课程难度
中级
已经参加学习的人数
298
课程主讲师
雷老师
学习次数
44899
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 |
第 1 集机器学习与数学基础知识
第 2 集人工神经网络1
第 3 集人工神经网络2
第 4 集深度学习简介
第 5 集自动编码器
第 6 集受限玻尔兹曼机
第 7 集卷积神经网络1
第 8 集卷积神经网络2
第 9 集卷积神经网络3
第 10 集卷积神经网络4
第 11 集卷积神经网络5
第 12 集循环神经网络1
第 13 集循环神经网络2
第 14 集循环神经网络3
第 15 集循环神经网络4
第 16 集生成对抗网络1
第 17 集生成对抗网络2
第 18 集深度强化学习1
第 19 集深度强化学习2
第 20 集深度强化学习3
第 21 集实践项目
第 22 集深度学习总结
雷老师
硕士,毕业于清华大学计算机系。人工智能和机器学习领域资深专家。前知名智能硬件与智能家居公司CTO,前百度高级工程师、项目经理,有超过12年的机器学习、机器视觉、自然语言处理学术研究和产品研发经验。同时具备深厚的理论功底和丰富的工业经验。
Lantern
硕士,毕业于清华大学计算机系,主要负责实验平台,实践项目的技术支持,在人工智能算法、工程化方面有深厚的造诣与丰富的实际经验。
授课方式是?
为了保障课程质量,提高学习效率, 课程采用录播形式。视频精心录制与剪辑制作,时间比直播更灵活,方便随时观看学习。
学习《深度学习》,有什么要求么?
虽然在课程中会讲解深度学习中所用到的数学知识,但没有数学基础的同学,需要先修过3门基础课程:线性代数、概率论以及高等数学,同时具备基本机器学习的知识,才能更好地理解课程内容,跟上课程进度。
课程周期是多久?
为了让大家在一定时间内集中精力学习,《深度学习》课程有效期有6个月时间,对于单独学习这门课程来说,时间是充裕的。
遇到问题可以咨询么?
学习过程中遇到的任何问题都可以提出来,会有专业导师进行6个月的在线答疑,解决你学习中遇到的任何问题与困难。
如何开取发票?
购买成功后,扫描下方二维码,将具体开票信息发送给小编即可。
如何延长有效期?
课程到期后,电脑端登录官网可以续费,续费价格是官网原价的5%,有效期半年(不包括在线答疑)。注意:到期前两周内课程详情页面会出现【续费】按钮,点击按钮进行续费即可。