|
10746| 33
|
[『編程語言』] 小象學院《深度學習》第三期 |
|
小象學院《深度學習》第三期
主講老師： 李偉， 美國紐約城市大學博士 研究領域包括深度學習，計算機視覺，人臉計算以及人機交互，即將畢業(yè)加入美國頂級云計算平臺人工智能研究組。在CVPR，ECCV等頂級會議上發(fā)表了多篇學術文章，同時他還是WACV，ACCV，ECCV等重要視覺會議以及MVA，CVIU等期刊的審稿人。 課程簡介： 本次的深度學習課程主要包括三大部分： 1） 深度學習核心原理。了解深度學習運行的最核心數(shù)學原理，從而對后續(xù)的知識點擴展，模型設計與優(yōu)化技能打下基礎。 2） 深度學習知識點連接。會涵蓋主流的深度學習研究工程應用中碰到的大部分知識點，與大部分學習資料孤立進行知識點介紹不同，會結合主講人自身總結找到所有知識點之間的聯(lián)系，便于系統(tǒng)掌握。 3） 介紹不同知識點的代表應用。結合所學的原理以及知識點，介紹比較重要的圖像和語言方面的應用，如增強學習，遷移學習，GAN等， 方便學員針對自身興趣的目標進行強化訓練。 面向人群： 1. 想了解和學習深度學習的學習者 2. 想學習深度學習的相關從業(yè)人員 3. 想轉行從事深度的學習者 學習收益： 通過本課程的學習，學員將會收獲： 1. 幫助學員系統(tǒng)性的掌握深度學習的基本原理，以及從基本概念到各個先進模型的轉化思路 2. 了解研究過程中定義問題設計模型的思路 3. 培養(yǎng)學員面對工程及學術問題的思考解決能力 4. 快速積累深度學習項目經驗 課程大綱： 第一課 深度學習總體介紹 1. 神經網絡：傳統(tǒng)到現(xiàn)代 2. 深度學習應用特點 3. 深度學習發(fā)展方向 4. 深度學習框架比較：用Tensorflow進行課程學習 第二課 傳統(tǒng)神經網絡 1. 線性回歸 2. 非線性激勵函數(shù) 3. loss 函數(shù)，常見問題：過擬合，正則化，dropout 實例：傳統(tǒng)神經網絡絡實現(xiàn) 第三課 反向反饋：深度學習模型優(yōu)化基礎 1. SGD 梯度下降介紹 2. 神經網絡的梯度優(yōu)化 3. 神經網絡訓練 實例：反向梯度優(yōu)化對比 第四課 卷積神經網絡 1. 卷積核以及卷積層 2. AlexNet 最早的現(xiàn)代神經網絡 3. VGG，GoogleNet,，ResNet. 近期的高級網絡 實例：利用已有模型進行物體分類／特征提取 第五課 遷移學習 1. 理論分析 2. 遷移模型&原始訓練模型 3. 如何設計新的的網絡 實例：表情識別／人臉識別／動物識別 第六課 與時域信息相關的深度學習 1. RNN 2. LSTM 3. 圖片標題生成 4. 視頻處理 實例：LSTM用于圖片標題生成 第七課 自然語言處理 1. 處理之前：speech to text 2. 詞語表達，word2vect 3. 語句生成LSTM 實例：根據(jù)上下文回答問題 第八課 給予深度學習的目標檢測 1. 傳統(tǒng)的目標檢測方法 2. 初代算法： Region CNN 3. 升級： SPP Net， Fast RCNN， Faster RCNN 4. 深度學習另辟蹊徑： YoLo 和SSD 實例： 自動駕駛的核心：實時目標檢測 第九課 深度卷積神經偶的重要應用 1. 圖片問答 2. 圖像模式轉換 3. 圖像高清化 4. 圍棋程序， Alpha go 5. 自動游戲機器人，DeepMind Atari 實例： 圖片藝術風格轉化 第十課 無監(jiān)督學習：對抗網絡GAN 1. 傳統(tǒng)無監(jiān)督學習 Autoencode，K Means，Sparse Coding 2. RBM 限制博斯曼機，深度學習的另一支 3. 生成對抗網絡 GAN 實例： 機器生成圖片，以假亂真
購買主題
本主題需向作者支付 666 資源幣 才能瀏覽
| |
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
小黑屋|資源共享吧 ( 瓊ICP備2023000410號-1 )
GMT+8, 2025-1-10 09:48 , Processed in 0.074666 second(s), 16 queries , MemCached On.
發(fā)表于 2019-6-2 11:55:53
收藏