          深度學(xué)習(xí)及其應(yīng)用培訓(xùn)

01
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
理解前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、梯度下降法以及網(wǎng)絡(luò)訓(xùn)練調(diào)優(yōu)的基本方法，并能應(yīng)用前饋神經(jīng)網(wǎng)絡(luò)解決實(shí)際問(wèn)題。

1.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
1.2 BP神經(jīng)網(wǎng)絡(luò)
1.3 銀行客戶流失預(yù)測(cè)
1.4 銀行客戶流失實(shí)驗(yàn)
1.5 新聞分類實(shí)驗(yàn)
1.6 阿里云天池AI實(shí)驗(yàn)平臺(tái)簡(jiǎn)介
02
深度學(xué)習(xí)在人工智能中的應(yīng)用
通過(guò)眾多的案例，了解深度學(xué)習(xí)的典型應(yīng)用場(chǎng)景。

2.1 深度學(xué)習(xí)在人工智能中的應(yīng)用（一）
2.2 深度學(xué)習(xí)在人工智能中的應(yīng)用（二）
2.3 深度學(xué)習(xí)在人工智能中的應(yīng)用（三）
2.4 深度學(xué)習(xí)在人工智能中的應(yīng)用（四）
03
卷積神經(jīng)網(wǎng)絡(luò)
理解卷積的內(nèi)涵，熟悉經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。

3.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
3.2 卷積與感受野機(jī)制
3.3 卷積的概念和特征
3.4 圖像編碼與卷積
3.5 卷積操作
3.6 卷積特征圖及計(jì)算
3.7 多通道卷積
3.8 池化操作
3.9 Lenet5卷積神經(jīng)網(wǎng)絡(luò)
3.10 完整的卷積神經(jīng)網(wǎng)絡(luò)過(guò)程
3.11 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
3.12 圖像分類
3.13 股票預(yù)測(cè)實(shí)驗(yàn)（卷積版）
3.14 手勢(shì)體識(shí)別實(shí)驗(yàn)
04
典型卷積神經(jīng)網(wǎng)絡(luò)算法
熟悉常用的幾種卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。

4.1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型
4.2 VGG卷積神經(jīng)網(wǎng)絡(luò)模型
4.3 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)模型
4.4 ResNet卷積神經(jīng)網(wǎng)絡(luò)模型
4.5 動(dòng)物識(shí)別實(shí)驗(yàn)
05
循環(huán)神經(jīng)網(wǎng)絡(luò)
理解循環(huán)神經(jīng)網(wǎng)絡(luò)以及變種LSTM、GRU的結(jié)構(gòu)、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。

5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本原理
5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
5.3 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型
5.4 股票預(yù)測(cè)實(shí)驗(yàn)（LSTM版）
5.5 情感識(shí)別分類實(shí)驗(yàn)
06
目標(biāo)檢測(cè)
理解目標(biāo)檢測(cè)的羈絆概念、基本原理以及典型的目標(biāo)檢測(cè)算法，能用這些算法于典型的應(yīng)用場(chǎng)景。

6.1 目標(biāo)檢測(cè)概況
6.2 目標(biāo)檢測(cè)的基本概念
6.3 目標(biāo)檢測(cè)發(fā)展
6.4 基于候選區(qū)域的目標(biāo)檢測(cè)
6.5 Fast R-CNN目標(biāo)檢測(cè)算法
6.9 Faster R-CNN目標(biāo)檢測(cè)算法
6.6 Yolo目標(biāo)檢測(cè)算法
6.7 目標(biāo)檢測(cè)案例解析
6.8 RetinaNet和UNet算法
6.9 物體檢測(cè)實(shí)驗(yàn)
6.10 車道檢測(cè)實(shí)驗(yàn)
07
生成對(duì)抗網(wǎng)絡(luò)
理解生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。

7.1 生成對(duì)抗網(wǎng)絡(luò)基本原理
7.2 Encoder-Decoder模型
7.2 生成對(duì)抗網(wǎng)絡(luò)算法DCGAN
7.4 生成對(duì)抗網(wǎng)絡(luò)算法應(yīng)用
7.5 手寫體生成
7.6 CycleGAN算法
7.7 WassersteinGAN算法
7.8 畫風(fēng)轉(zhuǎn)移實(shí)驗(yàn)
7.9 超分辨率圖像重建實(shí)驗(yàn)
08
注意力機(jī)制
理解注意力機(jī)制的概念、常見(jiàn)的外部注意力、自注意力以及機(jī)器翻譯等典型應(yīng)用。

8.1 Seq2Seq模型
8.2 （自）注意力機(jī)制模型
8.3 Transformer模型*
8.4 BERT模型*
8.5 機(jī)器翻譯實(shí)驗(yàn)
09
深度學(xué)習(xí)應(yīng)用
學(xué)會(huì)使用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)的常用算法的應(yīng)用，解決實(shí)際問(wèn)題，并能做創(chuàng)新性的應(yīng)用。

9.1 聲音質(zhì)量評(píng)價(jià)
9.2 編碼解碼器
9.3 情感識(shí)別分類
9.4 編碼解碼器實(shí)驗(yàn)
9.5 性別年齡識(shí)別實(shí)驗(yàn)
10
高級(jí)深度學(xué)習(xí)
理解強(qiáng)化學(xué)習(xí)的基本概念和原理，了解強(qiáng)化學(xué)習(xí)的典型應(yīng)用場(chǎng)景。

10.1 強(qiáng)化學(xué)習(xí)
10.2 遷移學(xué)習(xí)
10.3 對(duì)偶學(xué)習(xí)
11
機(jī)器學(xué)習(xí)的項(xiàng)目沉浸式教與學(xué)
理解如何結(jié)合實(shí)際項(xiàng)目，強(qiáng)化機(jī)器學(xué)習(xí)和深度學(xué)習(xí)理論知識(shí)的深入理解，體會(huì)深度學(xué)習(xí)解決實(shí)際問(wèn)題的技巧和技能。

11.1 項(xiàng)目驅(qū)動(dòng)的機(jī)器學(xué)習(xí)（深度學(xué)習(xí)）之路
11.2 領(lǐng)域問(wèn)題驅(qū)動(dòng)的機(jī)器學(xué)習(xí)課程深度教學(xué)法
11.3 混合式課程建設(shè)