|
11158| 33
|
[『編程語(yǔ)言』] 小象學(xué)院《深度學(xué)習(xí)》第三期 |
|
小象學(xué)院《深度學(xué)習(xí)》第三期
主講老師： 李偉， 美國(guó)紐約城市大學(xué)博士 研究領(lǐng)域包括深度學(xué)習(xí)，計(jì)算機(jī)視覺(jué)，人臉計(jì)算以及人機(jī)交互，即將畢業(yè)加入美國(guó)頂級(jí)云計(jì)算平臺(tái)人工智能研究組。在CVPR，ECCV等頂級(jí)會(huì)議上發(fā)表了多篇學(xué)術(shù)文章，同時(shí)他還是WACV，ACCV，ECCV等重要視覺(jué)會(huì)議以及MVA，CVIU等期刊的審稿人。 課程簡(jiǎn)介： 本次的深度學(xué)習(xí)課程主要包括三大部分： 1） 深度學(xué)習(xí)核心原理。了解深度學(xué)習(xí)運(yùn)行的最核心數(shù)學(xué)原理，從而對(duì)后續(xù)的知識(shí)點(diǎn)擴(kuò)展，模型設(shè)計(jì)與優(yōu)化技能打下基礎(chǔ)。 2） 深度學(xué)習(xí)知識(shí)點(diǎn)連接。會(huì)涵蓋主流的深度學(xué)習(xí)研究工程應(yīng)用中碰到的大部分知識(shí)點(diǎn)，與大部分學(xué)習(xí)資料孤立進(jìn)行知識(shí)點(diǎn)介紹不同，會(huì)結(jié)合主講人自身總結(jié)找到所有知識(shí)點(diǎn)之間的聯(lián)系，便于系統(tǒng)掌握。 3） 介紹不同知識(shí)點(diǎn)的代表應(yīng)用。結(jié)合所學(xué)的原理以及知識(shí)點(diǎn)，介紹比較重要的圖像和語(yǔ)言方面的應(yīng)用，如增強(qiáng)學(xué)習(xí)，遷移學(xué)習(xí)，GAN等， 方便學(xué)員針對(duì)自身興趣的目標(biāo)進(jìn)行強(qiáng)化訓(xùn)練。 面向人群： 1. 想了解和學(xué)習(xí)深度學(xué)習(xí)的學(xué)習(xí)者 2. 想學(xué)習(xí)深度學(xué)習(xí)的相關(guān)從業(yè)人員 3. 想轉(zhuǎn)行從事深度的學(xué)習(xí)者 學(xué)習(xí)收益： 通過(guò)本課程的學(xué)習(xí)，學(xué)員將會(huì)收獲： 1. 幫助學(xué)員系統(tǒng)性的掌握深度學(xué)習(xí)的基本原理，以及從基本概念到各個(gè)先進(jìn)模型的轉(zhuǎn)化思路 2. 了解研究過(guò)程中定義問(wèn)題設(shè)計(jì)模型的思路 3. 培養(yǎng)學(xué)員面對(duì)工程及學(xué)術(shù)問(wèn)題的思考解決能力 4. 快速積累深度學(xué)習(xí)項(xiàng)目經(jīng)驗(yàn) 課程大綱： 第一課 深度學(xué)習(xí)總體介紹 1. 神經(jīng)網(wǎng)絡(luò)：傳統(tǒng)到現(xiàn)代 2. 深度學(xué)習(xí)應(yīng)用特點(diǎn) 3. 深度學(xué)習(xí)發(fā)展方向 4. 深度學(xué)習(xí)框架比較：用Tensorflow進(jìn)行課程學(xué)習(xí) 第二課 傳統(tǒng)神經(jīng)網(wǎng)絡(luò) 1. 線性回歸 2. 非線性激勵(lì)函數(shù) 3. loss 函數(shù)，常見(jiàn)問(wèn)題：過(guò)擬合，正則化，dropout 實(shí)例：傳統(tǒng)神經(jīng)網(wǎng)絡(luò)絡(luò)實(shí)現(xiàn) 第三課 反向反饋：深度學(xué)習(xí)模型優(yōu)化基礎(chǔ) 1. SGD 梯度下降介紹 2. 神經(jīng)網(wǎng)絡(luò)的梯度優(yōu)化 3. 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 實(shí)例：反向梯度優(yōu)化對(duì)比 第四課 卷積神經(jīng)網(wǎng)絡(luò) 1. 卷積核以及卷積層 2. AlexNet 最早的現(xiàn)代神經(jīng)網(wǎng)絡(luò) 3. VGG，GoogleNet,，ResNet. 近期的高級(jí)網(wǎng)絡(luò) 實(shí)例：利用已有模型進(jìn)行物體分類／特征提取 第五課 遷移學(xué)習(xí) 1. 理論分析 2. 遷移模型&原始訓(xùn)練模型 3. 如何設(shè)計(jì)新的的網(wǎng)絡(luò) 實(shí)例：表情識(shí)別／人臉識(shí)別／動(dòng)物識(shí)別 第六課 與時(shí)域信息相關(guān)的深度學(xué)習(xí) 1. RNN 2. LSTM 3. 圖片標(biāo)題生成 4. 視頻處理 實(shí)例：LSTM用于圖片標(biāo)題生成 第七課 自然語(yǔ)言處理 1. 處理之前：speech to text 2. 詞語(yǔ)表達(dá)，word2vect 3. 語(yǔ)句生成LSTM 實(shí)例：根據(jù)上下文回答問(wèn)題 第八課 給予深度學(xué)習(xí)的目標(biāo)檢測(cè) 1. 傳統(tǒng)的目標(biāo)檢測(cè)方法 2. 初代算法： Region CNN 3. 升級(jí)： SPP Net， Fast RCNN， Faster RCNN 4. 深度學(xué)習(xí)另辟蹊徑： YoLo 和SSD 實(shí)例： 自動(dòng)駕駛的核心：實(shí)時(shí)目標(biāo)檢測(cè) 第九課 深度卷積神經(jīng)偶的重要應(yīng)用 1. 圖片問(wèn)答 2. 圖像模式轉(zhuǎn)換 3. 圖像高清化 4. 圍棋程序， Alpha go 5. 自動(dòng)游戲機(jī)器人，DeepMind Atari 實(shí)例： 圖片藝術(shù)風(fēng)格轉(zhuǎn)化 第十課 無(wú)監(jiān)督學(xué)習(xí)：對(duì)抗網(wǎng)絡(luò)GAN 1. 傳統(tǒng)無(wú)監(jiān)督學(xué)習(xí) Autoencode，K Means，Sparse Coding 2. RBM 限制博斯曼機(jī)，深度學(xué)習(xí)的另一支 3. 生成對(duì)抗網(wǎng)絡(luò) GAN 實(shí)例： 機(jī)器生成圖片，以假亂真
購(gòu)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(hào)-1 )
GMT+8, 2025-1-21 00:03 , Processed in 0.046406 second(s), 16 queries , MemCached On.
發(fā)表于 2019-6-2 11:55:53
收藏