大牛带你打开深度学习的大门

课程简介：

本次的深度学习课程主要包括三大部分：

1） 深度学习核心原理。了解深度学习运行的最核心数学原理，从而对后续的知识点扩展，模型设计，与优化技能打下基础。

2） 深度学习知识点连接。会涵盖主流的深度学习研究工程应用中碰到的大部分知识点，与大部分学习资料孤立进行知识点介绍不同，会结合主讲人自身总结找到主要知识点之间的联系，便于系统掌握与后续学习。

3） 介绍不同知识点的代表应用。结合所学的原理以及实例，讲解近期较为重要的图像与语言领域的应用， 如增 强学习(Reinforcement Learning)，迁移学习(Transfer Learning)，无监督式学习(Unsupervised Learning)下的生成式对抗网络(Generative Adverserial Networks, GANs)，注意力机制模型(Attention Model) 等， 方便学员针对自身兴趣的目标进行强化训练提升。

主讲老师：

戎雪健 美国纽约城市大学博士

研究领域包括深度学习，计算机视觉，与图像处理等，尤其是自然场景文字检测与识别方向。在CVPR，ECCV等顶级会议上发表了多篇学术论文，同时他还是CVPR，ICCV，BMVC，WACV等重要视觉会议以及TMM，TIP，CVIU，JVCI等期刊的审稿人。

开课时间： 2017年9月9日

学习方式：

在线直播，共10次

每周2次（ 周六、日晚上20:00-22:00 ）

直播后提供录制回放视频，在线反复观看，有效期1年

课程大纲

第一课：深度学习的总体介绍

1. 神经网络：从传统到现代

2. 深度学习应用特点

3. 深度学习发展方向

4. 深度学习流行框架比较 ：用TensorFlow进行课程实例学习与工程部署

5. 实例：深度学习环境配置，TensorFlow基础／进阶／示例，PyTorch基础

第二课：传统神经网络

1. 神经网络起源：线性回归

2. 从线性到非线性：非线性激励

3. 神经网络的构建：深度广度复杂度扩展

4. 神经网络的“配件”：损失函数，学习率，动量，过拟合等

5. 多层感知器

6. 实例: 线性回归与逻辑回归模型 (TensorFlow, PyTorch)

第三课： 卷积神经网络：基础篇

1. 链式反向梯度传导

2. 卷积神经网络－卷积层：正向反向推导

3. 卷积神经网络－功能层：激活函数，降维，归一化，池化，区域分割

4. 实例：简单卷积神经网络训练与运行 (TensorFlow, PyTorch)

第四课： 卷积神经网络：高级篇

1. AlexNet：最早的现代神经网络

2. VGG，GoogleNet，ResNet，DenseNet： 近期的高级卷积网络模型

3. U-Net：深度图片生成网络

4. 实例：利用预训练模型进行物体分类／特征提取 (TensorFlow, PyTorch)

第五课：卷积神经网络：目标分类与识别

1. 目标分类与识别任务介绍

2. 传统分类识别方法总结

3. ImageNet与PASCAL VOC数据库

3. 迁移学习

4. 个人研究分享：如何设计新的的网络

5. 实例训练：物体识别／场景识别／文字识别 (TensorFlow)

第六课： 卷积神经网络：目标检测与追踪

1. 目标检测与追踪任务介绍

2. 基于手动设计特征的传统目标检测追踪方法总结

3. 目标检测：RCNN，Fast-RCNN，Faster-RCNN, FPN系列

4. 目标检测：YOLO，SSD，YOLO9000系列

5. 目标追踪：Hierarchical Features, Tracking with FCNs系列

6. TensorFlow官方目标检测接口：Object Detection API

7. 个人研究分享： 自然场景文本检测识别领域的最新方法与动向

8. 实例：目标检测模型训练／部署 (TensorFlow)

第七课：卷积神经网络：目标分割

1. 目标分割任务介绍

2. 传统图片分割方法总结

3. 全卷积网络

4. 图像语义分割

5. 图像实例分割

6. 目标分割：FCIS, Mask-RCNN系列

7. 业界应用 ：目标分类／检测／分割模型在自动驾驶与无人车中的应用

8. 实例：目标分割模型训练／部署 (TensorFlow)

第八课： 循环神经网络

1. RNN基本原理

2. 改进版RNN：门限循环单元

3. 改进版RNN：长短期记忆单元

4. 语言特征提取

5. 编码器 + 解码器结构

6. 注意力机制模型

7. 图片标注：学会看图说话

8. 图片问答：学会看图推理