machine learning course

一、深度学习基础和基本思想	1，人工智能概述、计算智能、类脑智能 2，机器学习概述、记忆学习、归纳学习、统计学习 3，深度学习的前生今世、发展趋势 4，人工神经网络、前馈神经网络、BP算法 、Hessian矩阵、结构性特征表示
二、深度学习基本框架结构	1，Tensorflow   2， Caffe      3，Torch        4，MXNet
三，卷积神经网络CNN	1，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层 2，CNN卷积神经网络改进 R-CNN （SPPNET）  Fast-R-CNN  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，循环神经网络RNN	RNN循环神经网络    梯度计算    BPTT 2，RNN循环神经网络改进     LSTM      GRU     Bi-RNN  Attention based RNN 3，RNN实际应用    Seq2Seq的原理与实现
五、强化学习DRL	1，强化学习的理论知识 2，经典模型DQN讲解 AlphaGo原理讲解     RL实际应用；实现一个AlphaGo
六，对抗性生成网络GAN	GAN的理论知识    GAN经典模型CGAN，LAPGAN，DCGAN 3，GAN经典模型  INFOGAN，WGAN，S2-GAN 4，GAN实际应用  DCGAN提高模糊图片分辨率 5，GAN实际应用  InfoGAN做特定的样本生成
七、迁移学习TL	1，迁移学习的理论概述 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、深度学习算法理论解析	1，基于区域卷积网络RCNN   2，深度残差网络Resnet 3，胶囊网络Capsule        4，长短时记忆网络LSTM 5，注意力机制              6，BP反传算法 7，可变分编码器VAE
九、深度学习实际应用案例操作	1，CNN——》图像分类        2，Lstm——》文本分类 3，Lstm——》命名实体抽取   4，Yolo——》目标检测 5，图像分类(CNN)         6，目标定位和识别(RCNN) 7，图像重建(Auto-encoder)   8，文本识别(RNN) 9，实体标注(LSTM)         10，手写体数字生成(GAN) 11，逻辑回归导出图像分类； 12，静/动态图编写（CNN）
十、深度学习Deep Learning的常用模型或者方法	1，AutoEncoder自动编码器 2，Sparse Coding稀疏编码 3，Restricted Boltzmann Machine(RBM)限制波尔兹曼机 4，Deep BeliefNetworks深信度网络
十一、辅助课程	（1）疑难解答、分组讨论； （2）学后交流、微信群、QQ群建立；