一、机器学习基础
1.线性代数
2.概率信息论
3.数值优化
二、深度学习基础
1.深度学习介绍
2.感知器
3.人工神经网络
4.前馈神经网络
5.BP算法
6.Hessian矩阵
三、深度学习进阶---卷积神经网络
1.CNN卷积神经网络
(1).卷积层(一维卷积、二维卷积)
(2).池化层(均值池化、最大池化)
(3). 全连接层
(4).激活函数层
(5).Softmax层
2.CNN卷积神经网络改进
(1).R-CNN (SPPNET)
(2).Fast-R-CNN
(3).Faster-R-CNN (YOLO、SSD)
3.深度学习的模型训练技巧
4.梯度下降的优化方法详解
四、深度学习软件
(1).Caffe
(2).Tensorflow
(3).Torch
(4).MXNet
五、CNN应用案例
(1).CNN与手写数字集分类
(2).YOLO实现目标检测
(3).PixelNet原理与实现
(4).利用卷积神经网络做图像风格结合
六、深度学习——循环神经网络
1.RNN循环神经网络
(1).梯度计算
(2).BPTT
2.RNN循环神经网络改进
(1).LSTM
(2).GRU
(3).Bi-RNN
(4).Attention based RNN
3.RNN实际应用
(1).Seq2Seq的原理与实现
七、强化学习
1.强化学习的理论知识
2.经典模型DQN讲解
3.AlphaGo原理讲解
4.RL实际应用
(1).实现一个AlphaGo
八、对抗性生成网络
1.GAN的理论知识
2.GAN经典模型
3.GAN经典模型
GAN实际应用(1).DCGAN提高模糊图片分辨率
GAN实际应用(2).InfoGAN做特定的样本生成
九、迁移学习
1.迁移学习的理论概述
2.迁移学习的常见方法
(1).基于特征的迁移
(2).基于实例的迁移
(3).基于数据的迁移
(4).深度迁移学习
(5).强化迁移学习
(6).迁移学习的研究案例
(7).迁移学习的应用
(8).2017年AAAI最佳论文讲解:利用物理定理的知识迁移到视频理解
1.线性代数
2.概率信息论
3.数值优化
二、深度学习基础
1.深度学习介绍
2.感知器
3.人工神经网络
4.前馈神经网络
5.BP算法
6.Hessian矩阵
三、深度学习进阶---卷积神经网络
1.CNN卷积神经网络
(1).卷积层(一维卷积、二维卷积)
(2).池化层(均值池化、最大池化)
(3). 全连接层
(4).激活函数层
(5).Softmax层
2.CNN卷积神经网络改进
(1).R-CNN (SPPNET)
(2).Fast-R-CNN
(3).Faster-R-CNN (YOLO、SSD)
3.深度学习的模型训练技巧
4.梯度下降的优化方法详解
四、深度学习软件
(1).Caffe
(2).Tensorflow
(3).Torch
(4).MXNet
五、CNN应用案例
(1).CNN与手写数字集分类
(2).YOLO实现目标检测
(3).PixelNet原理与实现
(4).利用卷积神经网络做图像风格结合
六、深度学习——循环神经网络
1.RNN循环神经网络
(1).梯度计算
(2).BPTT
2.RNN循环神经网络改进
(1).LSTM
(2).GRU
(3).Bi-RNN
(4).Attention based RNN
3.RNN实际应用
(1).Seq2Seq的原理与实现
七、强化学习
1.强化学习的理论知识
2.经典模型DQN讲解
3.AlphaGo原理讲解
4.RL实际应用
(1).实现一个AlphaGo
八、对抗性生成网络
1.GAN的理论知识
2.GAN经典模型
3.GAN经典模型
GAN实际应用(1).DCGAN提高模糊图片分辨率
GAN实际应用(2).InfoGAN做特定的样本生成
九、迁移学习
1.迁移学习的理论概述
2.迁移学习的常见方法
(1).基于特征的迁移
(2).基于实例的迁移
(3).基于数据的迁移
(4).深度迁移学习
(5).强化迁移学习
(6).迁移学习的研究案例
(7).迁移学习的应用
(8).2017年AAAI最佳论文讲解:利用物理定理的知识迁移到视频理解