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 | | [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 | | 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 | | [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 | | [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 | | [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)
|