頂會審稿人領你打開深度學習的大門
立即參團
原價
¥899.00
100人以上
¥399.00
目前已達最低價
文末加客服二維碼參團
《深度學習》第五期
課程簡介:
本次的深度學習課程主要包括三大部分:
1) 深度學習核心原理。了解深度學習運行的最核心數學原理,從而對後續的知識點擴展,模型設計,與優化技能打下基礎。
2) 深度學習知識點連接。會涵蓋主流的深度學習研究工程應用中碰到的大部分知識點,與大部分學習資料孤立進行知識點介紹不同,會結合主講人自身總結找到主要知識點之間的聯繫,便於系統掌握與後續學習。
3) 介紹不同知識點的代表應用。結合所學的原理以及實例,講解近期較為重要的圖像與語言領域的應用,
如增
強學習(Reinforcement Learning),遷移學習(Transfer Learning),無監督式學習(Unsupervised Learning)下的生成式對抗網路(Generative Adverserial Networks, GANs),注意力機制模型(Attention Model)
等, 方便學員針對自身興趣的目標進行強化訓練提升。
主講老師:
戎雪健
美國紐約城市大學博士
研究領域包括深度學習,計算機視覺,與圖像處理等,尤其是自然場景文字檢測與識別方向。在CVPR,ECCV等頂級會議上發表了多篇學術論文,同時他還是CVPR,ICCV,BMVC,WACV等重要視覺會議以及TMM,TIP,CVIU,JVCI等期刊的審稿人。
開課時間:
2017年9月9日
學習方式:
在線直播,共10次
每周2次(
周六、日晚上20:00-22:00
)直播後提供錄製回放視頻,在線反覆觀看,有效期1年
課程大綱
第一課:深度學習的總體介紹
1. 神經網路:從傳統到現代
2. 深度學習應用特點
3. 深度學習發展方向
4. 深度學習流行框架比較 :用TensorFlow進行課程實例學習與工程部署
5. 實例:深度學習環境配置,TensorFlow基礎/進階/示例,PyTorch基礎
第二課:傳統神經網路
1. 神經網路起源:線性回歸
2. 從線性到非線性:非線性激勵
3. 神經網路的構建:深度廣度複雜度擴展
4. 神經網路的「配件」:損失函數,學習率,動量,過擬合等
5. 多層感知器
6. 實例:
線性回歸與邏輯回歸模型 (TensorFlow, PyTorch)
第三課: 卷積神經網路:基礎篇
1. 鏈式反向梯度傳導
2. 卷積神經網路-卷積層:正向反向推導
3. 卷積神經網路-功能層:激活函數,降維,歸一化,池化,區域分割
4. 實例:簡單卷積神經網路訓練與運行 (TensorFlow, PyTorch)
第四課:
卷積神經網路:高級篇
1. AlexNet:最早的現代神經網路
2. VGG,GoogleNet,ResNet,DenseNet: 近期的高級卷積網路模型
3. U-Net:深度圖片生成網路
4. 實例:利用預訓練模型進行物體分類/特徵提取 (TensorFlow, PyTorch)
第五課:卷積神經網路:目標分類與識別
1. 目標分類與識別任務介紹
2. 傳統分類識別方法總結
3. ImageNet與PASCAL VOC資料庫
3. 遷移學習
4. 個人研究分享:如何設計新的的網路
5. 實例訓練:物體識別/場景識別/文字識別 (TensorFlow)
第六課: 卷積神經網路:目標檢測與追蹤
1. 目標檢測與追蹤任務介紹
2. 基於手動設計特徵的傳統目標檢測追蹤方法總結
3. 目標檢測:RCNN,Fast-RCNN,Faster-RCNN, FPN系列
4. 目標檢測:YOLO,SSD,YOLO9000系列
5. 目標追蹤:Hierarchical Features, Tracking with FCNs系列
6. TensorFlow官方目標檢測介面:Object Detection API
7.
個人研究分享:
自然場景文本檢測識別領域的最新方法與動向
8.
實例:目標檢測模型訓練/部署 (TensorFlow)
第七課:卷積神經網路:目標分割
1. 目標分割任務介紹
2. 傳統圖片分割方法總結
3. 全卷積網路
4. 圖像語義分割
5. 圖像實例分割
6. 目標分割:FCIS, Mask-RCNN系列
7.
業界應用
:目標分類/檢測/分割模型在自動駕駛與無人車中的應用
8.
實例:目標分割模型訓練/部署 (TensorFlow)
第八課: 循環神經網路
1. RNN基本原理
2. 改進版RNN:門限循環單元
3. 改進版RNN:長短期記憶單元
4. 語言特徵提取
5. 編碼器 + 解碼器結構
6. 注意力機制模型
7. 圖片標註:學會看圖說話
8. 圖片問答:學會看圖推理
9.
業界應用
:Language and Vision,語言文字與圖像的結合應用
10. 實例:圖片標註與圖片問答實例 (TensorFlow, PyTorch)
第九課:無監督式學習
1. 無監督式學習:以生成式模型為例
2.
生成式對抗網路:( GANs)
3. DCGAN:GAN +深度學習
4. Conditional GAN: 生成圖片由我控制
5. InfoGAN: 無監督找特徵
6. Wasserstein GAN: 理論創新
7. 實例:Pix2Pix/CycleGAN 自定義圖片生成 (TensorFlow, PyTorch)
第十課:增強學習
1. 增強學習基礎
2. DQN 深度增強學習
3. DQN 改進模型
4. A3C模型: 高效遊戲機器人
5. ELF模型:簡化版《星際爭霸》,人工智慧遊戲測試平台
6. 實例: DQN用於Atari遊戲學習 (TensorFlow)
常見問題:
Q
:
參加本門課程有什麼要求
?A:
本課程不需要任何先修課程,保證了從入門到精通的節奏感。
Q: 課程中需要什麼環境?
A:
開發環境以GNU Linux (Ubuntu)為主,深度學習訓練與測試需要符合CUDA要求的Nvidia顯卡,建議最低 Nvidia Geforce GTX 1060,有條件的盡量 GTX 1080或1080 Ti, 如果有GTX Titan X 更好
掃碼加客服報名,諮詢↓
※Python 標準庫筆記:string模塊
※那些有趣/用的 Python 庫,15篇 Python 技術熱文
※Python 判斷文件是否存在的三種方法
※Greenlet 詳解
TAG:Python開發者 |