2018人工智能、深度学习核心理论与实战高级实操班

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. Tensorflow详解和实践

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

3. AlphaGo原理讲解    

4. RL实际应用

六，对抗性生成网络

1. GAN的理论知识   

2. GAN经典模型CGAN，LAPGAN，DCGAN

4. GAN经典模型  INFOGAN，WGAN，S2-GAN

5. GAN实际应用  DCGAN提高模糊图片分辨率

6. AN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、VAE、GAN、VAE+GAN

2. GAN的广泛应用

3. Sparse Coding稀疏编码

4. Convolutional Neural Networks卷积神经网络

5. 深度推荐模型

6. 深度文档模型

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；