课程分类

课程介绍
课程目录
用户评论
课程介绍
课程目录
用户评论

你将获得

  • 掌握某些知识点
  • 学会某些技巧(或思路)

教学服务

  • icon

    1v1专属答疑服务

  • icon

    BAT专家面试辅导

讲师介绍

  • 天善智能,专注于商业智能BI,大数据,数据分析领域,主要有天善社区,天善学院等 数据爱好者们都在这儿。

  • 课程详情

    课程名称:

    三个月教你从零入门人工智能!| 深度学习精华实践课程

     

    课程须知

    本课程为《三个月教你从零入门人工智能!!| 深度学习精华实践课程》的免费课程

     

    课程特色:

    规划全面:涵盖目前主流的深度学习领域,包括图像识别,图像检测,自然语言处理,GAN,分布式训练框架等等。掌握每一项技能都能在从事该领域迈进一步。

    重点突出:摒弃繁冗的数学证明,一切从实际出发,突出重点,短时间内掌握重点知识。

    实战演练:课程包含多个实际案例,并结合实际项目经验教你如何在企业中做深度学习的项目

     

    老师介绍:

    胡晓曼老师(Charlotte),高级算法工程师 ,博客专家;

    擅长用通俗易懂的方式讲解深度学习和机器学习算法,熟悉Tensorflow,PaddlePaddle等深度学习框架,负责过多个机器学习落地项目,如垃圾评论自动过滤,用户分级精准营销,分布式深度学习平台搭建等,都取了的不错的效果。
     

    程大纲

    第一章: 什么是人工智能

    1. 人工智能背景介绍

    2. 前期环境准备

     

    第二章: 深度学习入门基础

    1. 深度学习环境准备                             

    2. Tensorflow快速入门一 ——基本概念和框架

    3. Tensorflow快速入门二 ——实战演练和模型训练

    4. Tensorflow快速入门三 ——技巧总结

    5. 深度学习数学知识一览表

    6. 作业:实例:用自己的数据训练一个二分类模型

      作业讲解:如何制作自己的数据集

     

    第三章: 传统神经网络与参数的理解 

    1. 什么是多层感知机

    2. 激活函数的原理、类别与实现

    3. 损失函数的原理、类别与实现

    4. 梯度下降方法(一)

    5. 梯度下降方法 (二)

    6. 学习率如何设定

    7. 正则化的方法(一)

    8. 正则化的方法(二)

    9. 实例:识别花的种类

    10. 作业:改变不同的参数,提高识别花种类的准确率

      作业讲解:不同参数的改变对于准确率的变化原理

     

    第四章: 前向传播与反向传播

    1. 前向传播的原理

    2. 前向传播的代码实现

    3. 反向传播的原理

    4. 反向传播的代码实现

    5. 实例:自己手写一个完整的BP

    6. 作业:写一个Autoencoder   

      作业讲解:如何写一个Autoencoder  

     

    第五章:自编码Autocoder的原理及应用

    1. 什么是Autoencoder

    2. Autoencoder的原理与实现

    3. Autoencoder与PCA的区别

    4. Autoencoder的变种(一)

    5. Autoencoder的变种(二)

    6. 实例:Autoencoder与聚类结合在预测用户偏好中的应用

    7. 作业:运用Autoencoder对海量数据进行降维

      作业讲解:如何高效的运用Autoencoder降维

     

    第六章: 经典卷积神经网络及图像分类

    1. LeNet的网络结构及实现

    2. AlexNet的网络结构及实现

    3. Vgg的网络结构及实现

    4. GoogLeNet的网络结构及实现

    5. ResNet的网络结构及实现

    实例:用经典卷积神经网络对cifar-10数据进行图像分类

     

    第七章: 目标检测

    1. 传统的目标检测方法

    2. 初代算法: Region CNN

    3. 升级: SPP Net, Fast RCNN, Faster RCNN

    4. 深度学习另辟蹊径: YoLo 和SSD

    实例: 自动驾驶的核心:实时目标检测

     

    第八章: 迁移学习

    1. 理论分析

    2. 迁移模型&原始训练模型

    3. 如何设计新的的网络

    实例:表情识别/人脸识别/动物识别 

     

    第九章: 循环神经网络RNN

    1. RNN 原理详解    

    2. 情感分析项目介绍

    实例:情感分析

     

    第十章: 自然语言处理

    1. 处理之前:speech to text    

    2. 词语表达:词向量与word2vec

    3. 语句生成LSTM

    实例:教你实现一个简单的聊天机器人

     

    第十一章: 深度卷积神经的重要应用

    1. 图片问答

    2. 图像模式转换

    3. 图像高清化

    4. 围棋程序, Alpha go

    5. 自动游戏机器人,DeepMind Atari

    实例: 图片艺术风格转化 

     

    第十二章: 无监督学习:对抗网络GAN

    1. 传统无监督学习 Autoencode,K Means,Sparse Coding

    2. RBM 限制博斯曼机,深度学习的另一支 

    3. 生成对抗网络 GAN

    实例: 机器生成图片,以假乱真

     

     第十三章: 高性能计算

    1. 单价单卡的实现过程

    2. 单机多卡的实现过程

    3. 多机单卡的实现及部署

    4. 多机多卡的实现及部署

    实例:分布式训练实例:基于docker的分布式训练框架搭建

     

    友情提示

    1、如果加入课程后下次登录提示课程需要重新加入,一般是因为你把登录账户记成你绑定的手机或者邮箱帐号而混淆了。

    3、加入学习后请添加客服微信:tianshancourses(请注明:公司+职位+姓名),邀请你加入微信课程群