8個深度學習實戰專案, 快速豐富你的簡歷

  《深度學習 集訓營》今天（5月22日）晚8點開營，線上線下結合（線下在北京和上海），全程實戰！提供GPU環境、就業指導及內推，涵蓋特徵工程、深度學習在計算機視覺和自然語言處理領域中的應用，更有大規模車輛圖片檢索等應用於智慧城市、視訊監控等場景的殺手級專案。一個多月深入實踐深度學習，挑戰年薪50萬！

加入課程，你將體驗到以下優質服務：

全是深度學習的典型應用場景

涵蓋特徵工程、混合網路、深度學習在計算機視覺當中的應用（比如影象分類、影象檢索）、深度學習在自然語言處理中的應用（比如文字處理、文字分類、影象生成文字）、聊天機器人、大規模車輛圖片檢索等應用於智慧城市、視訊監控等安防場景的BAT工業專案。

BAT專家級講師 + 助教全方位輔導

我們擁有來自BAT的專家級講師和數位助教，給你全程全天候1v1般的定製輔導。平時晚上線上學習，週末線下專案實戰，從而通過線上直播從頭到尾掌握深度學習典型應用場景，通過線下專案實戰練就DL工業專案的全棧能力。且有問題，課上課後隨時答疑，手把手教會為止。

提供GPU雲實驗平臺

還原BAT真實生產環境，提供工業資料和國內首創的價值數十萬的GPU雲實驗平臺（提前裝tensorflow、caffe、mxnet等主流DL框架和相關資料）。提供完善的實驗平臺供您動手、真槍實戰，拒絕紙上談兵。

作業專案考核三管齊下

開課前提供機器學習、深度學習相關的線上課程做預習。每次課通過GPU + Jupyter Notebook + GitHub線上提交作業，然後講師和助教1v1線上批改、講解作業，且提供可執行的互動式程式碼，在不斷的階段性實戰和考試中掌握機器學習技能。

高起步 + 簡歷優化

從特徵工程、TensorFlow起步，一上來就實戰BAT工業專案。且根據集訓營實戰專案，將涉及到的關鍵知識點和專案經歷優化到您的簡歷中。

面試求職輔導 + 就業推薦

精講深度學習工程師面試時常見考點/模型/演算法，且BAT一線技術經理1v1模擬真實面試，從技術、表達等方面全方位提升您的面試能力。根據您的技術特長提供定製化的能力評估、就業指導以及包括BAT等一線網際網路公司的工作機會推薦。2個月挑戰年薪30~50萬。

接下來，讓我們看一下在「深度學習」集訓營裡，你將會挑戰哪些有趣的實戰專案吧！

課程大綱

預習階段 從DL基礎起步，掌握三大核心模型

搞定深度學習基礎

線上視訊：DNN與CNN，及NN框架

1-DNN與混合網路：google Wide&Deep

2-實戰專案：資料非線性切分+google wide&deep 模型實現分類

3-CNN:從AlexNet到ResNet

4-實戰專案：搭建CNN完成影象分類示例

5-NN框架：caffe, tensorflow與pytorch

6-實戰專案：用幾大框架完成DNN與CNN網路搭建與分類

線上視訊 ：RNN、LSTM、與條件生成、attention

1-RNN/LSTM/Grid LSTM

2-實戰專案：RNN文字分類

3-RNN條件生成與attention

4-實戰專案：google神經網路翻譯系統

第一階段 從資料科學比賽裡看深度學習應用

全面實戰深度學習專案

線上課程：業務場景下機器學習/深度學習資料處理與特徵工程

1-業務場景下的特徵處理與挖掘套路

2-如何用tensorflow進行常見的資料特徵工程

3-tensorflow搭建baseline模型解決分類問題

線上課程：tensorflow搭建混合網路

1-wide network搭建與優缺點

2-deep neural Network搭建與優缺點

3-混合網路搭建套路

4-用混合網路解決分類問題

線下實戰：從DNN/Wide/Wide&Deep解決房價預測問題

1-機器學習vs深度學習，工業界的利弊權衡

2-神經網路基本原理和訓練要點

3-如何針對不同的應用場景選擇模型結構

4-從wide&deep到混合網路的搭建與應用

5-以kaggle比賽為例講解神經網路解決方案

第二階段 深度學習在計算機視覺中的應用

線上課程：深度卷積神經網路原理與實踐

1-卷積操作的數學定義和物理意義

2-卷積神經網路結構的兩大原理—區域性連線和權值共享

3-卷積神經網路的主體結構和變種

4-3小時內用百行程式碼登頂Kaggle影象分類比賽的Top-5%

線上課程：海量影象與tensorflow處理

1-Tensorflow輸入資料——TFRecord與Dataset

2-Tensorflow影象預處理

3-Parameter Server原理

4-Tensorflow的分散式訓練的實現

線下實戰：影象分類與影象檢索實戰

1-靈活選取卷積神經網路結構作為影象分類的Backbone

2-遷移學習在深度學習中的應用——“微調”（Fine-tune）技術

3-影象搜尋的前世（Bag-of-Visual-Words）和今生（Deep Learning）

第三階段 深度學習在自然語言處理中的應用

線上課程：文字預處理，詞袋模型，word2vec，語言模型

1-NLP基本知識：詞袋、tf-idf、樸素貝葉斯

2-DL中的NLP基礎：word2vec、doc2vec、embedding、N-gram LM

3-用深度學習一步步完成情感分析任務

線上課程：CNN/LSTM 文字分類

1-文字分類問題處理流程

2-傳統模型在文字分類上的表現

3-從RNN到LSTM

4-CNN/LSTM 在文字分類上的應用

線下實戰：文字語義相似度匹配模型以及Seq2Seq模型構建

1-深度學習在自然語言處理中的基礎工具：word2vec、Embedding

2-文字檢索與匹配通用模型方法：DSSM，CDSSM，DRMM，ARC-I

3-Seq2Seq模型搭建詳解與應用案例

4-(短)文字語義相似度匹配模型構建及其實踐應用

線下實戰：影象生成文字(Image2text)

1-Image2text基本模型

2-基於Attention的Image2Text

3-反問題：Text2Image

第四階段 高階深度學習應用場景

線下實戰：基於深度學習的聊天機器人，看圖說話與VQA

1-基於深度學習匹配的聊天機器人

2-基於序列到序列模型的聊天機器人

3-結合CNN與RNN的看圖說話與VQA看圖問答機器人

線下實戰：大規模車輛圖片搜尋（Re-ID）演算法原理及實踐

1-多工（Multi-task）深度學習模型搭建與訓練

2-深度排序(Deep Ranking, Triplet Loss)原理與訓練技巧

3-使用多工和深度排序模型，構建一個工業界和學術界最前沿的大規模車輛圖片搜尋演算法(可用於智慧城市、視訊監控等安防場景)，在業界最大的車輛搜尋開源資料集上取得State-of-the-Art效果

第五階段 深度學習模型優化及實踐技巧

線下實戰：NLP與CV資料科學比賽案例詳解與實踐

1-NLP AI比賽：文字主題與標籤預測(通用模型結構、textCNN與textRNN、texRCNN與其他網路)

2-影象比賽基本套路

3-影象分類與影象分割比賽解決方案介紹

線下實戰：深度學習模型優化前瞻技術 以及實踐技巧

1-深度卷積神經網路的歷史變革和設計理念——從AlexNet到DenseNet

2-解析各類輕量級深度網路的設計理念——深度可分離網路

3-深度學習模型訓練時應注意的問題即實踐技巧

 如何加入課程？ 

掃描下方二維碼瞭解課程詳情