課程大綱： 深度學習及其應用培訓
01
神經網絡基礎
理解前饋神經網絡的結構、梯度下降法以及網絡訓練調優的基本方法，并能應用前饋神經網絡解決實際問題。
1.1 神經網絡簡介
1.2 BP神經網絡
1.3 銀行客戶流失預測
1.4 銀行客戶流失實驗
1.5 新聞分類實驗
1.6 阿里云天池AI實驗平臺簡介
02
深度學習在人工智能中的應用
通過眾多的案例，了解深度學習的典型應用場景。
2.1 深度學習在人工智能中的應用（一）
2.2 深度學習在人工智能中的應用（二）
2.3 深度學習在人工智能中的應用（三）
2.4 深度學習在人工智能中的應用（四）
03
卷積神經網絡
理解卷積的內涵，熟悉經典的卷積神經網絡的結構、訓練方法以及典型場景的應用。
3.1 卷積神經網絡的發展
3.2 卷積與感受野機制
3.3 卷積的概念和特征
3.4 圖像編碼與卷積
3.5 卷積操作
3.6 卷積特征圖及計算
3.7 多通道卷積
3.8 池化操作
3.9 Lenet5卷積神經網絡
3.10 完整的卷積神經網絡過程
3.11 卷積神經網絡訓練
3.12 圖像分類
3.13 股票預測實驗（卷積版）
3.14 手勢體識別實驗
04
典型卷積神經網絡算法
熟悉常用的幾種卷積神經網絡的結構、訓練方法以及典型場景的應用。
4.1 AlexNet卷積神經網絡模型
4.2 VGG卷積神經網絡模型
4.3 GoogLeNet卷積神經網絡模型
4.4 ResNet卷積神經網絡模型
4.5 動物識別實驗
05
循環神經網絡
理解循環神經網絡以及變種LSTM、GRU的結構、訓練方法以及典型場景的應用。
5.1 循環神經網絡基本原理
5.2 循環神經網絡模型
5.3 長短期記憶神經網絡模型
5.4 股票預測實驗（LSTM版）
5.5 情感識別分類實驗
06
目標檢測
理解目標檢測的羈絆概念、基本原理以及典型的目標檢測算法，能用這些算法于典型的應用場景。
6.1 目標檢測概況
6.2 目標檢測的基本概念
6.3 目標檢測發展
6.4 基于候選區域的目標檢測
6.5 Fast R-CNN目標檢測算法
6.9 Faster R-CNN目標檢測算法
6.6 Yolo目標檢測算法
6.7 目標檢測案例解析
6.8 RetinaNet和UNet算法
6.9 物體檢測實驗
6.10 車道檢測實驗
07
生成對抗網絡
理解生成對抗網絡的結構、訓練方法以及典型場景的應用。
7.1 生成對抗網絡基本原理
7.2 Encoder-Decoder模型
7.2 生成對抗網絡算法DCGAN
7.4 生成對抗網絡算法應用
7.5 手寫體生成
7.6 CycleGAN算法
7.7 WassersteinGAN算法
7.8 畫風轉移實驗
7.9 超分辨率圖像重建實驗
08
注意力機制
理解注意力機制的概念、常見的外部注意力、自注意力以及機器翻譯等典型應用。
8.1 Seq2Seq模型
8.2 （自）注意力機制模型
8.3 Transformer模型*
8.4 BERT模型*
8.5 機器翻譯實驗
09
深度學習應用
學會使用卷積神經網絡、循環神經網絡、生成對抗網絡的常用算法的應用，解決實際問題，并能做創新性的應用。
9.1 聲音質量評價
9.2 編碼解碼器
9.3 情感識別分類
9.4 編碼解碼器實驗
9.5 性別年齡識別實驗
10
高級深度學習
理解強化學習的基本概念和原理，了解強化學習的典型應用場景。
10.1 強化學習
10.2 遷移學習
10.3 對偶學習
11
機器學習的項目沉浸式教與學
理解如何結合實際項目，強化機器學習和深度學習理論知識的深入理解，體會深度學習解決實際問題的技巧和技能。
11.1 項目驅動的機器學習（深度學習）之路
11.2 領域問題驅動的機器學習課程深度教學法
11.3 混合式課程建設
加入高級會員獲得助教答疑
