一、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
3，機器學習概述、記憶學習、歸納學習、統計學習
4，深度學習的前生今世、發展趨勢
5，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 |
二、深度學習Deep Learning基本框架結構 |
1，Caffe????????????2，Tensorflow
3，Torch????????????4，MXNet |
三，深度學習Deep Learning-卷積神經網絡 |
1，CNN卷積神經網絡
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 ???激活函數層 ???Softmax層
2，CNN卷積神經網絡改進
R-CNN （SPPNET） ?Fast-R-CNN??Faster-R-CNN （YOLO、SSD）
3，深度學習的模型訓練技巧
4，梯度下降的優化方法詳解 |
四，深度學習Deep Learning-循環神經網絡 |
1，?RNN循環神經網絡
梯度計算 ???BPTT
2，RNN循環神經網絡改進
LSTM??????GRU?????Bi-RNN??Attention based RNN
3，RNN實際應用 ???Seq2Seq的原理與實現 ??? |
五、強化學習 |
1，強化學習的理論知識 ?
2，經典模型DQN講解
2，?AlphaGo原理講解 ???
3，?RL實際應用；實現一個AlphaGo |
六，對抗性生成網絡 |
1，?GAN的理論知識 ??
2，?GAN經典模型CGAN，LAPGAN，DCGAN
3，GAN經典模型 ?INFOGAN，WGAN，S2-GAN
4，GAN實際應用 ?DCGAN提高模糊圖片分辨率
5，GAN實際應用 ?InfoGAN做特定的樣本生成 |
七、遷移學習 |
1，遷移學習的理論概述
2，遷移學習的常見方法
特征、實例、數據、深度遷移、強化遷移、研究案例 |
八、CNN應用案例 |
1，CNN與手寫數字集分類
2，YOLO實現目標檢測
3，PixelNet原理與實現
4，利用卷積神經網絡做圖像風格結合 |
九、深度學習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深信度網絡
5，Convolutional Neural Networks卷積神經網絡 |
十、輔助課程 |
（1）疑難解答、分組討論；
（2）關鍵問題解析； |
合作伙伴與授權機構
總部李老師
