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：
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：xa0xa0
第一课 深度学习总体介绍
xa0 xa0 1. 神经网络：传统到现代
xa0 xa0 2. 深度学习应用特点
xa0 xa0 3. 深度学习发展方向
xa0 xa0 4. 深度学习框架比较：用Tensorflow进行课程学习
xa0 xa0 5. 实例：Tensorflow基础
第二课 传统神经网络
xa0 xa0 1. 神经网络起源：线性回归
xa0 xa0 2. 从线性到非线性：非线性激励
xa0 xa0 3. 神经网络的构建：深度广度复杂度扩展
xa0 xa0 4. 神经网络的“配件”：损失函数，学习率，动量，过拟合
xa0 xa0 5. 实例: 传统神经网络实现
第三课 卷积神经网络－基础篇
xa0 xa0 1. 链式反向梯度传导
xa0 xa0 2. 卷积神经网络－卷积层：正向反向推导
xa0 xa0 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
xa0 xa0 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
xa0 xa0 1. AlexNet 最早的现代神经网络
xa0 xa0 2. VGG，GoogleNet,，ResNet. 近期的高级网络
xa0 xa0 3. Deepface 结构化图像网络
xa0 xa0 4. U-Net 深度图片生成网络：逆卷积作用
xa0 xa0 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
xa0 xa0 1. 目标分类基本框架
xa0 xa0 2. 迁移学习
xa0 xa0 3. 个人研究分享：如何设计新的的网络
xa0 xa0 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
xa0 xa0 1. 目标探测介绍
xa0 xa0 2. 传统方法总结－DPM
xa0 xa0 3. RCNN 系列：RCNN，Fast RCNN，Faster RCNN
xa0 xa0 4. YoLo系列
xa0 xa0 5. 实例：目标探测模型训练／部署
第七课 递归神经网络
xa0 xa0 1. RNN基本原理
xa0 xa0 2. 升级版RNN：LSTM
xa0 xa0 3. 语言特征提取 Word2Vec
xa0 xa0 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
xa0 xa0 2. 图片标注：学会看图说话
xa0 xa0 3. 视频分类：时间信号帮助更多
xa0 xa0 4. 图片问答：对话机器人升级版
xa0 xa0 5. 实例：图片标注实例
第九课 生成对抗网络：GAN
xa0 xa0 1. GAN原理基础
xa0 xa0 2. 深度GAN：GAN ＋深度学习
xa0 xa0 3. 条件GAN：生成图片由我控制
xa0 xa0 4. info GAN：无监督找特征
xa0 xa0 5. Wasserstein GAN：理论创新
xa0 xa0 6. 实例：Pix2Pix 自定义图片生成
第十课 增强学习
xa0 xa0 1. 增强学习基础
xa0 xa0 2. DQN 深度增强学习
xa0 xa0 3. DQN 改进模型
xa0 xa0 4. A3C 模型：高效游戏机器人
xa0 xa0 5. 实例：DQN用于Atari游戏学习