一、深度學(xué)習(xí)Deep Learning基礎(chǔ)和基本思想
? |
1，人工智能概述、計(jì)算智能、類腦智能
3，機(jī)器學(xué)習(xí)概述、記憶學(xué)習(xí)、歸納學(xué)習(xí)、統(tǒng)計(jì)學(xué)習(xí)
4，深度學(xué)習(xí)的前生今世、發(fā)展趨勢(shì)
5，人工神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)、BP算法 、Hessian矩陣、結(jié)構(gòu)性特征表示 |
二、深度學(xué)習(xí)Deep Learning基本框架結(jié)構(gòu) |
1，Caffe????????????2，Tensorflow
3，Torch????????????4，MXNet |
三，深度學(xué)習(xí)Deep Learning-卷積神經(jīng)網(wǎng)絡(luò) |
1，CNN卷積神經(jīng)網(wǎng)絡(luò)
卷積層（一維卷積、二維卷積）、池化層（均值池化、大池化）
全連接層 ???激活函數(shù)層 ???Softmax層
2，CNN卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)
R-CNN （SPPNET） ?Fast-R-CNN??Faster-R-CNN （YOLO、SSD）
3，深度學(xué)習(xí)的模型訓(xùn)練技巧
4，梯度下降的優(yōu)化方法詳解 |
四，深度學(xué)習(xí)Deep Learning-循環(huán)神經(jīng)網(wǎng)絡(luò) |
1，?RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
梯度計(jì)算 ???BPTT
2，RNN循環(huán)神經(jīng)網(wǎng)絡(luò)改進(jìn)
LSTM??????GRU?????Bi-RNN??Attention based RNN
3，RNN實(shí)際應(yīng)用 ???Seq2Seq的原理與實(shí)現(xiàn) ??? |
五、強(qiáng)化學(xué)習(xí) |
1，強(qiáng)化學(xué)習(xí)的理論知識(shí) ?
2，經(jīng)典模型DQN講解
2，?AlphaGo原理講解 ???
3，?RL實(shí)際應(yīng)用；實(shí)現(xiàn)一個(gè)AlphaGo |
六，對(duì)抗性生成網(wǎng)絡(luò) |
1，?GAN的理論知識(shí) ??
2，?GAN經(jīng)典模型CGAN，LAPGAN，DCGAN
3，GAN經(jīng)典模型 ?INFOGAN，WGAN，S2-GAN
4，GAN實(shí)際應(yīng)用 ?DCGAN提高模糊圖片分辨率
5，GAN實(shí)際應(yīng)用 ?InfoGAN做特定的樣本生成 |
七、遷移學(xué)習(xí) |
1，遷移學(xué)習(xí)的理論概述
2，遷移學(xué)習(xí)的常見(jiàn)方法
特征、實(shí)例、數(shù)據(jù)、深度遷移、強(qiáng)化遷移、研究案例 |
八、CNN應(yīng)用案例 |
1，CNN與手寫(xiě)數(shù)字集分類
2，YOLO實(shí)現(xiàn)目標(biāo)檢測(cè)
3，PixelNet原理與實(shí)現(xiàn)
4，利用卷積神經(jīng)網(wǎng)絡(luò)做圖像風(fēng)格結(jié)合 |
九、深度學(xué)習(xí)Deep Learning的常用模型或者方法 |
1，AutoEncoder自動(dòng)編碼器
2，Sparse Coding稀疏編碼
3，Restricted Boltzmann Machine(RBM)限制波爾茲曼機(jī)
4，Deep BeliefNetworks深信度網(wǎng)絡(luò)
5，Convolutional Neural Networks卷積神經(jīng)網(wǎng)絡(luò) |
十、輔助課程 |
（1）疑難解答、分組討論；
（2）關(guān)鍵問(wèn)題解析； |
合作伙伴與授權(quán)機(jī)構(gòu)
shuhaipeixun
1299983702
總部李老師
