培訓目標：

　　1、本次深度學習培訓采用深入淺出的方法，結合實例，重點講解Deep Learning框架模型、科學算法、訓練過程技巧，使學員更有效的掌握Deep Learning核心技術及動手能力;

　　2、通過本次課程的學習，能夠把握深度學習的技術發展趨勢，可以熟練掌握深度學習核心技術、主要模型、實踐技巧、并配以大量代碼練習，同時針對工作中存在的疑難問題進行分析講解和專題討論，有效的提升學員解決復雜問題的能力;

　　培訓課程：

　　一、深度學習Deep Learning基礎和基本思想

　　1，人工智能概述、計算智能、類腦智能

　　3，機器學習概述、記憶學習、歸納學習、統計學習

　　4，深度學習的前生今世、發展趨勢

　　5，人工神經網絡、前饋神經網絡、BP算法 、Hessian矩陣、結構性特征表示

　　二、深度學習Deep Learning基本框架結構

　　1，Caffe 2，Tensorflow

　　3，Torch 4，MXNet

　　三，深度學習Deep Learning-卷積神經網絡

　　1，CNN卷積神經網絡

　　卷積層(一維卷積、二維卷積)、池化層(均值池化、最大池化)

　　全連接層 激活函數層 Softmax層

　　2，CNN卷積神經網絡改進

　　R-CNN (SPPNET) Fast-R-CNN Faster-R-CNN (YOLO、SSD)

　　3，深度學習的模型訓練技巧

　　4，梯度下降的優化方法詳解

　　四，深度學習Deep Learning-循環神經網絡

　　1， RNN循環神經網絡

　　梯度計算 BPTT

　　2，RNN循環神經網絡改進

　　LSTM GRU Bi-RNN Attention based RNN

　　3，RNN實際應用 Seq2Seq的原理與實現

　　五、強化學習

　　1，強化學習的理論知識

　　2，經典模型DQN講解

　　2， AlphaGo原理講解

　　3， RL實際應用;實現一個AlphaGo

　　六，對抗性生成網絡

　　1， GAN的理論知識

　　2， GAN經典模型CGAN，LAPGAN，DCGAN

　　3，GAN經典模型 INFOGAN，WGAN，S2-GAN

　　4，GAN實際應用 DCGAN提高模糊圖片分辨率

　　5，GAN實際應用 InfoGAN做特定的樣本生成

　　七、遷移學習

　　1，遷移學習的理論概述

　　2，遷移學習的常見方法

　　特征、實例、數據、深度遷移、強化遷移、研究案例

　　八、CNN應用案例

　　1，CNN與手寫數字集分類

　　2，YOLO實現目標檢測

　　3，PixelNet原理與實現

　　4，利用卷積神經網絡做圖像風格結合

　　九、深度學習Deep Learning的常用模型或者方法

　　1，AutoEncoder自動編碼器

　　2，Sparse Coding稀疏編碼

　　3，Restricted Boltzmann Machine(RBM)限制波爾茲曼機

　　4，Deep BeliefNetworks深信度網絡

　　5，Convolutional Neural Networks卷積神經網絡

　　十、輔助課程

　　(1)疑難解答、分組討論;

　　(2)關鍵問題解析;