|
9063| 34
|
[『編程語(yǔ)言』] 小象學(xué)院《深度學(xué)習(xí)》第四期 |
|
小象學(xué)院《深度學(xué)習(xí)》第四期
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) 5. 實(shí)例：Tensorflow基礎(chǔ) 第二課 傳統(tǒng)神經(jīng)網(wǎng)絡(luò) 1. 神經(jīng)網(wǎng)絡(luò)起源：線性回歸 2. 從線性到非線性：非線性激勵(lì) 3. 神經(jīng)網(wǎng)絡(luò)的構(gòu)建：深度廣度復(fù)雜度擴(kuò)展 4. 神經(jīng)網(wǎng)絡(luò)的“配件”：損失函數(shù)，學(xué)習(xí)率，動(dòng)量，過(guò)擬合 5. 實(shí)例: 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn) 第三課 卷積神經(jīng)網(wǎng)絡(luò)－基礎(chǔ)篇 1. 鏈?zhǔn)椒聪蛱荻葌鲗?dǎo) 2. 卷積神經(jīng)網(wǎng)絡(luò)－卷積層：正向反向推導(dǎo) 3. 卷積神經(jīng)網(wǎng)絡(luò)－功能層：非線性激勵(lì)，降維，歸一化，區(qū)域分割，區(qū)域融合 4. 實(shí)例：簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)運(yùn)行 第四課 卷積神經(jīng)網(wǎng)絡(luò)－高級(jí)篇 1. AlexNet 最早的現(xiàn)代神經(jīng)網(wǎng)絡(luò) 2. VGG，GoogleNet,，ResNet. 近期的高級(jí)網(wǎng)絡(luò) 3. Deepface 結(jié)構(gòu)化圖像網(wǎng)絡(luò) 4. U-Net 深度圖片生成網(wǎng)絡(luò)：逆卷積作用 5. 實(shí)例：利用已有模型進(jìn)行物體分類／特征提取 第五課 卷積神經(jīng)網(wǎng)絡(luò)－目標(biāo)分類 1. 目標(biāo)分類基本框架 2. 遷移學(xué)習(xí) 3. 個(gè)人研究分享：如何設(shè)計(jì)新的的網(wǎng)絡(luò) 4. 實(shí)例訓(xùn)練：表情識(shí)別／人臉識(shí)別／動(dòng)物識(shí)別 第六課 卷積神經(jīng)網(wǎng)絡(luò)－目標(biāo)探測(cè) 1. 目標(biāo)探測(cè)介紹 2. 傳統(tǒng)方法總結(jié)－DPM 3. RCNN 系列：RCNN，F(xiàn)ast RCNN，F(xiàn)aster RCNN 4. YoLo系列 5. 實(shí)例：目標(biāo)探測(cè)模型訓(xùn)練／部署 第七課 遞歸神經(jīng)網(wǎng)絡(luò) 1. RNN基本原理 2. 升級(jí)版RNN：LSTM 3. 語(yǔ)言特征提取 Word2Vec 4. 實(shí)例：LSTM用于語(yǔ)句生成 第八課 遞歸網(wǎng)絡(luò)卷積網(wǎng)絡(luò)結(jié)合： CNN＋RNN 1. CNN＋RNN 2. 圖片標(biāo)注：學(xué)會(huì)看圖說(shuō)話 3. 視頻分類：時(shí)間信號(hào)幫助更多 4. 圖片問(wèn)答：對(duì)話機(jī)器人升級(jí)版 5. 實(shí)例：圖片標(biāo)注實(shí)例 第九課 生成對(duì)抗網(wǎng)絡(luò)：GAN 1. GAN原理基礎(chǔ) 2. 深度GAN：GAN ＋深度學(xué)習(xí) 3. 條件GAN：生成圖片由我控制 4. info GAN：無(wú)監(jiān)督找特征 5. Wasserstein GAN：理論創(chuàng)新 6. 實(shí)例：Pix2Pix 自定義圖片生成 第十課 增強(qiáng)學(xué)習(xí) 1. 增強(qiáng)學(xué)習(xí)基礎(chǔ) 2. DQN 深度增強(qiáng)學(xué)習(xí) 3. DQN 改進(jìn)模型 4. A3C 模型：高效游戲機(jī)器人 5. 實(shí)例：DQN用于Atari游戲?qū)W習(xí)
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, 2025-1-20 23:58 , Processed in 0.074597 second(s), 16 queries , MemCached On.
發(fā)表于 2019-6-2 19:18:21
收藏