小象學院《深度學習》第五期

show0p · 發(fā)表于 2019-6-3 00:30:02

小象學院《深度學習》第五期

主講老師：

戎雪健，美國紐約城市大學博士

研究領(lǐng)域包括深度學習，計算機視覺，與圖像處理等，尤其是自然場景文字檢測與識別方向。在CVPR，ECCV等頂級會議上發(fā)表了多篇學術(shù)論文，同時他還是CVPR，ICCV，BMVC，WACV等重要視覺會議以及TMM，TIP，CVIU，JVCI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(shè)計，與優(yōu)化技能打下基礎(chǔ)。

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(yīng)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(jié)合主講人自身總結(jié)找到主要知識點之間的聯(lián)系，便于系統(tǒng)掌握與后續(xù)學習。

3）介紹不同知識點的代表應(yīng)用。結(jié)合所學的原理以及實例，講解近期較為重要的圖像與語言領(lǐng)域的應(yīng)用，如增強學習(Reinforcement Learning)，遷移學習(Transfer Learning)，無監(jiān)督式學習(Unsupervised Learning)下的生成式對抗網(wǎng)絡(luò)(Generative Adverserial Networks, GANs)，注意力機制模型(Attention Model)等，方便學員針對自身興趣的目標進行強化訓練提升。

面向人群：

   1.  想了解和學習深度學習的學習者
   2.  想學習了解深度學習的相關(guān)從業(yè)者
   3.  未來想從事深度學習工作的求職者

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，結(jié)合近期研究成果，學習從基本概念到各個先進模型的轉(zhuǎn)化思路

2. 了解研究過程中定義問題設(shè)計模型的思路

3. 實踐與理論結(jié)合，培養(yǎng)學員面對工程及學術(shù)問題的思考解決能力
4. 結(jié)合深度學習框架TensorFlow進行實例訓練，快速積累深度學習工程項目經(jīng)驗

5. 對有興趣與科研需求的學員，提供輕量級深度學習框架PyTorch的講解與指導

開課時間：

2017年9月9日

學習方式：

在線直播，共10次課，每次2小時

每周2次（周六、日，晚上20:00 - 22:00）

直播后提供錄制回放視頻，可在線反復觀看，有效期1年

課程大綱：

第一課深度學習總體介紹

1. 神經(jīng)網(wǎng)絡(luò)：從傳統(tǒng)到現(xiàn)代

2. 深度學習應(yīng)用特點

3. 深度學習發(fā)展方向

4. 深度學習流行框架比較 (Caffe/Caffe2, MXNet, Theano, Keras, TensorFlow, Torch/PyTorch)：用TensorFlow進行課程實例學習與工程部署（對有興趣與科研需要的學員，額外講解用PyTorch進行快速原型開發(fā)）

5. 實例：深度學習環(huán)境配置，TensorFlow基礎(chǔ)／進階／示例，PyTorch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

3. 神經(jīng)網(wǎng)絡(luò)的構(gòu)建：深度廣度復雜度擴展

4. 神經(jīng)網(wǎng)絡(luò)的“配件”：損失函數(shù)，學習率，動量，過擬合等

5. 多層感知器(Multi-layer Perceptron)

6. 實例: 線性回歸與邏輯回歸模型 (TensorFlow, PyTorch)

第三課卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Networks, CNNs) ：基礎(chǔ)篇

1. 鏈式反向梯度傳導 (Back Propagation)

2. 卷積神經(jīng)網(wǎng)絡(luò)－卷積層：正向反向推導

3. 卷積神經(jīng)網(wǎng)絡(luò)－功能層：激活函數(shù)，降維，歸一化，池化，區(qū)域分割

4. 實例：簡單卷積神經(jīng)網(wǎng)絡(luò)訓練與運行 (TensorFlow, PyTorch)

第四課卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Networks, CNNs) ：高級篇

1. AlexNet：最早的現(xiàn)代神經(jīng)網(wǎng)絡(luò)

2. VGG，GoogleNet，ResNet，DenseNet：近期的高級卷積網(wǎng)絡(luò)模型

3. U-Net：深度圖片生成網(wǎng)絡(luò)

4. 實例：利用預訓練模型進行物體分類／特征提取 (TensorFlow, PyTorch)

第五課卷積神經(jīng)網(wǎng)絡(luò)：目標分類與識別 (Object Classification and Object Recognition)

1. 目標分類與識別任務(wù)介紹

2. 傳統(tǒng)分類識別方法總結(jié)

3. ImageNet與PASCAL VOC數(shù)據(jù)庫

3. 遷移學習（Transfer Learning）

4. 個人研究分享：如何設(shè)計新的的網(wǎng)絡(luò)

5. 實例訓練：物體識別／場景識別／文字識別 (TensorFlow)

第六課卷積神經(jīng)網(wǎng)絡(luò)：目標檢測與追蹤 (Object Detection and Object Tracking)

1. 目標檢測與追蹤任務(wù)介紹

2. 基于手動設(shè)計特征的傳統(tǒng)目標檢測追蹤方法總結(jié)

3. 目標檢測：RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN, FPN系列

4. 目標檢測：YOLO，SSD，YOLO9000系列

5. 目標追蹤：Hierarchical Features, Tracking with FCNs系列

6. TensorFlow官方目標檢測接口：Object Detection API

7. 個人研究分享：自然場景文本檢測識別領(lǐng)域的最新方法與動向

8. 實例：目標檢測模型訓練／部署 (TensorFlow)

第七課卷積神經(jīng)網(wǎng)絡(luò)：目標分割 (Object Segmentation)

1. 目標分割任務(wù)介紹

2. 傳統(tǒng)圖片分割方法總結(jié)

3. 全卷積網(wǎng)絡(luò) (Fully Convolutional Networks, FCNs)

4. 圖像語義分割（Image Semantic Segmentation）

5. 圖像實例分割（Image Instance Segmentation）

6. 目標分割：FCIS, Mask-RCNN系列

7. 業(yè)界應(yīng)用：目標分類／檢測／分割模型在自動駕駛與無人車中的應(yīng)用

8. 實例：目標分割模型訓練／部署 (TensorFlow)

第八課循環(huán)神經(jīng)網(wǎng)絡(luò)：(Recurrent Neural Network, RNN)

1. RNN基本原理

2. 改進版RNN：門限循環(huán)單元（Gated Recurrent Unit, GRU）

3. 改進版RNN：長短期記憶單元（Long Short Term Memory，LSTM)

4. 語言特征提�。篧ord2Vec

5. 編碼器 + 解碼器結(jié)構(gòu)：Encoder + Decoder

6. 注意力機制模型：Attention Model

7. 圖片標注(Image Captioning)：學會看圖說話，show and tell

8. 圖片問答(Visual Question Answering, VQA)：學會看圖推理

9. 業(yè)界應(yīng)用：Language and Vision，語言文字與圖像的結(jié)合應(yīng)用

10. 實例：圖片標注與圖片問答實例 (TensorFlow, PyTorch)

第九課無監(jiān)督式學習：(Unsupervised Learning)

1. 無監(jiān)督式學習：以生成式模型（Generative Models）為例

2. 生成式對抗網(wǎng)絡(luò)：(Generative Adversarial Networks, GANs)

3. DCGAN：GAN ＋深度學習

4. Conditional GAN：生成圖片由我控制

5. InfoGAN：無監(jiān)督找特征

6. Wasserstein GAN：理論創(chuàng)新

7. 實例：Pix2Pix/CycleGAN 自定義圖片生成 (TensorFlow, PyTorch)

第十課增強學習：(Reinforcement Learning)

1. 增強學習基礎(chǔ)

2. DQN 深度增強學習

3. DQN 改進模型

4. A3C模型：高效游戲機器人

5. ELF模型：簡化版《星際爭霸》，人工智能游戲測試平臺

6. 實例： DQN用于Atari游戲?qū)W習 (TensorFlow)

第一講【資料】-深度學習總體介紹與神經(jīng)網(wǎng)絡(luò)入門
第一講【回放】-深度學習總體介紹與神經(jīng)網(wǎng)絡(luò)入門
第二講【資料】-傳統(tǒng)神經(jīng)網(wǎng)絡(luò)
第二講【回放】-傳統(tǒng)神經(jīng)網(wǎng)絡(luò)
第三講【資料】-卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
第三講【回放】-卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
第四講【資料】-卷積神經(jīng)網(wǎng)絡(luò)進階
第四講【回放】-卷積神經(jīng)網(wǎng)絡(luò)進階
第五講【資料】卷積神經(jīng)網(wǎng)絡(luò)：目標分類與識別
第五講【回放】卷積神經(jīng)網(wǎng)絡(luò)：目標分類與識別
第六講【資料】卷積神經(jīng)網(wǎng)絡(luò)：目標檢測與追蹤
第六講【回放】卷積神經(jīng)網(wǎng)絡(luò)：目標檢測與追蹤
第七講【資料】目標追蹤與目標分割
第七講【回放】目標追蹤與目標分割
第八講【資料】循環(huán)神經(jīng)網(wǎng)絡(luò)與序列學習
第八講【回放】循環(huán)神經(jīng)網(wǎng)絡(luò)與序列學習
第八講續(xù)【回放】卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用
第八講續(xù)【資料】卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用
第九講【資料】無監(jiān)督式學習與生成對抗網(wǎng)絡(luò)
第九講【回放】無監(jiān)督式學習
第十講【資料】深度強化學習
第十講【回放】深度強化學習

購買主題本主題需向作者支付 666 資源幣 才能瀏覽

yuan71058 · 發(fā)表于 2019-6-3 05:44:53

我看不錯噢謝謝樓主！

kvbobo · 發(fā)表于 2019-6-3 08:27:17

小象學院《深度學習》第五期

會飛的烏鴉 · 發(fā)表于 2019-6-3 08:41:40

66666666666666

zero0 · 發(fā)表于 2019-6-4 01:36:11

chenbihui · 發(fā)表于 2019-6-4 13:08:05

學習下~~~~~~~~~~~~

ldlres · 發(fā)表于 2019-6-9 09:27:43

onlan · 發(fā)表于 2019-6-10 17:27:40

6666666666666666666

chikeunglee · 發(fā)表于 2019-6-10 23:00:54

zezeze

blankltk · 發(fā)表于 2019-6-12 09:43:46

資源共享吧真是一個好地方！

		自動登錄	找回密碼
密碼			注冊成為正式會員

[『編程語言』] 小象學院《深度學習》第五期

相關(guān)帖子

終身VIP會員