【福利】深度学习重磅来袭，直击数据科学最前沿！

深度学习【第三期】

李伟， 美国纽约城市大学博士

研究领域包括深度学习，计算机视觉，人脸计算以及人机交互，即将毕业加入美国顶级云计算平台人工智能研究组。在CVPR，ECCV等顶级会议上发表了多篇学术文章，同时他还是WACV，ACCV，ECCV等重要视觉会议以及MVA，CVIU等期刊的审稿人。

本次的深度学习课程主要包括三大部分：

1. 深度学习核心原理。了解深度学习运行的最核心数学原理，从而对后续的知识点扩展，模型设计与优化技能打下基础。

2. 深度学习知识点连接。会涵盖主流的深度学习研究工程应用中碰到的大部分知识点，与大部分学习资料孤立进行知识点介绍不同，会结合主讲人自身总结找到所有知识点之间的联系，便于系统掌握。

3. 介绍不同知识点的代表应用。结合所学的原理以及知识点，介绍比较重要的图像和语言方面的应用，如增强学习，迁移学习，GAN等， 方便学员针对自身兴趣的目标进行强化训练。

1.  想了解和学习深度学习的学习者

2.  想学习深度学习的相关从业人员

3.  想转行从事深度的学习者

通过本课程的学习，学员将会收获：

1.  帮助学员系统性的掌握深度学习的基本原理，以及从基本概念到各个先进模型的转化思路

2.  了解研究过程中定义问题设计模型的思路

3.  培养学员面对工程及学术问题的思考解决能力

4.  快速积累深度学习项目经验

2017年3月4日开课

在线直播，共10次

每周2次（周六、日晚上20:00-22:00）

直播后提供录制回放视频，可在线反复观看，有效期1年

第一课 深度学习总体介绍

1. 神经网络：传统到现代

2. 深度学习应用特点

3. 深度学习发展方向

4. 深度学习框架比较：用Tensorflow进行课程学习

第2课 传统神经网络

1. 线性回归

2. 非线性激励函数

3. loss 函数，常见问题：过拟合，正则化，dropout

   实例：传统神经网络络实现

第3课 反向反馈：深度学习模型优化基础

1. SGD 梯度下降介绍

2. 神经网络的梯度优化

3. 神经网络训练

   实例：反向梯度优化对比

第4课 卷积神经网络

1. 卷积核以及卷积层

2. AlexNet 最早的现代神经网络

3. VGG，GoogleNet,，ResNet. 近期的高级网络

   实例：利用已有模型进行物体分类／特征提取

第5课  迁移学习

1. 理论分析

2. 迁移模型&原始训练模型

3. 如何设计新的的网络

   实例：表情识别／人脸识别／动物识别

第6课 与时域信息相关的深度学习

1. RNN    

2. LSTM

3. 图片标题生成

4. 视频处理

   实例：LSTM用于图片标题生成

第7课 自然语言处理

1. 处理之前：speech to text

2. 词语表达，word2vect

3. 语句生成LSTM

   实例：根据上下文回答问题

第8课 给予深度学习的目标检测

1. 传统的目标检测方法

2. 初代算法： Region CNN

3. 升级： SPP Net， Fast RCNN， Faster RCNN

4. 深度学习另辟蹊径： YoLo 和SSD

   实例： 自动驾驶的核心：实时目标检测

第9课 深度卷积神经网络的重要应用

1. 图片问答

2. 图像模式转换

3. 图像高清化

4. 围棋程序， Alpha go

5. 自动游戏机器人，DeepMind Atari

   实例： 图片艺术风格转化

第10课：无监督学习：对抗网络GAN

1. 传统无监督学习 Autoencode，K Means，Sparse Coding

2.  RBM 限制博斯曼机，深度学习的另一支

3. 生成对抗网络 GAN

   实例： 机器生成图片，以假乱真