《深度学习》第三期,直击数据科学最前沿 扫二维码继续学习 二维码时效为半小时

(0评价)
价格: 899.00元

 

课程名称:

 

《深度学习》 第三期
 

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3月4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,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

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

 

第二课 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

 

第三课  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

 

第四课 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

 

第五课 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

 

第六课 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

 

第七课 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

 
第八课 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

 

第九课 深度卷积神经偶的重要应用

 

      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

 

第十课 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

 

 

常见问题:
 

Q: 会有实际上机演示和动手操作吗?
A: 有,几乎每节课,老师均会准备上机演示部分,学员可以学习老师的实践经验。
Q: 参加本门课程有什么要求?
A: 有一定Python编程能力,有几本大学数学基础。

Q: 本课程怎么答疑?
A: 会有专门的QQ班级群,同学们可以针对课上知识的问题,或者自己学习与动手实践中的问题,向老师提问,老师会进行相应解答。也推荐大家到小象问答社区提问,方便知识的沉淀,老师会集中回答,不会因为QQ群信息刷屏而被老师错过。
Q: 本课程需要什么环境?
A: 开发环境主要以Ubuntu为主,深度学习训练需要有可以支持的显卡,基本要求GTX 960,有条件的尽量 GTX 1080, GTX Titan X 更好(显卡的内核数以及显存数尽量多一点)。

 

联系方式:

 

参团后,请加客服微信:13011218970

手机:13011218970

邮件:admin@chinahadoop.cn

网站:http://www.chinahadoop.cn