('小象学院深度学习四期',)


('小象学院深度学习四期',)
                                                    小象学院深度学习四期
2017年4月28日开课的最新课程
课程名称:
《深度学习》第四期
主讲老师:
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。
课程简介:
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。
面向人群:
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
学习收益:
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
开课时间:
2017年4月28日
学习方式:
在线直播,共10次课,每次2小时
每周2次(周六、日,下午20:00 - 22:00)
重要提示:(因为五一假期听课,第一课移至4月28日,后续维持周末上课不变)
直播后提供录制回放视频,可在线反复观看,有效期1年
课程大纲:
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
5. 实例:Tensorflow基础
第二课 传统神经网络
1. 神经网络起源:线性回归
2. 从线性到非线性:非线性激励
3. 神经网络的构建:深度广度复杂度扩展
4. 神经网络的“配件”:损失函数,学习率,动量,过拟合
5. 实例: 传统神经网络实现
第三课 卷积神经网络-基础篇
1. 链式反向梯度传导
2. 卷积神经网络-卷积层:正向反向推导
3. 卷积神经网络-功能层:非线性激励,降维,归一化,区域分割,区域融合
4. 实例:简单卷积神经网络运行
第四课 卷积神经网络-高级篇
1. AlexNet 最早的现代神经网络
2. VGG,GoogleNet,,ResNet. 近期的高级网络
3. Deepface 结构化图像网络
4. U-Net 深度图片生成网络:逆卷积作用
5. 实例:利用已有模型进行物体分类/特征提取
第五课 卷积神经网络-目标分类
1. 目标分类基本框架
2. 迁移学习
3. 个人研究分享:如何设计新的的网络
4. 实例训练:表情识别/人脸识别/动物识别
第六课 卷积神经网络-目标探测
1. 目标探测介绍
2. 传统方法总结-DPM
3. RCNN 系列:RCNN,Fast RCNN,Faster RCNN
4. YoLo系列
5. 实例:目标探测模型训练/部署
第七课 递归神经网络
1. RNN基本原理
2. 升级版RNN:LSTM
3. 语言特征提取 Word2Vec
4. 实例:LSTM用于语句生成
第八课 递归网络卷积网络结合: CNN+RNN
2. 图片标注:学会看图说话
3. 视频分类:时间信号帮助更多
4. 图片问答:对话机器人升级版
5. 实例:图片标注实例
第九课 生成对抗网络:GAN
1. GAN原理基础
2. 深度GAN:GAN +深度学习
3. 条件GAN:生成图片由我控制
4. info GAN:无监督找特征
5. Wasserstein GAN:理论创新
6. 实例:Pix2Pix 自定义图片生成
第十课 增强学习
1. 增强学习基础
2. DQN 深度增强学习
3. DQN 改进模型
4. A3C 模型:高效游戏机器人
5. 实例:DQN用于Atari游戏学习
立 即 下 载

相关资源

发表评论

点 击 提 交