授课目标 掌握深度学习的基本原理、常用算法,并在此基础上应用于机器视觉、自然语言处理等相关领域,培养一定的分析和解决实际问题的能力。 01 神经网络基础 理解前馈神经网络的结构、梯度下降法以及网络训练调优的基本方法,并能应用前馈神经网络解决实际问题。建议5个学时。打*的内容属于高级版,后面陆续推出。 课时 1.1 神经网络简介 1.2 神经网络相关概念 1.3 神经网络效果评价 1.4 神经网络优化 1.5 银行客户流失预测 1.6 练习题 02 深度学习在人工智能系统的应用 通过众多的案例,了解深度学习的典型应用场景。建议2个学时。 课时 2.1 深度学习典型应用场景 2.2 深度学习应用案例分析 2.3 练习题 03 卷积神经网络 理解卷积的内涵,熟悉常用的10几种卷积神经网络的结构、训练方法以及典型场景的应用。建议10个学时。 课时 3.1 卷积的理解—卷积和池化 3.2 常见的卷积模型 @Lenet-5、AlexNet、VGGNet、GoogleLeNet、ResNet等 @Inception v2-v4、DarkNet、DenseNet、SSD等* @MobileNet,ShuffleNet* 3.3 胶囊网络* 3.4 CNN卷积神经网络应用案例 3.5 目标检测常用算法 @R-CNN、Fast RCNN、Faster RCNN、YOLOv1-v3等 3.5 图像分类 3.6 动物识别 3.7 物体检测 3.8 人脸表情年龄特征识别* 3.9 练习题 04 循环神经神经网络 理解循环神经网络以及变种LSTM、GRU的结构、训练方法以及典型场景的应用。建议6个学时。 课时 4.1 RNN基本原理 4.2 LSTM 4.3 GRU 4.4 CNN+LSTM模型 4.5 Bi-LSTM双向循环神经网络结构 4.6 Seq2seq模型 4.7 注意力机制 4.8 自注意力机制* 4.9 ELMo、Transformer等* 4.10 BERT、EPT、XLNet、ALBERT等* 4.11 机器翻译 4.12 练习题 05 生成对抗网络 理解生成对抗网络的结构、训练方法以及典型场景的应用。建议5个学时。 课时 5.1 生成对抗网络模型 5.2 GAN的理论知识 5.3 DCGAN 5.4 自动生成手写体 5.5 CycleGAN* 5.6 WGAN* 5.7 练习题 06 深度学习神经网络应用 学会使用卷积神经网络、循环神经网络、生成对抗网络的常用算法的应用,解决实际问题,并能做创新性的应用。建议5个学时。 课时 6.1 股票走势预测 6.2 文本情感分类 6.3 图像风格转移* 6.4 机器翻译 6.5 练习题 07 强化学习 理解强化学习的基本概念和原理,了解强化学习的典型应用场景。建议2个学时。 课时 7.1 强化学习基本原理 7.2 强化学习常用模型 7.3 强化学习典型应用 7.4 深度Q网络* 7.5 练习题 08 项目驱动的深度学习方法 理解如何结合实际项目,强化机器学习和深度学习理论知识的深入理解,体会深度学习解决实际问题的技巧和技能。建议2个学时,加1个学时的讨论。 课时 8.1 项目驱动的深度学习之路 8.2 领域问题驱动的机器学习深度教学法 |
|
来自: 阿明哥哥资料区 > 《53.大数据.机器学习.思维》