小象学院深度学习四期,全套视频教程学习资料通过百度云网盘下载
资源详情
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：xa0xa0xa0xa01）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。xa0xa0xa0xa02）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。xa0xa0xa0xa03）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：xa0xa0xa0xa01.xa0xa0想了解和学习深度学习的学习者xa0xa0xa0xa02.xa0xa0想学习深度学习的相关从业人员xa0xa0xa0xa03.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：xa0xa0xa0xa01.xa0xa0帮助学员系统忄生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xa0xa0xa0xa02.xa0xa0了解研究过程中定义问题设计模型的思路xa0xa0xa0xa03.xa0xa0培养学员面对工程及学术问题的思考解决能力xa0xa0xa0xa04.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xa0xa01.神经网络：传统到现代xa0xa02.深度学习应用特点xa0xa03.深度学习发展方向xa0xa04.深度学习框架比较：用Tensorflow进行课程学习xa0xa05.实例：Tensorflow基础第二课传统神经网络xa0xa01.神经网络起源：线忄生回归xa0xa02.从线忄生到非线忄生：非线忄生激励xa0xa03.神经网络的构建：深度广度复杂度扩展xa0xa04.神经网络的“配件”：损失函数，学习率，动量，过拟合xa0xa05.实例:传统神经网络实现第三课卷积神经网络－基础篇xa0xa01.链式反向梯度传导xa0xa02.卷积神经网络－卷积层：正向反向推导xa0xa03.卷积神经网络－功能层：非线忄生激励，降维，归一化，区域分割，区域融合xa0xa04.实例：简单卷积神经网络运行第四课卷积神经网络－高级篇xa0xa01.AlexNet最早的现代神经网络xa0xa02.VGG，GoogleNet,，ResNet.近期的高级网络xa0xa03.Deepface结构化图像网络xa0xa04.U-Net深度图片生成网络：逆卷积作用xa0xa05.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xa0xa01.目标分类基本框架xa0xa02.迁移学习xa0xa03.个人研究分享：如何设计新的的网络xa0xa04.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xa0xa01.目标探测介绍xa0xa02.传统方法总结－DPMxa0xa03.RCNN系列：RCNN，FastRCNN，FasterRCNNxa0xa04.YoLo系列xa0xa05.实例：目标探测模型训练／部署第七课递归神经网络xa0xa01.RNN基本原理xa0xa02.升级版RNN：LSTMxa0xa03.语言特征提取Word2Vecxa0xa04.实例：LSTM用于语句生成第八课递归网络卷积网络结合：CNN＋RNNxa0xa02.图片标注：学会看图说话xa0xa03.视频分类：时间信号帮助更多xa0xa04.图片问答：对话机器人升级版xa0xa05.实例：图片标注实例第九课生成对抗网络：GANxa0xa01.GAN原理基础xa0xa02.深度GAN：GAN＋深度学习xa0xa03.条件GAN：生成图片由我控制xa0xa04.infoGAN：无监督找特征xa0xa05.WassersteinGAN：理论创新xa0xa06.实例：Pix2Pix自定义图片生成第十课增强学习xa0xa01.增强学习基础xa0xa02.DQN深度增强学习xa0xa03.DQN改进模型xa0xa04.A3C模型：高效游戏机器人xa0xa05.实例：DQN用于Atari游戏学习
**** Hidden Message *****
页:
[1]