| 课程安排 第一天 上午 |
一、机器学习基础 | 1.线性代数 (1).矩阵运算 (2).向量运算 (3).SVD (4).PCA 2.概率信息论 (1).概率分布 (2).期望、方差、协方差 (3). 贝叶斯 (4).结构概率模型 3.数值优化 |
| 二、深度学习基础 | 1.深度学习介绍 (1).发展历史 (2).主要应用 2.感知器 3.人工神经网络 4.前馈神经网络 5.BP算法 6.Hessian矩阵 |
|
| 第一天 下午 |
三、深度学习进阶---卷积神经网络 | 1.CNN卷积神经网络 (1).卷积层（一维卷积、二维卷积） (2).池化层（均值池化、最大池化） (3). 全连接层 (4).激活函数层 (5).Softmax层 2.CNN卷积神经网络改进 (1).R-CNN （SPPNET） (2).Fast-R-CNN (3).Faster-R-CNN （YOLO、SSD） 3.深度学习的模型训练技巧 4.梯度下降的优化方法详解 |
| 第二天 上午 |
四、深度学习软件 | 1.深度学习相关软件的安装配置与使用介绍 (1).Caffe (2).Tensorflow (3).Torch (4).MXNet |
| 第二天 下午 |
五、 CNN应用案例 | (1).CNN与手写数字集分类 (2).YOLO实现目标检测 (3).PixelNet原理与实现 (4).利用卷积神经网络做图像风格结合 |
| 第三天 上午 |
六、深度学习——循环神经网络 | 1.RNN循环神经网络 (1).梯度计算 (2).BPTT 2.RNN循环神经网络改进 (1).LSTM (2).GRU (3).Bi-RNN (4).Attention based RNN 3.RNN实际应用 (1).Seq2Seq的原理与实现 |
| 第三天 下午 |
七、强化学习 | 1.强化学习的理论知识 2.经典模型DQN讲解 3.AlphaGo原理讲解 4.RL实际应用 (1).实现一个AlphaGo |
| 第四天 上午 |
八、对抗性生成网络 | 1.GAN的理论知识 2.GAN经典模型 (1).GAN，CGAN，LAPGAN，DCGAN， 3.GAN经典模型 (1). INFOGAN，WGAN，S2-GAN 4.GAN实际应用 (1).DCGAN提高模糊图片分辨率 5.GAN实际应用 (1).InfoGAN做特定的样本生成 |
| 第四天 下午 |
九、迁移学习 | 1.迁移学习的理论概述 2.迁移学习的常见方法 (1).基于特征的迁移 (2).基于实例的迁移 (3).基于数据的迁移 (4).深度迁移学习 (5).强化迁移学习 (6).迁移学习的研究案例 (7).迁移学习的应用 (8).2017年AAAI最佳论文讲解：利用物理定理的知识迁移到视频理解 |
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有 