該課程主要介紹了深度學習是國際上非常活躍、非常多產的研究領域，它被廣泛應用于計算機視覺、圖像分析、語音識別和自然語言處理等諸多領域。在多個領域上，深度神經網絡已大幅超越了已有算法的性能。該課程對深度神經網絡尤其是卷積神經網絡進行介紹，且注重深度學習的實際應用。而且，該課程還對深度學習研發現狀進行總結和闡述，包括Google 和Facebook。該課程通過示例的方式詳解深度學習的具體應用，包括手寫數字識別，物體識別，及以人為中心的計算（包括人臉識別、人臉表情識別、年齡估計、人臉關鍵點定位等）。該課程也介紹了深度學習Caffe 和Pylearn2 兩個平臺，并給出具體示例，介紹如何使用。同時全面、系統地介紹深度學習相關的技術，包括人工神經網絡，卷積神經網絡，深度學習平臺及源代碼分析。 ? 1.課程研發環境 ? 課程基于深度學習，講解過程中使用的是office2010(32位)版工具 Office工具：2007、2010 Visual Studio 工具： 2013 ?? 2.內容簡介 ? 深度學習是國際上非常活躍、非常多產的研究領域，它被廣泛應用于計算機視覺、圖像分析、語音識別和自然語言處理等諸多領域。在多個領域上，深度神經網絡已大幅超越了已有算法的性能。該課程對深度神經網絡尤其是卷積神經網絡進行介紹，且注重深度學習的實際應用。而且，該課程還對深度學習研發現狀進行總結和闡述，包括Google 和Facebook。該課程通過示例的方式詳解深度學習的具體應用，包括手寫數字識別，物體識別，及以人為中心的計算（包括人臉識別、人臉表情識別、年齡估計、人臉關鍵點定位等）。該課程也介紹了深度學習Caffe 和Pylearn2 兩個平臺，并給出具體示例，介紹如何使用。同時全面、系統地介紹深度學習相關的技術，包括人工神經網絡，卷積神經網絡，深度學習平臺及源代碼分析。 第1章 深度學習 1.1-深度學習的歷史與簡介 1.2-深度學習 基礎概念 核心思想主要技術 1.3-遞歸神經網絡 1.4-循環神經網絡 1.5-機器翻譯 1.6-深度學習與自然語言處理 第2章 開源平臺 2.1-監督學習 2.2-語音識別 2.3-基于HMM聲學模型 2.4-隱馬爾科夫模型 2.5-基于HMM的語音識別聲學模型 第3章 深度學習的應用 3.1-光學字符識別 3.2-深度學習與圖像識別 3.3-圖像識別 3.4-人臉識別 3.5-語音識別 第4章 傳統區分性訓練以及區分性訓練統一準則框架 4.1-以圖搜圖 4.2-傳統區分性訓練以及區分性訓練統一準則框架 4.3-最大戶信息量估計MMLE準則 4.4-最小分類錯誤MCE準則 4.5-其他一些區分性訓練準則 4.6-區分性統一準則 第5章 MVCE準則及其在連續語音識別中的應用 5.1-MWCE準則與其在連續語音中的應用 5.2-MCE準則 5.3-區分性訓練準則 5.4-人臉表情識別 第6章 TensorFlow 實戰 6.1-主流深度學習框架對比 6.2-TensorFlow 6.3-Caffe 6.4-Theano 6.5-Torch 6.6-Lasagne以及Keras 6.7-MXNet DIGITS CNTK 6.8-DL4J Chainer Leaf 目標1、了解深度學習的概念 目標2、了解深度學習的應用 目標3、熟悉主流框架