《深度学习》第四期，再度升级！

深度学习【第四期】

李伟， 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，人脸计算以及人机交互，即将毕业加入美国顶级云计算平台人工智能研究组。在CVPR，ECCV等顶级会议上发表了多篇学术文章，同时他还是WACV，ACCV，ECCV等重要视觉会议以及MVA，CVIU等期刊的审稿人。

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所有知识点之间的联系，便于系统掌握。

      3） 介绍不同知识点的代表应用。结合所学的原理以及知识点，介绍比较重要的图像和语言方面的应用，如增强学习，迁移学习，GAN等， 方便学员针对自身兴趣的目标进行强化训练。

      1.  想了解和学习深度学习的学习者

      2.  想学习深度学习的相关从业人员

      3.  想转行从事深度的学习者

通过本课程的学习，学员将会收获：

      1.  帮助学员系统性的掌握深度学习的基本原理，以及从基本概念到各个先进模型的转化思路

      2.  了解研究过程中定义问题设计模型的思路

      3.  培养学员面对工程及学术问题的思考解决能力

      4.  快速积累深度学习项目经验

2017年4月28日开课

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，可在线反复观看，有效期1年

第一课 深度学习总体介绍

1. 神经网络：传统到现代

2. 深度学习应用特点

3. 深度学习发展方向

4. 深度学习框架比较：用Tensorflow进行课程学习

   5.实例：Tensorflow基础

第2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
   

   5.实例：传统神经网络络实现

第3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：非线性激励，降维，归一化，区域分割，区域融合

   4.实例：简单卷积神经网络运行

第4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. 近期的高级网络

3. Deepface 结构化图像网络

4. U-Net 深度图片生成网络：逆卷积作用
   

   5.实例：利用已有模型进行物体分类／特征提取

第5课  卷积神经网络－目标分类

1. 目标分类基本框架

2. 迁移学习

3. 个人研究分享：如何设计新的的网络

   4.实例训练：表情识别／人脸识别／动物识别

第6课 卷积神经网络－目标探测

1. 目标探测介绍  

2. 传统方法总结－DPM

3. RCNN 系列：RCNN，Fast RCNN，Faster RCNN

4. YoLo系列

   5. 实例：目标探测模型训练／部署

第7课 递归神经网络

1. RNN基本原理

2. 升级版RNN：LSTM

3. 语言特征提取 Word2Vec

   4.实例：LSTM用于语句生成

第8课 递归网络卷积网络结合： CNN＋RNN

1. CNN＋RNN

2. 图片标注：学会看图说话

3. 视频分类：时间信号帮助更多

4. 图片问答：对话机器人升级版

   5.实例：图片标注实例

第9课 生成对抗网络：GAN

1. GAN原理基础

2. 深度GAN：GAN ＋深度学习

3. 条件GAN：生成图片由我控制

4. info GAN：无监督找特征

5. Wasserstein GAN：理论创新

   6.实例：Pix2Pix 自定义图片生成

第10课：增强学习

1. 增强学习基础

2. DQN 深度增强学习

3. DQN 改进模型

4. A3C 模型：高效游戏机器人
   

   5. 实例：DQN用于Atari游戏学习