小象学院第三期《深度学习》视频教程

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：
xa0 xa0xa0 xa01） 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。
xa0 xa0xa0 xa02） 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。
xa0 xa0xa0 xa03） 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：
xa0 xa0xa0 xa01.xa0xa0想了解和学习深度学习的学习者
xa0 xa0xa0 xa02.xa0xa0想学习深度学习的相关从业人员
xa0 xa0xa0 xa03.xa0xa0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：
xa0 xa0xa0 xa01.xa0xa0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
xa0 xa0xa0 xa02.xa0xa0了解研究过程中定义问题设计模型的思路
xa0 xa0xa0 xa03.xa0xa0培养学员面对工程及学术问题的思考解决能力
xa0 xa0xa0 xa04.xa0xa0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
xa0 xa0xa0 xa01.xa0xa0神经网络：传统到现代
xa0 xa0xa0 xa02.xa0xa0深度学习应用特点
xa0 xa0xa0 xa03.xa0xa0深度学习发展方向
xa0 xa0xa0 xa04.xa0xa0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xa0xa0
xa0 xa0xa0 xa01.xa0xa0线性回归
xa0 xa0xa0 xa02.xa0xa0非线性激励函数
xa0 xa0xa0 xa03.xa0xa0loss 函数，常见问题：过拟合，正则化，dropout
xa0 xa0xa0 xa0实例：传统神经网络络实现
第三课xa0xa0反向反馈：深度学习模型优化基础
xa0 xa0xa0 xa01.xa0xa0SGD 梯度下降介绍
xa0 xa0xa0 xa02.xa0xa0神经网络的梯度优化
xa0 xa0xa0 xa03.xa0xa0神经网络训练
xa0 xa0xa0 xa0实例：反向梯度优化对比
第四课 卷积神经网络
xa0 xa0xa0 xa01.xa0xa0卷积核以及卷积层
xa0 xa0xa0 xa02.xa0xa0AlexNet 最早的现代神经网络
xa0 xa0xa0 xa03.xa0xa0VGG，GoogleNet,，ResNet. 近期的高级网络
xa0 xa0xa0 xa0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
xa0 xa0xa0 xa01.xa0xa0理论分析
xa0 xa0xa0 xa02.xa0xa0迁移模型&原始训练模型
xa0 xa0xa0 xa03.xa0xa0如何设计新的的网络
xa0 xa0xa0 xa0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
xa0 xa0xa0 xa03.xa0xa0图片标题生成
xa0 xa0xa0 xa04.xa0xa0视频处理
xa0 xa0xa0 xa0实例：LSTM用于图片标题生成
第七课 自然语言处理
xa0 xa0xa0 xa01.xa0xa0处理之前：speech to text
xa0 xa0xa0 xa02.xa0xa0词语表达，word2vect
xa0 xa0xa0 xa03.xa0xa0语句生成LSTM
xa0 xa0xa0 xa0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
xa0 xa0xa0 xa01.xa0xa0传统的目标检测方法
xa0 xa0xa0 xa02.xa0 xa0初代算法： Region CNN
xa0 xa0xa0 xa03.xa0 xa0升级： SPP Net， Fast RCNN， Faster RCNN
xa0 xa0xa0 xa0 4.xa0 xa0深度学习另辟蹊径： YoLo 和SSD
xa0 xa0xa0 xa0 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
xa0 xa0xa0 xa01.xa0xa0图片问答
xa0 xa0xa0 xa02.xa0xa0图像模式转换
xa0 xa0xa0 xa03.xa0xa0图像高清化
xa0 xa0xa0 xa04.xa0xa0围棋程序， Alpha go
xa0 xa0xa0 xa05.xa0xa0自动游戏机器人，DeepMind Atari
xa0 xa0xa0 xa0实例： 图片艺术风格转化
第十课 无监督学习：对抗网络GAN
xa0 xa0xa0 xa01.xa0xa0传统无监督学习 Autoencode，K Means，Sparse Coding
xa0 xa0xa0 xa02.xa0xa0RBM 限制博斯曼机，深度学习的另一支
xa0 xa0xa0 xa03.xa0xa0生成对抗网络 GAN
xa0 xa0xa0 xa0实例： 机器生成图片，以假乱真
课时1：第一课_深度学习总体介绍
课时2：视频-第一课_深度学习总体介绍
课时3：第二课_传统神经网络
课时4：视频-第二课_传统神经网络
课时5：第三讲_卷积神经网络－基础篇
课时6：视频-第三讲_卷积神经网络－基础篇
课时7：第四讲_卷积神经网络－高级篇
课时8：视频-第四讲_卷积神经网络－高级篇
课时9：第五讲_卷积神经网络－目标分类
课时10：视频-第五讲_卷积神经网络－目标分类
课时11：第六讲_卷积神经网络－目标探测
课时12：视频-第六讲_卷积神经网络－目标探测
课时13：第七讲_递归神经网络
课时14：视频-第七讲_递归神经网络
课时15：第八讲_卷积网络+递归网络
课时16：视频-第八讲_卷积网络+递归网络
课时17：第九讲_生成对抗网络