
深度學(xué)習(xí)及其應(yīng)用培訓(xùn)
01
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
理解前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、梯度下降法以及網(wǎng)絡(luò)訓(xùn)練調(diào)優(yōu)的基本方法,并能應(yīng)用前饋神經(jīng)網(wǎng)絡(luò)解決實際問題。
1.1 神經(jīng)網(wǎng)絡(luò)簡介
1.2 BP神經(jīng)網(wǎng)絡(luò)
1.3 銀行客戶流失預(yù)測
1.4 銀行客戶流失實驗
1.5 新聞分類實驗
1.6 阿里云天池AI實驗平臺簡介
02
深度學(xué)習(xí)在人工智能中的應(yīng)用
通過眾多的案例,了解深度學(xué)習(xí)的典型應(yīng)用場景。
2.1 深度學(xué)習(xí)在人工智能中的應(yīng)用(一)
2.2 深度學(xué)習(xí)在人工智能中的應(yīng)用(二)
2.3 深度學(xué)習(xí)在人工智能中的應(yīng)用(三)
2.4 深度學(xué)習(xí)在人工智能中的應(yīng)用(四)
03
卷積神經(jīng)網(wǎng)絡(luò)
理解卷積的內(nèi)涵,熟悉經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場景的應(yīng)用。
3.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
3.2 卷積與感受野機制
3.3 卷積的概念和特征
3.4 圖像編碼與卷積
3.5 卷積操作
3.6 卷積特征圖及計算
3.7 多通道卷積
3.8 池化操作
3.9 Lenet5卷積神經(jīng)網(wǎng)絡(luò)
3.10 完整的卷積神經(jīng)網(wǎng)絡(luò)過程
3.11 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
3.12 圖像分類
3.13 股票預(yù)測實驗(卷積版)
3.14 手勢體識別實驗
04
典型卷積神經(jīng)網(wǎng)絡(luò)算法
熟悉常用的幾種卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場景的應(yīng)用。
4.1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型
4.2 VGG卷積神經(jīng)網(wǎng)絡(luò)模型
4.3 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)模型
4.4 ResNet卷積神經(jīng)網(wǎng)絡(luò)模型
4.5 動物識別實驗
4.6 顏值打分(女生版)
05
循環(huán)神經(jīng)網(wǎng)絡(luò)
理解循環(huán)神經(jīng)網(wǎng)絡(luò)以及變種LSTM、GRU的結(jié)構(gòu)、訓(xùn)練方法以及典型場景的應(yīng)用。
5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本原理
5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
5.3 長短期記憶神經(jīng)網(wǎng)絡(luò)模型
5.4 股票預(yù)測實驗(LSTM版)
5.5 情感識別分類實驗
06
目標(biāo)檢測
理解目標(biāo)檢測的羈絆概念、基本原理以及典型的目標(biāo)檢測算法,能用這些算法于典型的應(yīng)用場景。
6.1 目標(biāo)檢測概況
6.2 目標(biāo)檢測的基本概念
6.3 目標(biāo)檢測發(fā)展
6.4 基于候選區(qū)域的目標(biāo)檢測
6.5 Fast R-CNN目標(biāo)檢測算法
6.9 Faster R-CNN目標(biāo)檢測算法
6.6 Yolo目標(biāo)檢測算法
6.7 目標(biāo)檢測案例解析
6.8 RetinaNet和UNet算法
6.9 物體檢測實驗
6.10 車道檢測實驗
07
生成對抗網(wǎng)絡(luò)
理解生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場景的應(yīng)用。
7.1 生成對抗網(wǎng)絡(luò)基本原理
7.2 Encoder-Decoder模型
7.2 生成對抗網(wǎng)絡(luò)算法DCGAN
7.4 生成對抗網(wǎng)絡(luò)算法應(yīng)用
7.5 手寫體生成
7.6 CycleGAN算法
7.7 WassersteinGAN算法
7.8 畫風(fēng)轉(zhuǎn)移實驗
7.9 超分辨率圖像重建實驗
08
注意力機制
理解注意力機制的概念、常見的外部注意力、自注意力以及機器翻譯等典型應(yīng)用。
8.1 Seq2Seq模型
8.2 (自)注意力機制模型
8.3 Transformer模型*(選讀)
8.4 BERT模型*(選讀)
8.5 機器翻譯實驗
09
深度學(xué)習(xí)應(yīng)用
學(xué)會使用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)的常用算法的應(yīng)用,解決實際問題,并能做創(chuàng)新性的應(yīng)用。
9.1 聲音質(zhì)量評價
9.2 編碼解碼器
9.3 情感識別分類
9.4 編碼解碼器實驗
9.5 性別年齡識別實驗
10
高級深度學(xué)習(xí)
理解強化學(xué)習(xí)的基本概念和原理,了解強化學(xué)習(xí)的典型應(yīng)用場景。
10.1 強化學(xué)習(xí)
10.2 遷移學(xué)習(xí)
10.3 對偶學(xué)習(xí)
11
機器學(xué)習(xí)的項目沉浸式教與學(xué)(選讀)
理解如何結(jié)合實際項目,強化機器學(xué)習(xí)和深度學(xué)習(xí)理論知識的深入理解,體會深度學(xué)習(xí)解決實際問題的技巧和技能。建議2個學(xué)時,加1個學(xué)時的討論。
11.1 項目驅(qū)動的機器學(xué)習(xí)(深度學(xué)習(xí))之路
11.2 領(lǐng)域問題驅(qū)動的機器學(xué)習(xí)課程深度教學(xué)法
11.3 混合式課程建設(shè)