2018深度学习DeepLearning核心技术开发与应用培训班

一、深度学习Deep Learning基础和基本思想

1，人工智能概述、计算智能、类脑智能

2，机器学习概述、记忆学习、归纳学习、统计学习

3，深度学习的前生今世、发展趋势

4，人工神经网络、前馈神经网络、BP算法 、Hessian矩阵、结构性特征表示

二、深度学习Deep Learning基本框架结构

1，Caffe            2，Tensorflow

3，Torch            4，MXNet

三，深度学习Deep Learning-卷积神经网络

1，CNN卷积神经网络

卷积层（一维卷积、二维卷积）、池化层（均值池化、最大池化）

全连接层    激活函数层    Softmax层

2，CNN卷积神经网络改进

R-CNN （SPPNET）  Fast-R-CNN  Faster-R-CNN （YOLO、SSD）

3，深度学习的模型训练技巧

4，梯度下降的优化方法详解

四，深度学习Deep Learning-循环神经网络

1， RNN循环神经网络

梯度计算    BPTT          

2，RNN循环神经网络改进

LSTM      GRU     Bi-RNN  Attention based RNN

3，RNN实际应用    Seq2Seq的原理与实现   

五、强化学习

1，强化学习的理论知识 

2，经典模型DQN讲解

2， AlphaGo原理讲解   

3， RL实际应用；实现一个AlphaGo

六，对抗性生成网络

1， GAN的理论知识  

2， GAN经典模型CGAN，LAPGAN，DCGAN

3，GAN经典模型  INFOGAN，WGAN，S2-GAN

4，GAN实际应用  DCGAN提高模糊图片分辨率

5，GAN实际应用  InfoGAN做特定的样本生成

七、迁移学习

1，迁移学习的理论概述

2，迁移学习的常见方法

特征、实例、数据、深度迁移、强化迁移、研究案例

八、CNN应用案例

1，CNN与手写数字集分类

2，YOLO实现目标检测

3，PixelNet原理与实现

4，利用卷积神经网络做图像风格结合

九、深度学习Deep Learning的常用模型或者方法

1，AutoEncoder自动编码器

2，Sparse Coding稀疏编码

3，Restricted Boltzmann Machine(RBM)限制波尔兹曼机

4，Deep BeliefNetworks深信度网络

5，Convolutional Neural Networks卷积神经网络

十、辅助课程

（1）疑难解答、分组讨论；

（3）关键问题解析；

（4）学后交流、微信群、QQ群建立；