深度学习有哪些实用又好玩的应用？

2016 年，一场 AlphaGo 与顶级围棋棋手李世石的世纪对决，引发了全球性的人工智能潮流，这一年被称为“人工智能元年”。

2019 年，谷歌 DeepMind 开发的全新 AI 程序 AlphaStar，在《星际争霸 2》人机大战中，以 10：1 击溃了人类职业高手，再一次实现了自我进化。

无论是 AlphaGo 还是 AlphaStar，它们的主要工作原理都是 “深度学习”。 过去几年中，深度学习中的很多技术已经出现并影响了我们的生活，如：人脸识别、自动翻译、照片转油画、AI 换脸、自动驾驶 等等。

我们收集了一些深度学习方面的创意应用，希望能让大家感受下深度学习在生活中的应用潜力～

一、北京市住房价格预测

如果你刚开始学习深度学习，可以尝试着用线性回归的知识，做一些分析预测项目，比如：房价预测。

你可以在一些公开的网站下载到数据集，然后利用线性回归算法，得出一个趋势模型，比如下面的链接就是北京地区的房价数据：

https://github.com/PENGZhaoqing/scrapy-HousePricing

二、识别手写字符

谷歌的 Deepmind 以神经网络为基础，能够做一些非常奇妙的事情，比如让计算机学习玩视频游戏等。如今，神经网络已经成为了深度学习的一大核心，可以实现如自动车牌号码识别、解码手写的邮政编码等功能。

听起来，「神经网络」是一个高深莫测的概念，但实际做个项目你就能很容易地理解到它的核心。识别手写字符 就是这么一个经典入门项目，你可以尝试着搭建第一个神经网络系统，并训练它识别各种字符。

一、时尚物品分类

为什么 “人工智能” 的概念出现了几十年，直到今天才火了起来？

是因为： 像  TensorFlow 、 PyTorch 等深度学习框架的出现，大大降低了人工智能的学习门槛 ，之前费时费力的模型搭建工作，现在 “调个包” 就能完成～所以当我们学习完基础概念后，有必要来学习主流的深度学习框架。

比如：用 TensorFlow 来搭建一个 DNN 系统，使用 Fashion-MNIST 时尚物品数据集 ，对 70000 张图片进行商品分类。你会发现：原本需要上百人花一星期才能完成的工作，现在计算机转几下就完成了，太牛 X 了，给自己加个鸡腿～

二、动漫人物图像生成

用 PyTorch 搭建一个 DCGAN 网络，自动生成各种好看的动漫小姐姐头像～迭代次数越多，效果越好。经过我们测试，10 次后已经能达到看起来还不错的效果。

一、股票价格趋势预测

相信每位股民都希望能预测股票价格，通过未卜先知的能力从股市中获利。由于影响股票价格变化的因素很多，且大多因素是无法量化，所以这是一件及其困难的事情。不过，如果我们将股票历史数据看成时间序列，通过 LSTM 网络来预测股票价格走势。

为了获取实时的股票交易数据，可以使用 Quandl 金融数据模块。

二、聊天机器人对话系统

自然语言处理涉及到的领域很多，例如构建对话系统、推荐系统以及神经机器翻译等。而这些应用往往需要涉及到大量的专业知识，并偏向于研究型而非入门应用型。经过前面的项目，你已经对自然语言处理和文本分类有了些了解，接下来可以在机器翻译和对话系统中的应用进行初步探索。

---

为什么人工智能岗位的薪资那么高，人才却还那么难招？因为很多人都搞错了人工智能的学习方法，连入门都很困难。

众所周知，深度学习是一门理论和实践兼备的学科，但很多同学一上来就捧着厚厚的教科书，啃起理论来，这种枯燥的、与人类认知相悖的学习方法，往往只有一个结局 —— 弃坑！

但深度学习是一门很有趣的课程，正确的学习方法是学习完一个理论知识后，找到与之对应的小项目，亲自动手练习一下，感受理论在实际生活中的应用，这样才能成为一个真正有代码能力的深度学习工程师。

上面的这些实用又好玩的项目都来自于——「楼 + 之深度学习实战」。 课程由实验楼人工智能课程负责人、实验楼CTO制作， 带你 6 周掌握深度学习原理、实现核心算法、掌握主流深度学习框架、完成 19 个实战项目，并提供了助教答疑、视频讲解等服务。

本期课程今天开课，特别适合对深度学习有兴趣，想要快速系统入门的朋友。

课程主要分为 4 个阶段（6 周内容）：

1. 课前准备阶段：

Python 作为代码实战过程中的唯一编程语言，需要你熟悉 Python 的基础语法，并掌握 NumPy，Pandas 及其他基础工具模块。

2. 深度学习理论阶段（ 1 周）：

围绕深度学习基础原理展开，内容将涵盖线性回归、逻辑回归、感知机、人工神经网络等算法的理论及应用。你会对深度学习的基本概念，以及模型的构建、训练、评估有初步的了解，为后续深度神经网络的学习打下基础。

3. 深度学习应用阶段（ 2-4 周）：

涉及到应用和实践。你将学习业界有着广泛应用的深度学习开源框架，并进一步掌握不同深度神经网络的原理和实际应用。

• 第一周：使用 Python 从 0 到 1 构建神经网络。但深度神经网络如果按此方法构建将会变得异常麻烦。本周，我们将学习深度学习通用的网络构建方法，掌握业界最常用的两大著名深度学习框架 TensorFlow 和 PyTorch。
• 第二周：将学习卷积神经网络和生成对抗网络的原理及构建方法。同时，课程将从图像分类、图像生成、目标检测等场景出发，运用深度学习技术进行实践。
• 第三周：学习循环神经网络的原理和构建方法，尝试探索自然语言处理相关应用。你不仅能接触到机器写诗的奇妙，还将学会利用最前沿的预训练技术来完成假新闻分类任务。

4. 深度学习工程阶段 ( 5-6 周）：

了解深度学习相关的工程实践方法，包括前沿的自动化深度学习技术以及深度学习模型部署方法。最终，我们将通过项目挑战比赛来检验课程的学习成果。

• 第一周：涉及到自动化深度学习技术，自动化深度学习可以一定程度上降低深度学习模型的开发门槛，算法的选择、训练、调优、部署等一系列过程都可以交给自动化组件来完成。与此同时，我们将掌握深度学习模型持久化方法，并独立设计部署一个图像分类云端模型推理 RESTful API。
• 第二周：我们依托于 Kaggle 建立了实战化的比赛，你将体会到竞争带来的乐趣。如果你能够出色完成项目挑战内容，将有机会获得课程设置的现金奖学金。除此之外，认真完成项目挑战的学员，也将收到课程组给出的评阅意见。

---

报名方式： 请戳最下方的阅读原文，或添加助教小姐姐微信（sylmm003）进行咨询 / 报名。

👇👇👇