? 培訓(xùn)目標：
1、本次深度學(xué)習(xí)培訓(xùn)采用深入淺出的方法，結(jié)合實例，重點講解Deep Learning框架模型、科學(xué)算法、訓(xùn)練過程技巧，使學(xué)員更有效的掌握Deep Learning核心技術(shù)及動手能力;
2、通過本次課程的學(xué)習(xí)，能夠把握深度學(xué)習(xí)的技術(shù)發(fā)展趨勢，可以熟練掌握深度學(xué)習(xí)核心技術(shù)、主要模型、實踐技巧、并配以大量代碼練習(xí)，同時針對工作中存在的疑難問題進行分析講解和專題討論，有效的提升學(xué)員解決復(fù)雜問題的能力;
培訓(xùn)課程：
一、深度學(xué)習(xí)Deep Learning基礎(chǔ)和基本思想
1，人工智能概述、計算智能、類腦智能
3，機器學(xué)習(xí)概述、記憶學(xué)習(xí)、歸納學(xué)習(xí)、統(tǒng)計學(xué)習(xí)
4，深度學(xué)習(xí)的前生今世、發(fā)展趨勢
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、最大池化)
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
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)
梯度計算 BPTT
2，RNN循環(huán)神經(jīng)網(wǎng)絡(luò)改進
LSTM GRU Bi-RNN Attention based RNN
3，RNN實際應(yīng)用 Seq2Seq的原理與實現(xiàn)
五、強化學(xué)習(xí)
1，強化學(xué)習(xí)的理論知識
2，經(jīng)典模型DQN講解
2， AlphaGo原理講解
3， RL實際應(yīng)用;實現(xiàn)一個AlphaGo
六，對抗性生成網(wǎng)絡(luò)
1， GAN的理論知識
2， GAN經(jīng)典模型CGAN，LAPGAN，DCGAN
3，GAN經(jīng)典模型 INFOGAN，WGAN，S2-GAN
4，GAN實際應(yīng)用 DCGAN提高模糊圖片分辨率
5，GAN實際應(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)的常見方法
特征、實例、數(shù)據(jù)、深度遷移、強化遷移、研究案例
八、CNN應(yīng)用案例
1，CNN與手寫數(shù)字集分類
2，YOLO實現(xiàn)目標檢測
3，PixelNet原理與實現(xiàn)
4，利用卷積神經(jīng)網(wǎng)絡(luò)做圖像風格結(jié)合
九、深度學(xué)習(xí)Deep Learning的常用模型或者方法
1，AutoEncoder自動編碼器
2，Sparse Coding稀疏編碼
3，Restricted Boltzmann Machine(RBM)限制波爾茲曼機
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)鍵問題解析;
