高清无码视频直接看,日本无码色情三级播放,大桥未久亚洲无av码在线,免费人成视频在线播放,国产亚洲精品久久久久久大师

          深度學習及其應用培訓(xun)

01
神經網絡基礎
理解前(qian)饋神經(jing)網絡的結構、梯度下降法(fa)以及(ji)網絡訓練調優(you)的基本方法(fa)，并能應用前(qian)饋神經(jing)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(an)例，了(le)解深度(du)學(xue)習的典(dian)型應用場(chang)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(jie)卷積的內涵，熟悉經(jing)典(dian)的卷積神(shen)經(jing)網絡的結構、訓練方(fang)法以及典(dian)型場景(jing)的應(ying)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(yong)的(de)幾種(zhong)卷(juan)積神經(jing)網絡的(de)結構、訓練方(fang)法以及典型(xing)場景的(de)應用(yong)。

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
4.6 顏值打分（女生版）
05
循環神經網絡
理(li)解循環神經網絡(luo)以及變(bian)種(zhong)LSTM、GRU的結(jie)構、訓(xun)練方法以及典型(xing)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(jie)目標檢測的(de)羈絆概(gai)念、基(ji)本原理以及(ji)典型的(de)目標檢測算(suan)法，能用(yong)這些(xie)算(suan)法于典型的(de)應用(yong)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(sheng)成對抗網絡(luo)的結構(gou)、訓練方法以及典(dian)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(yi)力(li)機制(zhi)的概念(nian)、常見的外部(bu)注意(yi)力(li)、自(zi)注意(yi)力(li)以及機器翻譯等典型應(ying)用。

8.1 Seq2Seq模型
8.2 （自）注意力機制模型
8.3 Transformer模型*（選讀）
8.4 BERT模型*（選讀）
8.5 機器翻譯實驗
09
深度學習應用
學會使用(yong)卷積神經網絡(luo)、循環(huan)神經網絡(luo)、生(sheng)成對抗網絡(luo)的常(chang)用(yong)算法的應用(yong)，解決實際問題，并能做創新性(xing)的應用(yong)。

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(xue)習的基本概念(nian)和原理，了解強化學(xue)習的典型(xing)應用(yong)場(chang)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（選讀）
 理解(jie)如何結合實(shi)際項(xiang)目，強化機(ji)器(qi)學(xue)(xue)習和深度學(xue)(xue)習理論知(zhi)識的(de)(de)深入理解(jie)，體會深度學(xue)(xue)習解(jie)決實(shi)際問(wen)題的(de)(de)技巧和技能。建議2個學(xue)(xue)時(shi)(shi)，加1個學(xue)(xue)時(shi)(shi)的(de)(de)討論。

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