培訓(xùn)目標(biāo)：
1、本次培訓(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(biāo)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(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；
|
?
