|
小象学院深度学习四期 2017年4月28日开课的最新课程
1 J- @: g4 g8 d. I% \& O7 i
. ^; y! _8 L* d2 U! K: r8 }
课程名称:7 O% K) l" H7 u+ p* L
! c, e( h- m( m+ j8 S+ R
《深度学习》第四期
主讲老师：1 `* j8 T2 E1 V9 O5 r
李伟， 美国纽约城市大学博士! W2 i( D1 x, o
1 e. l7 b+ L! w8 O& H
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。
1 v9 l6 \& J r4 s2 `# E* Z
* z6 W! n+ R5 `; |7 t, a" N- E
课程简介：% b; D4 _! Q8 _, U2 n7 h1 \
本次的深度学习课程主要包括三大部分：# |1 ?: a3 D; i, ~* S* e& g: x$ F9 @1 r( b
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所有知识点之间的联系，便于系统掌握。9 Q6 T$ t, D; i
3） 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：+ |2 B4 \0 m4 s5 M# z
' y% _8 e4 H. z* ]+ }/ B5 [
1. 想了解和学习深度学习的学习者4 b5 Y; T: s, ]( P
2. 想学习深度学习的相关从业人员
3. 想转行从事深度的学习者9 W2 y) B" M7 J2 a7 I9 m6 U4 v! {& B
, z0 [( a2 l0 F7 K7 i6 A7 f# E5 L/ f
学习收益：2 U0 Z; @8 s8 f. ]+ A6 C8 O! }
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，以及从基本概念到各个先进模型的转化思路7 f/ d5 w& M% M$ I* z
2. 了解研究过程中定义问题设计模型的思路
3. 培养学员面对工程及学术问题的思考解决能力
4. 快速积累深度学习项目经验9 T o' x' E5 r+ i; a5 ]% t
开课时间：
6 a! |6 X% c' b" f* u1 G0 q
2017年4月28日
学习方式：
" |8 A7 f2 q$ [7 i% y5 _
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）4 g) n& L5 Y, E9 e, Y+ P
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）5 e% q1 Q& ^- d7 U9 }+ B
直播后提供录制回放视频，可在线反复观看，有效期1年
0 ~8 b4 j. b8 ?) Z6 J* [
课程大纲：
# M* k* z/ l. y7 O1 c, x
第一课 深度学习总体介绍
1. 神经网络：传统到现代
2. 深度学习应用特点2 F X: m+ q E7 T
3. 深度学习发展方向& b0 q5 E. R" s$ \; y! `' `
4. 深度学习框架比较：用Tensorflow进行课程学习1 W# L& ^; v" x* y, o
5. 实例：Tensorflow基础
第二课 传统神经网络
1. 神经网络起源：线性回归2 m y" v8 I# i) B
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' H7 K; U# g% m
4. 神经网络的“配件”：损失函数，学习率，动量，过拟合6 n' s2 e: K+ p% J8 @8 l8 W! \
5. 实例: 传统神经网络实现3 a" ~, w2 ~# s
第三课 卷积神经网络－基础篇 @% m7 g4 _- u: y/ ^
6 g. W( _- Y; I! R V
1. 链式反向梯度传导
2. 卷积神经网络－卷积层：正向反向推导! X6 P$ n- [$ |" I0 e
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
4. 实例：简单卷积神经网络运行& ]7 s1 M7 W7 I( O% K
# N- A& ~1 O' ?5 j3 K, I3 W# i
第四课 卷积神经网络－高级篇
1. AlexNet 最早的现代神经网络# |$ q) {, y$ l5 C
2. VGG，GoogleNet,，ResNet. 近期的高级网络7 u# q' I& W$ t5 ~
3. Deepface 结构化图像网络/ m! ?6 a4 u, A
4. U-Net 深度图片生成网络：逆卷积作用
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
1. 目标分类基本框架
2. 迁移学习, |& D+ F) R5 t5 r# D
3. 个人研究分享：如何设计新的的网络
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
1. 目标探测介绍' K7 w, W! [5 ` W( l- s
2. 传统方法总结－DPM3 w/ r- Y+ N& V" V
3. RCNN 系列：RCNN，Fast RCNN，Faster RCNN3 B' B3 _- h0 R" N. ?' n
4. YoLo系列
5. 实例：目标探测模型训练／部署8 h$ A" c) s- t) I6 K/ A! v
第七课 递归神经网络8 J* m, m y c2 f$ y V, A
6 S. ^) Q. R: {. T2 \% W" U! \% K
1. RNN基本原理+ w. r* a- ]/ [$ @2 z( T2 l# }
2. 升级版RNN：LSTM6 ~5 M% _: B' p3 {& Y$ @% x2 u
3. 语言特征提取 Word2Vec) c0 p- ^% ~& O! z3 U
4. 实例：LSTM用于语句生成
第八课 递归网络卷积网络结合： CNN＋RNN9 B1 `- u: ?9 q% A) Z
1. CNN＋RNN# E/ k& d C7 T; h( s3 A7 X* b
2. 图片标注：学会看图说话
3. 视频分类：时间信号帮助更多
4. 图片问答：对话机器人升级版
5. 实例：图片标注实例
第九课 生成对抗网络：GAN
1. GAN原理基础
2. 深度GAN：GAN ＋深度学习8 ^* U- C! q- `3 |# A( F$ u
3. 条件GAN：生成图片由我控制: K) {* o. T* G; s) n+ u' D( O
4. info GAN：无监督找特征
5. Wasserstein GAN：理论创新8 W. Z( d& }* N8 s1 S9 }( w
6. 实例：Pix2Pix 自定义图片生成' w2 _5 l$ H, Q* e4 l, K( u1 ~7 ~! W
* T8 T( G3 w$ \% o3 {# `0 X9 A
第十课 增强学习
1. 增强学习基础8 R* n% M. j( r+ u; A, p
2. DQN 深度增强学习! o- i; j" s0 r5 J( [
3. DQN 改进模型
4. A3C 模型：高效游戏机器人6 M4 Q: J# L* r3 `6 f
5. 实例：DQN用于Atari游戏学习
|
[复制链接]
