深度学习精华课入门到精通

2人 购买 好评度 - 收藏
  • 深度学习A版
更多班级

深度学习A版

支持随到随学,23年06月过期

¥198.00

本班因教学质量问题暂时不能报名。 查看详情

课程因违反平台规定暂时不能报名。

立即购买 咨询 在线 电话

课程概述

课程目录

学员评论

老师介绍

王而川

王而川

我是王而川,哈尔滨乐川科技有限责任公司公司CEO,企业培训负责人,天津大学软件学院的一名硕士,人工智能与数据挖掘实验室,专注研究无人驾驶领域的目标识别与跟踪。本人对机器学习,深度学习都有一定的研究。某培训学院创始人,人工智能培训讲师,专业从事机器学习与深度学习培训。
简  介 本课程讲解深度学习必备知识点:深度学习数学基础、高效计算基础与图像线性分类器、梯度下降法与反向传播、卷积神经网络CNN网络结构与常用框架、caffe TensorFlow使用与CNN训练注意事项、CNN扩展图像识别与定位、物体检测、NeuralStyle、循环神经网络RNN讲解、RNN应用案例、其他深度学习网络介绍、深度学习四大框架详解。
公开课主题: 深度学习-从0到100,完整版教学
预计课时数:40课时
系列课期望收费金额:98元
课程适合人群 深度学习入门学子、深度学习进阶学子
课程介绍:深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。本课程从0到100,讲解深度学习必备知识点。本课程主要讲解:深度学习数学基础、高效计算基础与图像线性分类器、梯度下降法与反向传播、卷积神经网络CNN网络结构与常用框架、caffe TensorFlow使用与CNN训练注意事项、CNN扩展图像识别与定位、物体检测、NeuralStyle、循环神经网络RNN讲解、RNN应用案例、其他深度学习网络介绍、深度学习四大框架详解。
课程大纲:(请列出每节课的知识点)
第一节:深度学习数学基础
微积分重点:导数、梯度和Hessian矩阵、二次型梯度、泰勒级数与极值。
概率论重点:累积分布函数、概率密度函数、高斯分布、贝叶斯公示。
矩阵重点:方阵的特征值与特征向量、特征分解、二次型、PCA本质。
凸优化重点:一般优化问题、KKT应用、凸优化问题。
第二节:高效计算基础与图像线性分类器
神经网络介绍与应用:计算机视觉(图像识别、检测)、语言处理(作画)、综合(图像描述)。
高效计算基础: python基本数据类型、容器和高效操作、Numpy和Scripy介绍。
图像识别难点与KNN
图像分类器:线性分类器介绍、得分函数、损失函数、/Softmax与linearSVM分类器
第三节:梯度下降法与反向传播
梯度下降法:损失函数可视化、最优化、梯度下降
反向传播:梯度与偏导、链式法则、Sigmoid例子
第四节:卷积神经网络CNN网络结构与常用框架
卷积神经网络:层级架构、卷积与池化、数据处理、训练算法、优缺点
实际搭建与训练:典型CNN、训练与fine-tuning
常用框架与应用
第五节:caffe、TensorFlow使用与CNN训练注意事项
CNN训练注意事项:权重初始化、训练监督、Dropout正则化
Caffe使用:训练与fine-tuning完整快捷过程、使用python接口定义网络与训练
TensorFlow使用:定义与训练、TensorBord 与 可视化
第六节:CNN扩展图像识别与定位、物体检测、NeuralStyle
图像识别与定位:视作回归与借助图像窗口
物体识别:边缘策略/选择性搜索 、R-CNN、Fast R-CNN 、Faster R-CNN
NeuralStyle艺术化图片
第七节:循环神经网络RNN讲解
序列预测:状态和模型、序列样本、典型应用、序列预测与模型
RNN训练:BPTT算法与解决方案
LSTM:cell介绍、LSTM其他变形、LSTM训练与使用
第八节:RNN应用案例
BPTT算法与LSTM的补充
双向RNN模型讲解
字符语言模型讲解
图像说明和视频讲解介绍
第九节:其他深度学习网络介绍
其他深度学习网络介绍:CPNN、孪生网络(Siamese)、Variational Auto-encoder、Policy network等
第十节:深度学习四大框架详解
Caffe / Torch / TensorFlow / MxNet
  
讲师介绍:讲师王而川,哈尔滨乐川科技有限责任公司公司CEO,企业培训负责人,天津大学软件学院的一名硕士,人工智能与数据挖掘实验室,专注研究无人驾驶领域的目标识别与跟踪。本人对机器学习,深度学习都有一定的研究。某培训学院创始人,人工智能培训讲师,专业从事机器学习与深度学习培训。

 

资料下载报名后支持下载

* 课程提供者:王而川

老师还为你推荐了以下几门课程