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↓

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！