《深度学习》第五期 已关闭

《深度学习》第五期 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》第五期
 

主讲老师:
 

戎雪健, 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,与图像处理等,尤其是自然场景文字检测与识别方向。在CVPR,ECCV等顶级会议上发表了多篇学术论文,同时他还是CVPR,ICCV,BMVC,WACV等重要视觉会议以及TMM,TIP,CVIU,JVCI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主要知识点之间的联系,便于系统掌握与后续学习。

      3) 介绍不同知识点的代表应用。结合所学的原理以及实例,讲解近期较为重要的图像与语言领域的应用,如增强学习(Reinforcement Learning),迁移学习(Transfer Learning),无监督式学习(Unsupervised Learning)下的生成式对抗网络(Generative Adverserial Networks, GANs),注意力机制模型(Attention Model)等, 方便学员针对自身兴趣的目标进行强化训练提升。

 

面向人群:

 

      1.  想了解和学习深度学习的学习者
      2.  想学习了解深度学习的相关从业者
      3.  未来想从事深度学习工作的求职者

 

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,结合近期研究成果,学习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.  实践与理论结合,培养学员面对工程及学术问题的思考解决能力
      4.  结合深度学习框架TensorFlow进行实例训练,快速积累深度学习工程项目经验

      5.  对有兴趣与科研需求的学员,提供轻量级深度学习框架PyTorch的讲解与指导


     

开课时间:

 

2017年9月9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:从传统到现代

    2. 深度学习应用特点

    3. 深度学习发展方向

    4. 深度学习流行框架比较 (Caffe/Caffe2, MXNet, Theano, Keras, TensorFlow, Torch/PyTorch):用TensorFlow进行课程实例学习与工程部署(对有兴趣与科研需要的学员,额外讲解用PyTorch进行快速原型开发)

    5. 实例:深度学习环境配置,TensorFlow基础/进阶/示例,PyTorch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,过拟合等

    5. 多层感知器(Multi-layer Perceptron)

    6. 实例: 线性回归与逻辑回归模型 (TensorFlow, PyTorch)

 

第三课 卷积神经网络 (Convolutional Neural Networks, CNNs) :基础篇

 

    1. 链式反向梯度传导 (Back Propagation)

    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:激活函数,降维,归一化,池化,区域分割

    4. 实例:简单卷积神经网络训练与运行 (TensorFlow, PyTorch)

 

第四课 卷积神经网络 (Convolutional Neural Networks, CNNs) :高级篇

 

    1. AlexNet:最早的现代神经网络

    2. VGG,GoogleNet,ResNet,DenseNet: 近期的高级卷积网络模型

    3. U-Net:深度图片生成网络

    4. 实例:利用预训练模型进行物体分类/特征提取 (TensorFlow, PyTorch)

 

第五课 卷积神经网络:目标分类与识别 (Object Classification and Object Recognition)

 

    1. 目标分类与识别任务介绍

    2. 传统分类识别方法总结

    3. ImageNet与PASCAL VOC数据库

    3. 迁移学习(Transfer Learning)

    4. 个人研究分享:如何设计新的的网络

    5. 实例训练:物体识别/场景识别/文字识别 (TensorFlow)

 

第六课 卷积神经网络:目标检测与追踪 (Object Detection and Object Tracking)

 

    1. 目标检测与追踪任务介绍

    2. 基于手动设计特征的传统目标检测追踪方法总结

    3. 目标检测:RCNN,Fast-RCNN,Faster-RCNN, FPN系列

    4. 目标检测:YOLO,SSD,YOLO9000系列

    5. 目标追踪:Hierarchical Features, Tracking with FCNs系列

    6. TensorFlow官方目标检测接口:Object Detection API

    7. 个人研究分享:自然场景文本检测识别领域的最新方法与动向

    8. 实例:目标检测模型训练/部署 (TensorFlow)

 

第七课 卷积神经网络:目标分割 (Object Segmentation)

 

    1. 目标分割任务介绍

    2. 传统图片分割方法总结

    3. 全卷积网络 (Fully Convolutional Networks, FCNs)

    4. 图像语义分割(Image Semantic Segmentation)

    5. 图像实例分割(Image Instance Segmentation)

    6. 目标分割:FCIS, Mask-RCNN系列

    7. 业界应用:目标分类/检测/分割模型在自动驾驶与无人车中的应用

    8. 实例:目标分割模型训练/部署 (TensorFlow)

 

第八课 循环神经网络:(Recurrent Neural Network, RNN)

 

    1. RNN基本原理

    2. 改进版RNN:门限循环单元(Gated Recurrent Unit, GRU)

    3. 改进版RNN:长短期记忆单元(Long Short Term Memory,LSTM)

    4. 语言特征提取:Word2Vec

    5. 编码器 + 解码器结构:Encoder + Decoder

    6. 注意力机制模型:Attention Model

    7. 图片标注(Image Captioning):学会看图说话,show and tell

    8. 图片问答(Visual Question Answering, VQA):学会看图推理

    9. 业界应用:Language and Vision,语言文字与图像的结合应用

    10. 实例:图片标注与图片问答实例 (TensorFlow, PyTorch)

 

第九课 无监督式学习:(Unsupervised Learning)

 

    1. 无监督式学习:以生成式模型(Generative Models)为例

    2. 生成式对抗网络:(Generative Adversarial Networks, GANs)

    3. DCGAN:GAN +深度学习

    4. Conditional GAN: 生成图片由我控制

    5. InfoGAN: 无监督找特征

    6. Wasserstein GAN: 理论创新

    7. 实例:Pix2Pix/CycleGAN 自定义图片生成 (TensorFlow, PyTorch)

 

第十课 增强学习:(Reinforcement Learning)

 

    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. ELF模型:简化版《星际争霸》,人工智能游戏测试平台

    6. 实例: DQN用于Atari游戏学习 (TensorFlow)

 

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,有基本大学数学基础。

Q: 有课外学习资料吗?

A: 有,老师会根据情况提供讲义,并给出进阶学习资源与项目的建议。

Q: 本课程怎么答疑?
A: 推荐大家到小象问答社区(wenda.chinahadoop.cn)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。也会有专门的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。

Q: 本课程需要什么环境?
A: 开发环境以GNU Linux (Ubuntu)为主,深度学习训练与测试需要符合CUDA要求的Nvidia显卡(显卡型号支持列表可以查询:https://developer.nvidia.com/cuda-gpus),对于最新的显卡系列建议最低 Nvidia Geforce GTX 1060,有条件的尽量 GTX 1080或1080 Ti, 如果有GTX Titan X 更好,显卡的内核数(CUDA Cores)以及显存数(GPU RAM) 尽量多一些。

Q:在哪里上课?

A:课程直播和回放都在小象学院官网(http://www.chinahadoop.cn)上进行,不需要其他直播软件;如果希望上下班路上观看,可以下载小象学院app进行缓存。

 

联系方式:

 

参团后,请加客服微信:17746593070

手机:17746593070

邮件:admin@chinahadoop.cn

网站:http://www.chinahadoop.cn