小象学院 深度学习 第四期 视频教程附课件源代码

冰点也疯狂

课程大纲
+ ~  w! F6 h% o第一课 深度学习总体介绍
: B$ A1 s$ D) Y" d% t, ~. J    1. 神经网络：传统到现代
    2. 深度学习应用特点
    3. 深度学习发展方向
    4. 深度学习框架比较：用Tensorflow进行课程学习:
) s! [" n! C, n5 w( U. n* }7 F    5. 实例：Tensorflow基础

第二课 传统神经网络
/ W8 `, G' N; r% T0 T7 v    1. 神经网络起源：线性回归#
( i5 J/ N6 G  q  |. U6 U    2. 从线性到非线性：非线性激励8
8 p# c9 ]/ U, x, w$ d3 }' M    3. 神经网络的构建：深度广度复杂度扩展
+ e9 D+ b! C7 T6 m  ~4 Q4 c    4. 神经网络的“配件”：损失函数，学习率，动量，过拟合
    5. 实例: 传统神经网络实现
9 `5 z. Z' U" ^8 `' W4 r# u
第三课 卷积神经网络－基础篇
* u9 C5 m/ d3 Q$ h9 o1 d    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
    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
/ G; y0 I% I2 c    4. 实例：简单卷积神经网络运行
, D) [4 W; i6 z% J$ P
# `+ s5 v6 `! d8 |. x' H. C第四课 卷积神经网络－高级篇
    1. AlexNet 最早的现代神经网络
1 Z4 |& x, P2 x3 Y/ x/ }# H4 |9 ]& S6 N    2. VGG，GoogleNet,，ResNet. 近期的高级网络
' i2 _0 I' g$ r    3. Deepface 结构化图像网络
    4. U-Net 深度图片生成网络：逆卷积作用
' }  [. M% P5 s! @( A7 T- s2 Z    5. 实例：利用已有模型进行物体分类／特征提取
2 i6 O4 H& @9 z, c
, ~8 D; m9 p0 g8 P% ^第五课 卷积神经网络－目标分类
. a# @: n+ L5 m! D, t. F$ i    1. 目标分类基本框架
# e) S) ~" Y0 V1 _" c    2. 迁移学习
    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

; c9 j+ |& j2 \* r" u. e) @9 Z第六课 卷积神经网络－目标探测
    1. 目标探测介绍
) J) y9 M0 @" U* m    2. 传统方法总结－DPM
    3. RCNN 系列：RCNN，Fast RCNN，Faster RCNN
; f' [# u# n: u# I1 T' W    4. YoLo系列
& i" S, U' E; N  i3 s& `# E. j    5. 实例：目标探测模型训练／部署
7 o0 Y- h+ j0 u* i
0 L; O/ ]5 p/ ~* [1 T  \4 T第七课 递归神经网络
    1. RNN基本原理0
. j  T5 X* F9 ~0 A* Z# v* D' d    2. 升级版RNN：LSTM
1 }! f8 q% ^- j9 ~# S2 B: H    3. 语言特征提取 Word2Vec4 F-
" T6 ^% A" g" ]1 R- \+ ^    4. 实例：LSTM用于语句生成
7 k+ d8 x6 ~! P- M* v
' E( Q; H+ a; f: L, j$ [/ i第八课 递归网络卷积网络结合： CNN＋RNN3
. J  G  l/ s$ Q0 p5 y3 z! c5 q4 [    1. CNN＋RNN
    2. 图片标注：学会看图说话5
) ?; x5 U8 u+ Z3 c) U) v% ?. T7 c    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2
6 z7 U2 u  U& _, G- }
第九课 生成对抗网络：GAN    1. GAN原理基础
" e: e; M+ U; ]1 x1 |9 P    2. 深度GAN：GAN ＋深度学习
    3. 条件GAN：生成图片由我控制
    4. info GAN：无监督找特征
, r% T, K! y/ U    5. Wasserstein GAN：理论创新
    6. 实例：Pix2Pix 自定义图片生成
  s' ?- D0 E* ?7 I, r, u
第十课 增强学习
    1. 增强学习基础
/ i- w( j, Z. t3 S! @8 Z( x; h    2. DQN 深度增强学习
    3. DQN 改进模型
. f! w( K9 x0 X: W/ G# l+ V    4. A3C 模型：高效游戏机器人
    5. 实例：DQN用于Atari游戏学习

游客，如果您要查看本帖隐藏内容请回复

m9128213

很棒的教程～～