是時候讓最熱的「深度學習」真正落地到實際開發中了！

深度學習有多熱門根本不需多說，但是對於程序員群體，如果對深度學習的理解還停留在阿爾法狗戰勝人類圍棋高手，酷炫無人機無人駕駛這些振奮人心的新聞，或者是理解一堆深奧的數學公式和數學論證上，你可能離真正的深度學習有點遠。

深度學習不僅僅是一個人人熱捧的「高大上「的概念，每天擼代碼的程序員其實是離他最近的一群人；如何將機器學習、實時數據處理、伺服器和客戶端開發有機結合在一起，而不是片面地了解其中一個部分，通過深度學習拓寬視野並將理論快速落地到實際工作中的研發，這才是程序員與深度學習最直接最真實的關聯點。

好劍拿來舞，不是束之高閣僅供瞻仰。國內其實已經有企業開始真正應用深度學習技術用在業務發展中；比如美團點評這兩年在深度學習方面進行了一些探索。

摘選舉例 1：深度學慣用來做跟美團業務特點相關的語義匹配。比如說用戶狀態，一個在北京和另一個在武漢的用戶，在百度或淘寶上搜索任何一個詞條，得到的結果不會差太多；但是在美團這樣與地理位置強相關的場景下就會完全不一樣。比如在武漢搜「黃鶴樓」，用戶找的可能是景點門票，而在北京搜索「黃鶴樓」，用戶找的很可能是一家飯店。這樣就需要結合語言層信息和用戶意圖、狀態來做語義匹配；

摘選舉例 2：在美團點評上 App 上的廣告首圖宣傳時，如果傳統的圖像質量排序方法主要從美學角度進行質量評價，通過顏色統計、主體分布、構圖等來分析圖片的美感。但在實際業務場景中，用戶對圖片質量優劣的判斷主觀性很強，難以形成統一的評價標準。如何選擇首圖才能更好地吸引用戶呢？圖像質量排序演算法目標就是做到自動選擇更優質的首圖，以吸引用戶點擊。

如何將深度學習真正應用到開發和具體業務，需要紮實，深入，系統地學習深度學習的應用；StuQ 推出 60 課時（長達 40 小時）《深度神經網路實戰——從 0 到 1 構建深度學習、海量數據實時分析系統》大課，在 3－4 個月學習周期內集中系統學習深度學習的思想方法和編碼應用；20 小時講方法，20 小時講編程，一半聽一半編程，真正將機器學習、實時數據處理、伺服器和客戶端開發有機結合在一起，幫助學員既可了解機器學習，夯實基礎，又能將機器學習充分應用到實際開發中，實現技能進階。

課程簡介

開班時間：2017 年 7 月 1 日

上課周期：10 周共 60 課時（1 課時 =40 分鐘）

上課時間：暫定每周二 & 周六 20:30-22:30

學習形式：直播視頻講解 + QQ 學員群交流答疑

課程大綱

模塊 1：深度學習的思想與方法

掌握規律和本質才會事半功倍，真正的授之以漁！

一、基礎篇（8 小時）

1、機器學習基礎

機器學習簡介

機器學習的主要任務

基本演算法介紹

2、常用軟體集合和環境配置

為什麼選擇用 Python

Python

NumPy

sckit-learn

3、數據分組和關聯分析演算法

通過 Python 實現 K-means 演算法

通過 Python 實現 Apriori 演算法

通過 Python 實現 FP-growth 演算法

4、分類器

決策樹（包含實戰優化方法）

K- 鄰近演算法（KNN）

支持向量機（SVM）

貝葉斯網路

樸素貝葉斯演算法

貝葉斯網路

二、神經網路篇（3 小時）

1、神經網路

神經網路簡介

正向傳播演算法

矢量化編程

神經網路向量化（有實際寫代碼部分內容）

2、稀疏自編碼器

稀疏自編碼器簡介

反向傳播演算法

自編碼演算法與稀疏性

訓練結果可視化

實踐

3、數據預處理

主成分分析（PCA）

白化

實踐

4、Softmax 回歸

Softmax 回歸

實踐

5、 自我學習

三、深度學習篇（3 小時）

1、深度網路簡介

簡介

深度網路優勢

訓練的困難

逐層貪婪訓練方法

2、自編碼演算法（AE）

棧式自編碼演算法

微調多層自編碼演算法

3、大型圖片處理

線性解碼器

全聯通與部分聯通網路

卷積（Convolution）

池化（Pooling）

卷積神經網路（CNN）

四、C++ 編程篇（6 小時）

1、C++11 與 C++14

基於 Socket 的通信

C++ 中的內存與資源管理

編碼

C++ 98 的編碼缺陷

C++ 14 編碼支持（包含實戰）

進程間通信

2、高性能 C++ 伺服器編程 基礎 - 高效的內存管理和數據調度

輕量級分身——線程

C++14 線程

競爭問題與解決方案

多線程優化

非同步 I/O

內存分配與內存碎片

tcmalloc

內存池

3、高性能 C++ 伺服器編程 進階 - 如何充分利用 CPU 和 GPU

OpenMP

OpenBLAS

OpenCL

CUDA

模塊 2：深度學習的編程實戰模塊

20 小時代碼實戰演練，上手做比聽再多都有用

五、編程實戰篇（20 小時）

1、雲端伺服器架構設計

2、通信系統設計

3、通過 Caffe 實現深度神經網路

為什麼是 Caffe？

準備 Caffe 依賴

編譯 Caffe（Linux 和 macOS）

使用 Caffe 訓練手寫數字識別

使用 Caffe 訓練 AutoEncoder

調用 Caffe 使用訓練後的模型

4、通過 Hurricane 實時處理系統實現分布式網路拓撲

實現 Spout：獲取數據

實現 Bolt：預處理

實現 Bolt：調用 Caffe

5、實戰：基於循環神經網路的圖片全解析度壓縮

再看 AutoEncoder

利用 AutoEncoder 實現圖像壓縮

RNN（循環神經網路）介紹

利用 RNN 優化圖像壓縮

實踐：編寫收集訓練數據的高性能分布式爬蟲

實踐：整理訓練數據集

實踐：在 Caffe 中實現 RNN

實踐：訓練與測試

實踐：壓縮介面設計與封裝

實踐：Web 伺服器搭建

實踐：計算服務搭建

實踐：完成深度學習服務

6、 基於 macOS 開發的雲服務客戶端

送你價值200元 本課程優惠碼【FCXTG3BGYX】，僅限使用 10 次

了解課程詳情請諮詢人工小助手

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！