深度学习有多热门根本不需多说，但是对于程序员群体，如果对深度学习的理解还停留在阿尔法狗战胜人类围棋高手，酷炫无人机无人驾驶这些振奋人心的新闻，或者是理解一堆深奥的数学公式和数学论证上，你可能离真正的深度学习有点远。
深度学习不仅仅是一个人人热捧的“高大上“的概念，每天撸代码的程序员其实是离他最近的一群人；如何将机器学习、实时数据处理、服务器和客户端开发有机结合在一起，而不是片面地了解其中一个部分，通过深度学习拓宽视野并将理论快速落地到实际工作中的研发，这才是程序员与深度学习最直接最真实的关联点。
好剑拿来舞，不是束之高阁仅供瞻仰。国内其实已经有企业开始真正应用深度学习技术用在业务发展中；比如美团点评这两年在深度学习方面进行了一些探索。
摘选举例 1：深度学习用来做跟美团业务特点相关的语义匹配。比如说用户状态，一个在北京和另一个在武汉的用户，在百度或淘宝上搜索任何一个词条，得到的结果不会差太多；但是在美团这样与地理位置强相关的场景下就会完全不一样。比如在武汉搜“黄鹤楼”，用户找的可能是景点门票，而在北京搜索“黄鹤楼”，用户找的很可能是一家饭店。这样就需要结合语言层信息和用户意图、状态来做语义匹配；
摘选举例 2：在美团点评上 App 上的广告首图宣传时，如果传统的图像质量排序方法主要从美学角度进行质量评价，通过颜色统计、主体分布、构图等来分析图片的美感。但在实际业务场景中，用户对图片质量优劣的判断主观性很强，难以形成统一的评价标准。如何选择首图才能更好地吸引用户呢？图像质量排序算法目标就是做到自动选择更优质的首图，以吸引用户点击。
如何将深度学习真正应用到开发和具体业务，需要扎实，深入，系统地学习深度学习的应用；StuQ 推出 60 课时（长达 40 小时）《深度神经网络实战——从 0 到 1 构建深度学习、海量数据实时分析系统》大课，在 3－4 个月学习周期内集中系统学习深度学习的思想方法和编码应用；20 小时讲方法，20 小时讲编程，一半听一半编程，真正将机器学习、实时数据处理、服务器和客户端开发有机结合在一起，帮助学员既可了解机器学习，夯实基础，又能将机器学习充分应用到实际开发中，实现技能进阶。
掌握规律和本质才会事半功倍，真正的授之以渔！
1、机器学习基础
2、常用软件集合和环境配置
为什么选择用 Python
Python
NumPy
sckit-learn
3、数据分组和关联分析算法
4、分类器
决策树（包含实战优化方法）
K- 邻近算法（KNN）
支持向量机（SVM）
贝叶斯网络
朴素贝叶斯算法
贝叶斯网络
1、神经网络
神经网络向量化（有实际写代码部分内容）
2、稀疏自编码器
稀疏自编码器简介
反向传播算法
自编码算法与稀疏性
训练结果可视化
实践
3、数据预处理
4、Softmax 回归
5、 自我学习
1、深度网络简介
2、自编码算法（AE）
3、大型图片处理
线性解码器
全联通与部分联通网络
卷积（Convolution）
池化（Pooling）
卷积神经网络（CNN）
1、C++11 与 C++14
基于 Socket 的通信
C++ 中的内存与资源管理
编码
C++ 98 的编码缺陷
C++ 14 编码支持（包含实战）
进程间通信
2、高性能 C++ 服务器编程 基础 - 高效的内存管理和数据调度
轻量级分身——线程
C++14 线程
竞争问题与解决方案
多线程优化
异步 I/O
内存分配与内存碎片
tcmalloc
内存池
3、高性能 C++ 服务器编程 进阶 - 如何充分利用 CPU 和 GPU
20 小时代码实战演练，上手做比听再多都有用
1、云端服务器架构设计
2、通信系统设计
3、通过 Caffe 实现深度神经网络
为什么是 Caffe？
准备 Caffe 依赖
编译 Caffe（Linux 和 macOS）
使用 Caffe 训练手写数字识别
使用 Caffe 训练 AutoEncoder
调用 Caffe 使用训练后的模型
4、通过 Hurricane 实时处理系统实现分布式网络拓扑
实现 Spout：获取数据
实现 Bolt：预处理
实现 Bolt：调用 Caffe
5、实战：基于循环神经网络的图片全分辨率压缩
再看 AutoEncoder
利用 AutoEncoder 实现图像压缩
RNN（循环神经网络）介绍
利用 RNN 优化图像压缩
实践：编写收集训练数据的高性能分布式爬虫
实践：整理训练数据集
实践：在 Caffe 中实现 RNN
实践：训练与测试
实践：压缩接口设计与封装
实践：Web 服务器搭建
实践：计算服务搭建
实践：完成深度学习服务
6、 基于 macOS 开发的云服务客户端
送你价值 200 元 本课程优惠码【FCXTG3BGYX】，仅限使用 10 次
了解课程详情请咨询人工小助手
抢座点 「 阅读原文 」！
