深度学习-课程详情

课程特色

内容系统全面，从入门到精通

讲授神经网络的思想起源、神经元原理、神经网络的结构和本质、正向传播算法、链式求导及反向传播算法、神经网络怎么用于实际问题等	人工神经网络1 难度值：
讲授机器学习面临的挑战、人工特征的局限性、为什么选择神经网络、深度学习的诞生和发展、典型的网络结构、深度学习在机器视觉、语音识别、自然语言处理、推荐系统中的应用	深度学习简介难度值：
讲授玻尔兹曼分布、玻尔兹曼机的网络结构、实际应用、训练算法、深度玻尔兹曼机等	受限玻尔兹曼机难度值：
讲授Lenet、Alexnet、VGGNet、GoogLeNet、Inception模块、小尺度卷积核、1x1卷积核、使用反卷积实现卷积层可视化等	卷积神经网络2 难度值：
讲授人脸检测算法包括CascadeCNN、DenseBox、MTCNN和人脸识别算法包括DeepFace、DeepID等	卷积神经网络4 难度值：
讲授时间序列预测问题、神经网络的记忆功能、循环层的原理、输出层的原理、深层网络、BPTT算法等	循环神经网络1 难度值：
讲授语音识别问题简介、GMM-HMM框架、RNN-CTC框架、深层网络等	循环神经网络3 难度值：
讲授数据生成问题、生成对抗网络的思想和结构、生成器、判别器、目标函数、实际应用等	生成对抗网络1 难度值：
讲授深度强化学习的基本概念、典型应用、马尔可夫决策过程、测量函数、累计回报、价值函数、贝尔曼最优性方程、时序查分算法、Q学习等	深度强化学习1 难度值：
讲授策略函数逼近、策略梯度算法的核心思想、网络结构、训练样本与目标函数的构造、策略梯度定理、网络的训练	深度强化学习3 难度值：
	深度学习总结难度值：

机器学习与数学基础知识难度值：	讲授机器学习中的基本概念和算法、分类，以及微积分、线性代数、概率论、最优化方法等数学基础知识
人工神经网络2 难度值：	讲授神经网络的理论解释、实现细节包括输入与输出值的设定、网络规模、激活函数、损失函数、初始化、正则化、学习率的设定、实际应用等
自动编码器难度值：	讲授自动编码的基本思想和网络结构、在特征提取中的应用、去噪自动编码器、稀疏自动编码器、收缩自动编码器、多层自动编码器
卷积神经网络1 难度值：	讲授卷积神经网络核心思想、卷积层、池化层、全连接层、网络的训练、反向传播算法、随机梯度下降法、AdaGrad算法、RMSProp算法、AdaDelta算法、Adam算法、迁移学习和fine tune等
卷积神经网络3 难度值：	讲授卷积神经网络面临的挑战包括梯度消失、退化问题，和改进方法包括卷积层、池化层的改进、激活函数、损失函数、网络结构的改进、残差网络、全卷机网络、多尺度融合、批量归一化等
卷积神经网络5 难度值：	讲授通用目标检测算法包括R-CNN、SPP网络、Fast R-CNN、RPN网络、YOLO、SSD等，图像语义分割算法包括FCN、SegNet、编码器-解码器结构，风格迁移算法
循环神经网络2 难度值：	讲授LSTM、GRU、双向循环神经网络、序列标注问题、CTC、seq2seq、编码器解码器结构等
循环神经网络4 难度值：	讲授自然语言处理简介、RNN解决NLP问题的一般思路、中文分词、词性标注、命名实体识别、文本分类、机器翻译等具体问题
生成对抗网络2 难度值：	讲授GAN的改进包括条件GAN、深度卷积GAN、InfoGAN、SRGAN等
深度强化学习2 难度值：	讲授深度强化学习简介、用神经网络拟合价值函数、DQN基本思想、网络结构、训练方法等
实践项目难度值：	讲授所有实践项目，包括：用AlexNet实现MNIST数据集分类，用GoogLeNet实现图像分类，用残差网络实现图像分类，用Faster R-CNN实现目标检测，用YOLO/SSD/FPN实现目标检测，MTCNN人脸检测模型训练，Arc Loss人脸识别模型训练，用FCN实现图像分割，训练RNN中文分词模型，训练seq2seq机器翻译模型，用DQN实现游戏控制，用策略梯度网络实现运动控制，训练生成对抗网络。涵盖计算机视觉，自然语言处理，深度强化学习等重点领域