深度学习DeepLearning核心技术开发与应用培训班

longteng839

一、培训目标：

1、本次培训采用深入浅出的方法，结合实例，重点讲解Deep Learning框架模型、科学算法、训练过程技巧，使学员更有效的掌握Deep Learning核心技术及动手能力；

2、通过本次课程的学习，能够把握深度学习的技术发展趋势，可以熟练掌握深度学习核心技术、主要模型、实践技巧、并配以大量代码练习，同时针对工作中存在的疑难问题进行分析讲解和专题讨论，有效的提升学员解决复杂问题的能力；

二、培训专家:

中国科学院计算技术研究所、清华大学、北京大学等科研机构和大学的高级专家，拥有丰富的科研及工程技术经验，长期从事深度学习、人工智能、机器学习、计算机视觉等领域的教学与研究工作。

（机房上课，每人一台电脑进行实际案例操作，赠送 U盘拷贝资料及课件和软件）

三、时间地点:   2018 年 05月 3 日-—— 6 日    杭州

四、培训课程大纲

   注：三天都是在机房上课，针对算例进行的上机实操！报名学员可以提前把感兴趣的内容和要解决的问题带到会场上，和主讲老师及其他学员交流学习！详细的乘车路线和报到地点会在报名之后告知！

一、深度学习Deep Learning基础和基本思想	[size=10.5000pt]1，人工智能概述、计算智能、类脑智能 [size=10.5000pt]2，机器学习概述、记忆学习、归纳学习、统计学习 [size=10.5000pt]3，深度学习的前生今世、发展趋势 [size=10.5000pt]4，人工神经网络、前馈神经网络、BP算法[size=10.5000pt] [size=10.5000pt]、Hessian矩阵、结构性特征表示
二、深度学习Deep Learning基本框架结构	[size=10.5000pt]1[size=10.5000pt]，Caffe            [size=10.5000pt]2[size=10.5000pt]，Tensorflow [size=10.5000pt]3[size=10.5000pt]，Torch            [size=10.5000pt]4[size=10.5000pt]，MXNet
三，深度学习Deep Learning-卷积神经网络	[size=10.5000pt]1[size=10.5000pt]，CNN卷积神经网络 卷积层（一维卷积、二维卷积）、池化层（均值池化、最大池化） 全连接层    激活函数层    Softmax[size=10.5000pt]层 [size=10.5000pt]2[size=10.5000pt]，CNN卷积神经网络改进 R-CNN [size=10.5000pt]（SPPNET[size=10.5000pt]）  Fast-R-CNN  Faster-R-CNN [size=10.5000pt]（YOLO[size=10.5000pt]、SSD[size=10.5000pt]） [size=10.5000pt]3[size=10.5000pt]，深度学习的模型训练技巧 [size=10.5000pt]4[size=10.5000pt]，梯度下降的优化方法详解
四，深度学习Deep Learning-循环神经网络	1， RNN循环神经网络 梯度计算    BPTT [size=10.5000pt]2[size=10.5000pt]，RNN循环神经网络改进 LSTM      GRU     Bi-RNN  Attention based RNN [size=10.5000pt]3[size=10.5000pt]，RNN实际应用    Seq2Seq的原理与实现
五、强化学习	[size=10.5000pt]1，强化学习的理论知识   [size=10.5000pt]2，经典模型DQN讲解 3，AlphaGo原理讲解    4，RL实际应用；实现一个AlphaGo
六，对抗性生成网络	1， GAN的理论知识    2， GAN经典模型CGAN，LAPGAN，DCGAN [size=10.5000pt]3[size=10.5000pt]，GAN经典模型  INFOGAN[size=10.5000pt]，WGAN[size=10.5000pt]，S2-GAN [size=10.5000pt]4[size=10.5000pt]，GAN实际应用  DCGAN提高模糊图片分辨率 [size=10.5000pt]5[size=10.5000pt]，GAN实际应用  InfoGAN做特定的样本生成
七、迁移学习	[size=10.5000pt]1，迁移学习的理论概述 [size=10.5000pt]2，迁移学习的常见方法 特征、实例、数据、深度迁移、强化迁移、研究案例
八、CNN应用案例	[size=10.5000pt]1[size=10.5000pt]，CNN与手写数字集分类 [size=10.5000pt]2[size=10.5000pt]，YOLO实现目标检测 [size=10.5000pt]3[size=10.5000pt]，PixelNet原理与实现 [size=10.5000pt]4，利用卷积神经网络做图像风格结合
九、深度学习Deep Learning的常用模型或者方法	[size=10.5000pt]1[size=10.5000pt]，AutoEncoder自动编码器 [size=10.5000pt]2[size=10.5000pt]，Sparse Coding稀疏编码 [size=10.5000pt]3[size=10.5000pt]，Restricted Boltzmann Machine(RBM)限制波尔兹曼机 [size=10.5000pt]4[size=10.5000pt]，Deep BeliefNetworks深信度网络 [size=10.5000pt]5[size=10.5000pt]，Convolutional Neural Networks卷积神经网络
十、辅助课程	[size=10.5000pt]（[size=10.5000pt]1）疑难解答、分组讨论； [size=10.5000pt]（[size=10.5000pt]3[size=10.5000pt]）关键问题解析； [size=10.5000pt]（[size=10.5000pt]4）学后交流、微信群、QQ群建立；

联系方式：

联系人:  李  宁手机：13331040142（微信同号）

电话：010-81311930邮箱：2044115758@qq.com

DL爱好者QQ群群号： 189696007（加群备注：李宁邀请）