三个月教你从零入门人工智能-深度学习精华实践课程

三个月教你从零入门人工智能-深度学习精华实践课程
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。
博客专栏：https://www.cnblogs.com/charlotte77/

课程大纲：

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

7、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

11、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

7、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

8、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、卷积神经网络的背景与原理

2、卷积神经网络的代码实现（一）

3、卷积神经网络的代码实现（二）

4、Le-Net5的网络结构及实现

5、AlexNet的网络结构及实现

6、Vgg的网络结构及实现

7、GoogLeNet的网络结构及实现

8、ResNet的网络结构及实现

9、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： 目标检测算法的原理及应用

1、目标检测算法的简介和种类

2、R-CNN相关算法的原理及实现（一）

3、R-CNN相关算法的原理及实现（二）

4、YOLO相关算法的原理及实现（一）

5、YOLO相关算法的原理及实现（二）

6、SSD相关算法的原理及实现 （一）

7、SSD相关算法的原理及实现 （二）



第八章： 迁移学习

1、迁移学习的简介

2、迁移学习的应用

3、迁移学习的方法

4、实例：常见的迁移学习案例分享



第九章： 循环神经网络RNN

1、循环神经网络RNN的简介与原理详解

2、循环神经网络RNN的代码实现

3、实例：用RNN来做情感分析



第十章： 自然语言处理

1、 LSTM的简介与原理详解

2、LSTM的代码实现

3、实例：用LSTM实现一个简单的聊天机器人



第十一章： 无监督学习：对抗网络GAN

1、GAN的背景与入门应用介绍

2、GAN的数学推导

3、GAN的变种及应用

4、实例：用GAN自动生成二次元萌妹子



第十二章： 深度学习的高性能计算

1、单机单卡的实现过程

2、 单机多卡的实现过程

3、多机单卡的实现过程与部署

4、多级多卡的实现过程与部署

5、实例： 分布式训练实例：基于docker的分布式训练框架的搭建



第十三章：实战项目演练

1、实例：用户分群与偏好预测经典案例

2、实例：自动创作古诗词

3、实例：自动创造音乐