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 |
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
|
六,对抗性生成网络GAN |
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; |
machine learning course
最新推荐文章于 2021-11-18 23:42:49 发布