.4. 结果分析

7.4. 对分类器的评估

7.4.1. 混淆矩阵
7.4.2. 数值评价矩阵
7.4.3. Kappa统计学
7.4.4. ROC曲线

7.5. 分类规则

7.5.1. 规则评价措施
7.5.2. 图形表示法简介
7.5.3. 顺序叠加算法

7.6. 神经网络

7.6.1. 基础概念
7.6.2. 简单的神经网络
7.6.3. 反向传播算法
7.6.4. 递归神经网络简介

7.7. 贝叶斯方法

7.7.1. 概率的基础概念
7.7.2. 贝叶斯定理
7.7.3. 奈何贝叶斯
7.7.4. 贝叶斯网络简介

7.8. 回归和连续反应模型

7.8.1. 简单线性回归
7.8.2. 多重线性回归
7.8.3. 逻辑回归
7.8.4. 回归树
7.8.5. 支持向量机（SVM）简介
7.8.6. 拟合度测量

7.9. 聚类

7.9.1. 基础概念
7.9.2. 分层聚类
7.9.3. 概率论的方法
7.9.4. EM算法
7.9.5. B-立方体法
7.9.6. 隐式方法

7.10. 文本挖掘和自然语言处理（NLP）

7.10.1. 基础概念
7.10.2. 语料库的创建
7.10.3. 描述性分析
7.10.4. 情感分析简介

模块 8.神经网络，Deep Learning的基础

8.1. Deep Learning

8.1.1. 深度学习的类型
8.1.2. 深入学习应用
8.1.3. 深入学习优点和缺点

8.2. 业务

8.2.1. 加
8.2.2. 产品
8.2.3. 转移

8.3. 图层

8.3.1. 输入层
8.3.2. 隐藏层
8.3.3. 输出层

8.4. 联合层和操作

8.4.1. 架构设计
8.4.2. 层与层之间的连接
8.4.3. 前向传播

8.5. 第一个神经网络的构建

8.5.1. 网络设计
8.5.2. 设置权重
8.5.3. 网络培训

8.6. 训练器和优化器

8.6.1. 优化器选择
8.6.2. 损失函数的建立
8.6.3. 建立指标

8.7. 神经网络原理的应用

8.7.1. 激活函数
8.7.2. 反向传播
8.7.3. 参数设定

8.8. 从生物神经元到人工神经元

8.8.1. 生物神经元的功能
8.8.2. 知识转移到人工神经元
8.8.3. 建立它们俩之间的关系

8.9. 使用Keras实现MLP（多层感知器）

8.9.1. 网络结构的定义
8.9.2. 模型编译
8.9.3. 模型训练

8.10. 微调神经网络的超参数

8.10.1. 激活函数选择
8.10.2. 设置学习率
8.10.3. 权重的调整

模块 9.深度神经网络训练

9.1. 梯度问题

9.1.1. 梯度优化技术
9.1.2. 随机梯度
9.1.3. 权重初始化技术

9.2. 预训练层的重用

9.2.1. 学习迁移培训
9.2.2. 特征提取
9.2.3. 深度学习

9.3. 优化

9.3.1. 随机梯度下降优化器
9.3.2. Adam 和 RMSprop 优化器
9.3.3. 矩优化器

9.4. 学习率编程

9.4.1. 机器学习速率控制
9.4.2. 学习周期
9.4.3. 平滑项

9.5. 过拟合

9.5.1. 交叉验证
9.5.2. 正规化
9.5.3. 评估指标

9.6. 实用指南

9.6.1. 模型设计
9.6.2. 指标和评估参数的选择
9.6.3. 假设检验

9.7. Transfer Learning

9.7.1. 学习迁移培训
9.7.2. 特征提取
9.7.3. 深度学习

9.8. 数据扩充

9.8.1. 图像变换
9.8.2. 综合数据生成
9.8.3. 文本转换

9.9. Transfer Learning的实际应用

9.9.1. 学习迁移培训
9.9.2. 特征提取
9.9.3. 深度学习

9.10. 正规化

9.10.1. L和L
9.10.2. 通过最大熵正则化
9.10.3. Dropout

模块 10.使用TensorFlow进行模型定制和训练

10.1. TensorFlow

10.1.1. 使用TensorFlow库
10.1.2. 使用TensorFlow进行模型训练
10.1.3. TensorFlow中的图操作

10.2. TensorFlow和NumPy

10.2.1. 用于TensorFlow的NumPy计算环境
10.2.2. 在TensorFlow中使用NumPy数组
10.2.3. 用于TensorFlow图形的NumPy运算

10.3. 训练模型和算法定制

10.3.1. 使用TensorFlow构建自定义模型
10.3.2. 训练参数管理
10.3.3. 使用优化技术进行训练

10.4. TensorFlow函数和图形

10.4.1. 使用TensorFlow的功能
10.4.2. 使用图表来训练模型
10.4.3. 利用TensorFlow操作优化图形

10.5. 使用TensorFlow加载和预处理数据

10.5.1. 使用TensorFlow加载数据集
10.5.2. 使用TensorFlow进行数据预处理
10.5.3. 使用TensorFlow工具进行数据操作

10.6. tfdata应用程序接口

10.6.1. 使用tfdata API进行数据处理
10.6.2. 使用tfdata构建数据流
10.6.3. 使用tfdata API训练模型

10.7. TFRecord格式

10.7.1. 使用TFRecordAPI进行数据序列化
10.7.2. 使用TensorFlow加载TFRecord文件
10.7.3. 使用TFRecord文件进行模型训练

10.8. Keras预处理层

10.8.1. 使用Keras预处理API
10.8.2. 使用 Keras 构建预处理管道
10.8.3. 使用Keras预处理API进行模型训练

10.9. TensorFlow数据集项目

10.9.1. 使用 TensorFlow 数据集进行数据加载
10.9.2. 使用 TensorFlow 数据集进行数据预处理
10.9.3. 使用 TensorFlow 数据集进行模型训练

10.10. 使用TensorFlow构建深度学习应用程序

10.10.1. 实际应用
10.10.2. 使用TensorFlow构建Deep Learning 应用程序
10.10.3. 使用 TensorFlow 进行模型训练
10.10.4. 使用应用程序预测结果

模块 11.利用卷积神经网络实现深度计算机视觉 

11.1. 视觉皮层架构

11.1.1. 视觉皮层的功能
11.1.2. 计算机视觉理论
11.1.3. 图像处理模型

11.2. 卷积层

11.2.1. 卷积中权重的重用
11.2.2. D 卷积
11.2.3. 激活函数

11.3. 池化层以及使用Keras实现池化层

11.3.1. Pooling和Striding
11.3.2. Flattening
11.3.3. Pooling类型

11.4. CNN 架构

11.4.1. VGG-架构
11.4.2. AlexNet架构
11.4.3. ResNet 架构

11.5. 使用Keras实现CNNResNet

11.5.1. 权重初始化
11.5.2. 输入层定义
11.5.3. 输出定义

11.6. 使用预训练的Keras模型

11.6.1. 预训练模型的特点
11.6.2. 预训练模型的用途
11.6.3. 预训练模型的优点

11.7. 用于迁移学习的预训练模型

11.7.1. 迁移学习
11.7.2. 迁移学习过程
11.7.3. 迁移学习的优点

11.8. 深度计算机视觉中的分类和定位

11.8.1. 图像分类
11.8.2. 定位图像中的对象
11.8.3. 物体检测

11.9. 物体检测和物体跟踪

11.9.1. 物体检测方法
11.9.2. 对象跟踪算法
11.9.3. 追踪技术

11.10. 语义分割

11.10.1. 语义分割的深度学习
11.10.2. 边缘检测
11.10.3. 基于规则的分割方法

模块 12.用自然递归网络(RNN)和注意力进行自然语言处理(NLP)

12.1. 使用RNN生成文本

12.1.1. 训练RNN进行文本生成
12.1.2. 使用RNN生成自然语言
12.1.3. RNN的文本生成应用

12.2. 创建训练数据集

12.2.1. 训练RNN的数据准备
12.2.2. 存储训练数据集
12.2.3. 数据清理和转换
12.2.4. 情绪分析

12.3. 使用RNN对意见进行分类

12.3.1. 检测评论中的主题
12.3.2. 使用Deep Learning算法进行情感分析

12.4. 用于神经机器翻译的编码器-解码器网络

12.4.1. 训练用于机器翻译的RNN
12.4.2. 使用编码器-解码器网络进行机器翻译
12.4.3. 使用RNN提高机器翻译准确性

12.5. 注意力机制

12.5.1. 关怀机制在RNN中的应用
12.5.2. 使用注意力机制提高模型准确性
12.5.3. 神经网络中注意力机制的优点

12.6. Transformer模型

12.6.1. 使用 Transformers 模型进行自然语言处理
12.6.2. Transformers 模型在视觉中的应用
12.6.3. Transformers 模型的优点

12.7. Transformers视觉

12.7.1. 使用 视觉模型
12.7.2. 图像数据预处理
12.7.3. 为视觉训练变形金刚模型

12.8. 拥抱脸 变形金刚 书架

12.8.1. 使用Hugging FaceTransformer库
12.8.2.  Hugging Face的Transformers图书馆应用程序
12.8.3. 抱抱脸 变形金刚图书馆的优势

12.9. 其他Transformer库比较

12.9.1. 不同Transformers库之间的比较
12.9.2. 使用其他Transformers库
12.9.3. 其他Transformers库的优点

12.10. 使用RNN和Attention开发NLP应用程序。实际应用

12.10.1. 使用RNN和注意力机制开发自然语言处理应用程序
12.10.2. 在应用程序中使用RNN，服务机制和 Transformers模型
12.10.3. 实际应用评价

模块 13.自动编码器， GAN和扩散模型

13.1. 高效的数据表示

13.1.1. 降维
13.1.2. 深度学习
13.1.3. 紧凑的表示

13.2. 使用不完全线性自动编码器执行PCA

13.2.1. 训练过程
13.2.2. Python中的实现
13.2.3. 测试数据的使用

13.3. 堆叠式自动编码器

13.3.1. 深度神经网络
13.3.2. 编码架构的构建
13.3.3. 使用正则化

13.4. 卷积自动编码器

13.4.1. 卷积模型设计
13.4.2. 训练卷积模型
13.4.3. 评估结果

13.5. 去噪自动编码器

13.5.1. 过滤器应用
13.5.2. 编码模型设计
13.5.3. 使用正则化技术

13.6. 分散自动编码器

13.6.1. 提高编码效率
13.6.2. 最小化参数数量
13.6.3. 使用正则化技术

13.7. 变分自动编码器

13.7.1. 使用变分优化
13.7.2. 无监督深度学习
13.7.3. 深层潜在表征

13.8. 时尚MNIST图像的生成

13.8.1. 模式识别
13.8.2. 影像学
13.8.3. 深度神经网络训练

13.9. 生成对抗网络和扩散模型

13.9.1. 从图像生成内容
13.9.2. 数据分布建模
13.9.3. 使用对抗性网络

13.10. 模型的实施

13.10.1. 实际应用
13.10.2. 模型的实施
13.10.3. 使用真实数据
13.10.4. 评估结果

模块 14.生物启发式计算

14.1. 仿生计算简介

14.1.1. 仿生计算简介

14.2. 社会适应算法

14.2.1. 基于蚁群的仿生计算
14.2.2. 蚁群算法的变体
14.2.3. 粒子云计算

14.3. 遗传算法

14.3.1. 总体结构
14.3.2. 主要算子的实现

14.4. 遗传算法的空间探索-开发策略

14.4.1. CHC算法
14.4.2. 多模式问题

14.5. 进化计算模型（一）

14.5.1. 进化策略
14.5.2. 进化编程
14.5.3. 基于差分进化的算法

14.6. 进化计算模型（二）

14.6.1.基于分布估计（EDA）的演化模型
14.6.2. 遗传编程

14.7. 进化规划应用于学习问题

14.7.1. 基于规则的学习
14.7.2. 实例选择问题中的进化方法

14.8. 多目标问题

14.8.1. 支配的概念
14.8.2. 进化算法在多目标问题中的应用

14.9. 神经网络 （一）

14.9.1. 神经网络简介
14.9.2. 神经网络的实际例子

14.10. 神经网络（二）

14.10.1. 神经网络在医学研究中的用例
14.10.2. 神经网络在经济学中的使用案例
14.10.3. 神经网络在计算机视觉中的使用案例

模块 15.人工智能：战略与应用

15.1. 金融服务

15.1.1. 人工智能(IA)对金融服务的影响：机遇与挑战
15.1.2. 使用案例
15.1.3. 使用人工智的相关潜在风险
15.1.4. 人工智能未来的潜在发展/用途

15.2. 人工智能对医疗保健服务的影响

15.2.1. 人工智能对医疗保健领域的影响机遇与挑战
15.2.2. 使用案例

15.3. 与在医疗服务中使用人工智能相关的风险

15.3.1. 使用人工智的相关潜在风险
15.3.2. 人工智能未来的潜在发展/用途

15.4. 零售

15.4.1. 人工智能对RetIAl业的影响机遇与挑战
15.4.2. 使用案例
15.4.3. 使用人工智的相关潜在风险
15.4.4. 人工智能未来的潜在发展/用途

15.5. 行业

15.5.1. 人工智能对工业的影响。机遇与挑战
15.5.2. 使用案例

15.6. 在工业中使用人工智能的潜在风险

15.6.1. 使用案例
15.6.2. 使用人工智的相关潜在风险
15.6.3. 人工智能未来的潜在发展/用途

15.7. 公共行政

15.7.1. 人工智能对公共行政的影响。机遇与挑战
15.7.2. 使用案例
15.7.3. 使用人工智的相关潜在风险
15.7.4. 人工智能未来的潜在发展/用途

15.8. 教育

15.8.1. 人工智能对教育的影响。机遇与挑战
15.8.2. 使用案例
15.8.3. 使用人工智的相关潜在风险
15.8.4. 人工智能未来的潜在发展/用途

15.9. 林业和农业

15.9.1. 人工智能对林业和农业的影响机遇与挑战
15.9.2. 使用案例
15.9.3. 使用人工智的相关潜在风险
15.9.4. 人工智能未来的潜在发展/用途

15.10. 人力资源

15.10.1. 人工智能人力资源的影响。机遇与挑战
15.10.2. 使用案例
15.10.3. 使用人工智的相关潜在风险
15.10.4. 人工智能未来的潜在发展/用途

模块 16.建筑实践中的人工智能辅助设计

16.1. 具有 AI 的高级 AutoCAD 应用程序

16.1.1. AutoCAD与AI工具集成以实现高级设计
16.1.2. 利用人工智能实现建筑设计中重复任务的自动化
16.1.3. AutoCAD在AI辅助下优化建筑项目的案例研究

16.2. 使用 Fusion 360 进行高级生成建模

16.2.1. 应用于复杂项目的先进生成建模技术
16.2.2. 使用 Fusion 360 创建创新的建筑设计
16.2.3. 生成模型在可持续和适应性建筑中的应用示例

16.3. 在Optimus中利用AI优化设计

16.3.1. 在Optimus中使用AI算法的架构设计优化策略
16.3.2. 实际项目中的敏感性分析及最优解探索
16.3.3. 使用 Optimus 进行基于 AI 的优化的行业成功案例回顾

16.4. 使用 Geomagic Wrap 进行参数化设计和数字化制造

16.4.1. 使用 Geomagic Wrap 实现参数化设计与 AI 集成的进步
16.4.2. 数字制造在建筑中的实际应用
16.4.3. 使用人工智能辅助参数化设计进行结构创新的特色建筑项目

16.5. 使用人工智能传感器进行自适应和上下文敏感设计

16.5.1. 使用人工智能和实时数据实施自适应设计
16.5.2. 利用人工智能设计的临时建筑和城市环境的示例
16.5.3. 分析适应性设计如何影响建筑项目的可持续性和效率

16.6. 为建筑师提供 CATIA 仿真和预测分析

16.6.1. CATIA 在建筑仿真中的高级应用
16.6.2. 使用人工智能进行结构行为建模和能源性能优化
16.6.3. 在重大建筑项目中实施预测分析

16.7. 使用 IBM Watson Studio 实现设计中的个性化和用户体验

16.7.1. 用于架构定制的 IBM Watson Studio AI 工具
16.7.2. 使用人工智能分析以用户为中心的设计
16.7.3. 空间和建筑产品定制的人工智能用例研究

16.8. 由人工智能驱动的协作和集体设计

16.8.1. 人工智能驱动的设计项目协作平台
16.8.2. 促进创造力和集体创新的人工智能方法
16.8.3. 人工智能辅助协同设计的成功案例和挑战

16.9. 人工智能辅助设计中的道德与责任

16.9.1. 在建筑设计中使用人工智能的伦理争论
16.9.2. 应用于设计的人工智能算法中的偏差和公平性研究
16.9.3. 人工智能负责任设计的现行法规和标准

16.10. 人工智能辅助设计的挑战与未来

16.10.1. 建筑人工智能的新兴趋势和尖端技术
16.10.2. 分析人工智能对建筑行业的未来影响
16.10.3. 人工智能辅助设计未来创新与发展展望

模块 17.利用人工智能优化空间和能源效率

17.1. 使用Autodesk Revit和AI优化空间

17.1.1. 使用Autodesk Revit和AI实现空间优化和能源效率
17.1.2. 提高建筑设计能源效率的先进技术
17.1.3. Autodesk Revit与AI相结合的成功项目案例研究

17.2. 使用SketchUp和Trimble进行数据分析和能源效率指标

17.2.1. SketchUp 应用程序和 Trimble 工具可进行详细的能量分析
17.2.2. 使用人工智能开发能源绩效指标
17.2.3. 在建筑项目中建立能源效率目标的策略

17.3. 生物气候设计和人工智能优化的太阳方向

17.3.1. 人工智能辅助生物气候设计策略，最大限度地提高能源效率
17.3.2. 使用人工智能驱动设计来优化热舒适度的建筑示例
17.3.3. 人工智能在太阳定向和被动设计中的实际应用

17.4. Cityzenit 提供人工智能辅助可持续技术和材料

17.4.1. 人工智能分析支持的可持续材料创新
17.4.2. 利用人工智能开发和应用可回收和低环境影响材料
17.4.3. 利用可再生能源系统与人工智能相结合的项目研究

17.5. 利用WattPredictor和AI进行城市规划和能源效率

17.5.1. 城市设计中能源效率的人工智能策略
17.5.2. 实施 WattPredictor 以优化公共空间的能源使用
17.5.3. 城市利用人工智能提高城市可持续性的成功案例

17.6. 利用 Google DeepMind Energy 进行智能能源管理

17.6.1. DeepMind 技术在能源管理中的应用
17.6.2. 实施人工智能以优化大型建筑的能源消耗
17.6.3. 人工智能改变社区和建筑物能源管理的案例评估

17.7. 人工智能辅助的能效认证和法规

17.7.1. 使用人工智能确保遵守能效法规（LEED,REEAM）
17.7.2. 用于能源审计和项目认证的人工智能工具
17.7.3. 法规对人工智能支持的可持续建筑的影响

17.8. 使用 Enernoc 评估生命周期和环境足迹

17.8.1. 人工智能集成用于建筑材料的生命周期分析
17.8.2. 使用 Enernoc 评估碳足迹和可持续性
17.8.3. 使用人工智能进行高级环境评估的模型项目

17.9. Verdigris 的能源效率教育和意识

17.9.1. 人工智能在能源效率教育和意识中的作用
17.9.2. 使用 Verdigris 向建筑师和设计师教授可持续实践
17.9.3. 利用人工智能促进文化向可持续发展转变的教育举措和计划

17.10. ENBALA 空间优化和能源效率的未来

17.10.1. 探索未来挑战和能效技术的演变
17.10.2. 空间和能源优化人工智能的新兴趋势
17.10.3. 洞察人工智能将如何继续改变建筑和城市设计

模块 18.参数化设计与数字化制造

18.1. Grasshopper 推进参数化设计和数字化制造

18.1.1. 使用 Grasshopper 创建复杂的参数化设计
18.1.2. AI 集成到 Grasshopper 中以实现设计自动化和优化
18.1.3. 使用参数化设计提供创新解决方案的标志性项目

18.2. 生成设计中的算法优化

18.2.1. 生成设计在架构算法优化中的应用
18.2.2. 利用人工智能生成高效,新颖的设计解决方案
18.2.3. 生成设计如何改善建筑项目的功能和美观的示例

18.3. 与 KUKA PRC 合作建设数字化制造和机器人

18.3.1. KUKA PRC 等机器人技术在数字化制造中的应用
18.3.2. 数字化制造在精度,速度,降低成本方面的优势
18.3.3. 数字制造案例研究强调机器人技术在建筑中的成功集成

18.4. 使用 Autodesk Fusion 360 进行响应式设计和制造

18.4.1. 使用 Fusion 360 设计自适应架构系统
18.4.2. 在 Fusion 360 中实施 AI 以实现大规模定制
18.4.3. 展示适应性和定制潜力的创新项目

18.5. 通过拓扑优化实现参数化设计的可持续性

18.5.1. 应用拓扑优化技术提高可持续性
18.5.2. 人工智能集成可优化材料使用和能源效率
18.5.3. 拓扑优化如何提高建筑项目可持续性的示例

18.6. Autodesk Fusion 360 的交互性和空间适应性

18.6.1. 实时集成传感器和数据以创建交互式建筑环境
18.6.2. 使用 Autodesk Fusion 360 调整设计以响应环境或使用变化
18.6.3. 使用空间交互性来改善用户体验的建筑项目示例

18.7. 参数化设计的效率

18.7.1. 应用参数化设计优化建筑的可持续性和能源效率
18.7.2. 使用与人工智能集成的模拟和生命周期分析来改进绿色决策
18.7.3. 参数化设计至关重要的可持续项目案例

18.8. 大规模定制和数字化制造（Materialise）

18.8.1. 通过参数化设计和数字化制造探索大规模定制的潜力
18.8.2. 在建筑和室内设计中应用Magic等工具进行定制设计
18.8.3. 展示空间和家具定制中数字化制造的特色项目

18.9. 使用 Ansys Granta 进行协作和集体设计

18.9.1. 使用 Ansys Granta 促进分布式设计中的协作和决策
18.9.2. 提高协作设计项目创新和效率的方法
18.9.3. 人工智能增强协作如何带来创新和可持续成果的示例

18.10. 数字化制造和参数化设计的挑战和未来

18.10.1. 识别参数化设计和数字制造中的新挑战
18.10.2. 未来趋势以及人工智能在这些技术发展中的作用
18.10.3. 讨论持续创新将如何影响未来的建筑实践和设计

模块 19.利用AI进行仿真和预测建模

19.1. 架构中使用 MATLAB 的高级仿真技术

19.1.1. 使用 MATLAB 进行建筑高级仿真
19.1.2. 预测模型和大数据分析的集成
19.1.3. MATLAB 在建筑模拟中发挥基础作用的案例研究

19.2. 使用 ANSYS 进行高级结构分析

19.2.1. 在建筑项目中实施 ANSYS 进行高级结构模拟
19.2.2. 集成预测模型来评估结构安全性和耐久性
19.2.3. 强调在高性能建筑中使用结构模拟的项目

19.3. 使用 AnyLogic 建模空间使用和人类动态

19.3.1. 使用 AnyLogic 对空间使用和人类流动的动态进行建模
19.3.2. 应用人工智能预测和提高城市和建筑环境的空间利用效率
19.3.3. 案例研究展示模拟如何影响城市和建筑规划

19.4. 在城市规划中使用 TensorFlow 进行预测建模

19.4.1. 实施 TensorFlow 来模拟城市动态和结构行为
19.4.2. 使用人工智能预测城市设计的未来结果
19.4.3. 预测建模如何影响城市规划和设计的示例

19.5. 使用 GenerativeComponents 进行预测建模和生成设计

19.5.1. 使用 GenerativeComponents 合并预测建模和生成设计
19.5.2. 应用机器学习算法创建创新高效的设计
19.5.3. 使用这些先进技术优化设计的建筑项目示例

19.6. 使用 COMSOL 模拟环境影响和可持续性

19.6.1. COMSOL 在大型项目环境模拟中的应用
19.6.2. 利用人工智能分析和改善建筑物对环境的影响
19.6.3. 展示模拟如何促进可持续发展的项目

19.7. 使用 COMSOL 模拟环境行为

19.7.1. 应用 COMSOL Multiphysics 模拟环境和热行为
19.7.2. 使用人工智能根据日光和声学模拟优化设计
19.7.3. 提高可持续性和舒适度的成功实施示例

19.8. 模拟和预测建模的创新

19.8.1. 探索新兴技术及其对仿真和建模的影响
19.8.2. 讨论人工智能如何改变建筑模拟能力
19.8.3. 评估未来工具及其在建筑设计中的可能应用

19.9. 使用 CityEngine 模拟施工过程

19.9.1. CityEngine 应用程序可模拟施工顺序并优化现场工作流程
19.9.2. 人工智能集成对建筑物流进行建模并实时协调活动
19.9.3. 实际案例表明，先进的模拟技术提高了施工效率和安全性

19.10. 仿真和预测建模的挑战和未来

19.10.1. 评估建筑模拟和预测建模当前的挑战
19.10.2. 这些技术在建筑实践中的新兴趋势和未来
19.10.3. 讨论模拟和预测建模持续创新对建筑和施工的影响

模块 20.利用人工智能进行遗产保护和修复

20.1. 人工智能技术在遗产修复中的摄影测量

20.1.1. 使用摄影测量和人工智能进行准确的遗产记录和修复
20.1.2. 历史建筑修复的实际应用
20.1.3. 结合先进技术和尊重真实性的特色项目

20.2. 激光扫描保护的预测分析

20.2.1. 激光扫描和预测分析在遗产保护中的实施
20.2.2. 使用人工智能检测和防止历史建筑的恶化
20.2.3. 这些技术如何提高保护精度和有效性的示例

20.3. 通过虚拟重建进行文化遗产管理

20.3.1. AI辅助虚拟重建技术的应用
20.3.2. 遗产管理和数字保护策略
20.3.3. 使用虚拟重建进行教育和保护的成功案例

20.4. 预防性保护和人工智能辅助维护

20.4.1. 利用人工智能技术制定历史建筑的预防性保护和维护策略
20.4.2. 实施基于人工智能的监测系统以及早发现结构问题
20.4.3. 人工智能如何为文化遗产的长期保护做出贡献的示例

20.5. 遗产保护中的数字文档和 BIM

20.5.1. 在人工智能的辅助下，应用先进的数字文档技术，包括 BIM 和增强现实。
20.5.2. 使用 BIM 模型进行高效的遗产和修复管理
20.5.3. 修复项目中数字文档整合的案例研究

20.6. 人工智能辅助保存管理和政策

20.6.1. 使用基于人工智能的工具进行遗产保护管理和政策制定
20.6.2. 将人工智能融入保护相关决策的策略
20.6.3. 讨论人工智能如何改善遗产保护机构之间的合作

20.7. 人工智能修复和保存的道德和责任

20.7.1. 人工智能应用于遗产修复的伦理考量
20.7.2. 关于技术创新与尊重历史真实性之间平衡的争论
20.7.3. 如何在遗产修复中负责任地使用人工智能的示例

20.8. 人工智能遗产保护的创新与未来

20.8.1. 新兴人工智能技术及其在遗产保护中的应用展望
20.8.2. 评估人工智能改变恢复和保护的潜力
20.8.3. 科技快速创新时代探讨遗产保护的未来

20.9. 利用 GIS 进行文化遗产教育和认识

20.9.1. 教育和公众意识在保护文化遗产中的重要性
20.9.2. 利用地理信息系统（GIS）促进对遗产的欣赏和了解
20.9.3. 利用技术教授文化遗产的成功教育和推广活动

20.10. 遗产保护与修复的挑战与未来

20.10.1. 确定当前文化遗产保护面临的挑战
20.10.2. 技术创新和人工智能在未来保护和恢复实践中的作用
20.10.3. 关于未来几十年技术将如何改变遗产保护的观点

您将通过学术市场上最好的教材，深入研究数字制造技术和机器人技术在建筑中的使用，以及建筑遗产的保护”