?
課程目標:
?
通過學習,了解機器學習、深度學習的一般概念;了解機器學習、深度學習的歷史、基本理論,典型模型,常用算法;了解機器學習及深度學習的開發流程,涉及到到的工具,平臺,調試方法等,了解深度學習的基本框架結構,caffe、tensorflow,keras等。并了解一些前沿技術發展變化趨勢。
?
課程收益:
?
1.?掌握深度學習運行環境搭建;
2.?掌握深度模型訓練和優化流程;
3.?熟知深度學習五大模型結構;
4.?在開源平臺訓練進行實戰體驗;
5.?掌握算法移植到定制芯片的整個流程。
?
授課方式
?
講師講解、互動答疑、上機實踐
實操部分,由教師演示,學員親自上手操作
?
課程大綱:
?
主題
|
內容
|
第一部分
|
深度學習Deep Learning基礎和基本思想
|
1、?人工智能概述、計算智能、類腦智能
2、?機器學習概述、記憶學習、歸納學習、統計學習
3、?深度學習的前生今世、發展趨勢
4、?人工神經網絡、前饋神經網絡、BP算法 、Hessian矩陣、結構性特征表示
|
第二部分
|
機器學習概要介紹
?
|
1.?分類分析算法介紹
a)?貝葉斯概率
b)?決策樹算法族
c)?隨機森林
d)?支持向量機
2.?回歸算法介紹
a)?多元線性回歸
b)?邏輯回歸
3.?聚類分析算法介紹
a)?K-means聚類
b)?層次聚類
4. 上機實戰
|
第三部分
?
|
深度學習介紹
|
1.?神經網絡目的
2.?神經網絡的應用場景
3.?神經網絡算法介紹
a)?感知機
b)?反向傳播算法
4.?深度學習算法介紹
a)?隨機梯度下降算法
b)?過擬合與欠擬合
c)?卷積神經網絡
d)?自動編碼器
e)?稀疏編碼
f)?限制波爾茲曼機
g)?循環神經網絡以及LSTM
5.?應用介紹
a)?人臉識別
b)?風格轉換
c)?目標檢測
6.?常見模型結構介紹
a)?Alexnet
b)?VGG
c)?Resnet
d)?GoogleNet
e)?SqueezeNet
f)?FCN
g)?上機實戰
|
第四部分
|
深度學習Deep Learning基本框架結構
|
1.?Caffe介紹
a)?軟件架構
b)?安裝以及使用方法
2.?Tensorflow介紹
a)?軟件架構
b)?安裝以及使用方法
3.?Keras介紹
a)?軟件架構
b)?安裝以及使用方法
4.?虛擬機安裝以及使用
|
第五部分
|
用TensorFlow玩轉深度學習
|
1.?TensorFlow框架架構
2.?TensorFlow Api概覽
3.?Tensorflow上手實操簡單練習
4.?親自動手使用TensorFlow逐行寫出一個手寫識別網絡
|
第六部分
|
前沿技術介紹
|
5.?強化學習
a)?強化學習的理論知識
b)?經典模型DQN講解
c)?AlphaGo原理講解
6.?對抗性生成網絡
d)?GAN的理論知識 ??
e)?GAN經典模型CGAN,LAPGAN,DCGAN
f)?GAN實際應用
7.?遷移學習
g)?遷移學習的理論概述
h)?遷移學習的常見方法
i)?上機實戰
|
第七部分
|
算法移植介紹及討論
|
1.?算法單元介紹
a)?卷積
b)?Pooling
c)?激活函數
d)?數據結構
2.?移植問題討論
|
?
以上課程可以根據客戶實際情況進行靈活調整。