专知2019年《深度学习:算法到实战》精品课程，472位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位

    揭开深度学习的神秘面纱，领略人工智能之美 

• 人工智能和机器学习概述

• 人工智能历史和现状

• 从专家系统到机器学习

• 深度学习概述

• 从传统机器学习到深度学习

• 深度学习历史

• 深度学习的能与不能

• 浅层神经网络

• 从生物神经元到单层感知器

• 多层感知器

• 反向传播和梯度消失

• 从神经网络到深度学习

• 逐层预训练

• 自编码器和受限玻尔兹曼机

• Beyond预训练

• 卷积神经网络绪论

• 卷积神经网络 vs 传统神经网络

• 卷积神经网络的基本应用

• 图像分类 image caption

• 图像检索 image retrieval

• 物体检测 object detection

• 图像分割 image segmentation

• 图像理解 image caption

• 应用拓展

• 自动驾驶 self-driving

• 人脸识别 face recognition

• 情感识别 facial expression recognition

• 动作识别 action recognition

• 图像生成 image generation

• 风格转化 style transfer

• 基本组成结构

• 卷积

• 池化

• 全连接

• 卷积神经网络典型结构

• AlexNet

• ZFNet

• VGG

• GoogleNet

• ResNet

• 卷积神经网络实战（代码讲解）

• 总结

• 循环神经网络的应用

• 机器翻译 machine translation

• 语音识别 speech recognition

• 视觉问答 visual question answering

• 图像理解 image caption

• 语音问答 speech question answering

• 循环神经网络 vs 卷积神经网络

• 技术

• 应用场景

• 循环神经网络的基本结构

• 实例-智能系统

• 多种递归结构

• 深度RNN

• 双向RNN

• BPTT算法

• 循环神经网络的模型变种

• 传统RNN存在的问题

• LSTM

• Grid-LSTM

• GRU

• 各模型对比

• 扩展

• 其他解决RNN梯度消失的方法

• 基于注意力机制的RNN （attention-based RNN）

• 总结

• 目标检测绪论

• 概念

• 评价准则

• 数据集

• 竞赛

• 目标检测战前准备

• 滑动窗口

• 目标候选生成

• 难样本挖掘

• 非极大值抑制

• 检测框回归

• 目标检测：两阶段方法

• R-CNN

• SPP-Net

• Fast R-CNN

• Faster R-CNN

• FPN

• RFCN

• 目标检测：单阶段方法

• YOLO

• SSD

• Retina Net

• 荟萃：目标检测方法对比

• 10行代码实现目标检测

• 拓展：视频中的目标检测

• 总结

• 生成式对抗网络简介

• 背景

• GAN案例

• 图像生成

• 图像超像素

• 图像修复

• 风格转换

• 文字生成图片

• GAN应用

• 数据增广

• 迁移学习/领域自适应

• 无监督特征学习

• 其他

• 生成式对抗网络基础

• 生成式对抗网络（Generative Adversarial Network，GAN）

• 直观解释GAN

• 模型和目标函数

• 全局最优解

• PyTorch实现

• 条件生成式对抗网络（Conditional GAN， cGAN）

• 直观解释cGAN

• 模型和目标函数

• PyTorch实现

• 深度卷积生成式对抗网络（Deep Convolutional GAN，DCGAN）

• 网络结构

• PyTorch实现

• Wasserstein GAN （WGAN）

• JS距离缺陷

• Wasserstein距离和Wasserstein损失

• 模型和目标函数

• PyTorch实现

• 生成式对抗网络前沿

• ProgressiveGAN

• Spectral Normalization GAN

• Self-Attention GAN

• 生成式对抗网络实战
  以图像翻译为案例，由浅入深教你实现一个工程

• 用GAN实现图像翻译：Pixel2Pixel

• U-Net

• PatchGAN

• Instance Normalization

• 详细的Pytorch实现

• CycleGAN

• Cycle-Consistent 损失

• 详细的Pytorch实现

• StarGAN

• 多领域图像翻译

• 详细的Pytorch实现

• 深度强化学习

• 引言：强化学习相关概念、理论基础、深度强化学习的应用

• 基于策略的方法：策略梯度法

• 基于值的方法：Deep Q-Network

• 两种方法的结合：Actor-Critic方法

• 深度强化学习劝退？优势与挑战

• 迁移学习

• 引言：概念、定义与应用

• 迁移学习的种类及代表性方法

• 具化迁移学习：域自适应

• 迁移学习展望

• 图神经网络

• 引言：概念与应用

• 基于空域的图神经网络方法：以门限图递归神经网络为例

• 基于频域的图神经网络方法：图卷积神经网络（GCN）

• 展望

• 深度学习可视化及解释

• 可视化神经网路

• 解锁黑箱模型：在路上

• 深度学习的未来

• 如何用PyTorch完成实验?

• 如何加载、预处理数据集？

• 如何构建我想要的模型？

• 如何定义损失函数、实现优化算法？

• 如何构建对比实验（baseline）?

• 如何迭代训练、加速计算（GPU）、存储模型？

• 用PyTorch 实现经典模型

• 计算机视觉经典模型实现

• 怎么实现VGG？

• 怎么实现GoogleNet？

• 怎么实现ResNet？

• 自然语言处理经典算法实现

• 怎么实现神经网络语言模型？

• 怎么实现Sequence to sequence + attention（含有注意力机制的序列建模）?

• 怎么实现sequence labeling（序列标注模型）?

• 计算机视觉应用实战： 用PyTorch 实现实时目标检测

• 什么是目标检测任务？

• 目标检测的公开数据集讲解

• 目标检测的模型讲解

• 典型算法与实现

• YOLO

• SSD

• 自然语言处理应用实战：用PyTorch 实现文本自动摘要生成

• 什么是文本自动摘要生成任务？

• 文本摘要生成的公开数据集讲解

• 文本摘要生成的模型讲解

• 典型算法与实现

• Pointer-generator

• Fast_abs_rl

点击查看大图

授课团队

高君宇，中国科学院自动化研究所模式识别国家重点实验室博士。研究方向为多媒体计算、深度学习、计算机视觉等。已经在IEEE Transaction on Image Processing、ACM Multimedia、AAAI等CCF-A类推荐的顶级国际期刊、会议上以第一作者发表了5篇文章，获中国科学院大学三好学生标兵、国家奖学金等荣誉。

王贯安，中国科学院自动化研究所复杂系统管理与控制国家重点实验室博士。研究方向为深度学习、计算机视觉和图像处理等；对人工智能算法如生成对抗网络等研究深入，独立撰写GAN算法综述；在图像检索、行人再识别领域具有丰富实战经验。已在计算机视觉顶级会议ECCV等会议、期刊发表论文多篇。独立主持进行军工合作项目（图像处理方向）1项。

▲

张飞飞，中国科学院自动化研究所模式识别国家重点实验室博士，专知算法技术负责人。主要研究多媒体数据分析、自然语言处理，已经在包括CCF-A ACM Multimedia 在内的多媒体领域多个权威会议发表论文多篇，曾获2016年PCM会议最佳论文奖，国家奖学金。带领算法团队参与研发的产业化项目专知，获得2018年中国多媒体大会多媒体前沿技术杰出展示奖。作为专知多个项目的算法负责人，为多家企业提供AI算法支持。在自然语言处理领域特别是实体、关系、事件分析与知识图谱方面经验丰富。