關於深度學習的一些技巧

公開課理論講解及實戰（現場上機實踐） 一、深度學習基礎和基本思想 1，人工智慧概述、計算智慧、類腦智慧 2，機器學習概述、記憶學習、歸納學習、統計學習 3，深度學習的前生今世、發展趨勢 4，人工神經網路、前饋神經網路、BP演算法 、Hessian矩陣、結構性特徵表示 二、深度學習基本框架結構 1，Tensorflow 2， Caffe 3，Torch 4，MXNet 三，卷積神經網路CNN 1，CNN卷積神經網路 卷積層（一維卷積、二維卷積）、池化層（均值池化、最大池化） 全連線層 啟用函式層 Softmax層 2，CNN卷積神經網路改進 R-CNN （SPPNET） Fast-R-CNN Faster-R-CNN （YOLO、SSD） 3，深度學習的模型訓練技巧 4，梯度下降的優化方法詳解 四，迴圈神經網路RNN 1，RNN迴圈神經網路
梯度計算 BPTT 2，RNN迴圈神經網路改進 LSTM GRU Bi-RNN Attention based RNN 3，RNN實際應用 Seq2Seq的原理與實現
五、強化學習DRL 1，強化學習的理論知識
2，經典模型DQN講解 2，AlphaGo原理講解
3，RL實際應用；實現一個AlphaGo 六，對抗性生成網路GAN 1，GAN的理論知識
2，GAN經典模型CGAN，LAPGAN，DCGAN 3，GAN經典模型 INFOGAN，WGAN，S2-GAN 4，GAN實際應用 DCGAN提高模糊圖片解析度 5，GAN實際應用 InfoGAN做特定的樣本生成 七、遷移學習TL 1，遷移學習的理論概述 2，遷移學習的常見方法 特徵、例項、資料、深度遷移、強化遷移、研究案例 八、深度學習演算法理論解析 1，基於區域卷積網路RCNN 2，深度殘差網路Resnet 3，膠囊網路Capsule 4，長短時記憶網路LSTM 5，注意力機制 6，BP反傳演算法 7，可變分編碼器VAE 九、深度學習實際應用案例操作 1，CNN——》影像分類 2，Lstm——》文字分類 3，Lstm——》命名實體抽取 4，Yolo——》目標檢測
5，影像分類(CNN) 6，目標定位和識別(RCNN)
7，影像重建(Auto-encoder) 8，文字識別(RNN) 9，實體標註(LSTM) 10，手寫體數字生成(GAN) 11，邏輯迴歸匯出影像分類； 12，靜/動態圖編寫（CNN） 十、深度學習Deep Learning的常用模型或者方法 1，AutoEncoder自動編碼器 2，Sparse Coding稀疏編碼 3，Restricted Boltzmann Machine(RBM)限制波爾茲曼機 4，Deep BeliefNetworks深信度網路 十一、輔助課程 （1）疑難解答、分組討論； （2）學後交流、微信群、QQ群建立；