課程特色：
規劃全面：涵蓋目前主流的深度學習領域，包括圖像識別，圖像檢測，自然語言處理，GAN，分布式訓練框架等等。掌握每一項技能都能在從事該領域邁進一步。
重點突出：摒棄繁冗的數學證明，一切從實際出發，突出重點，短時間內掌握重點知識。
實戰演練：課程包含多個實際案例，并結合實際項目經驗教你如何在企業中做深度學習的項目。
老師介紹：
胡曉曼老師（Charlotte），高級算法工程師 ，博客專家；
擅長用通俗易懂的方式講解深度學習和機器學習算法，熟悉Tensorflow，PaddlePaddle等深度學習框架，負責過多個機器學習落地項目，如垃圾評論自動過濾，用戶分級精準營銷，分布式深度學習平臺搭建等，都取了的不錯的效果。
課程大綱：
第一章： 什么是人工智能
人工智能背景介紹
前期環境準備
第二章： 深度學習入門基礎
深度學習環境準備
Tensorflow快速入門一 ——基本概念和框架
Tensorflow快速入門二 ——實戰演練和模型訓練
Tensorflow快速入門三 ——技巧總結
深度學習數學知識一覽表
作業：實例：用自己的數據訓練一個二分類模型
作業講解：如何制作自己的數據集
第三章： 傳統神經網絡與參數的理解
什么是多層感知機
激活函數的原理、類別與實現
損失函數的原理、類別與實現
梯度下降方法（一）
梯度下降方法 （二）
學習率如何設定
正則化的方法（一）
正則化的方法（二）
實例：識別花的種類
作業：改變不同的參數，提高識別花種類的準確率
作業講解：不同參數的改變對于準確率的變化原理
第四章： 前向傳播與反向傳播
前向傳播的原理
前向傳播的代碼實現
反向傳播的原理
反向傳播的代碼實現
實例：自己手寫一個完整的BP
作業：寫一個Autoencoder
作業講解：如何寫一個Autoencoder
第五章： 自編碼Autocoder的原理及應用
什么是Autoencoder
Autoencoder的原理與實現
Autoencoder與PCA的區別
Autoencoder的變種（一）
Autoencoder的變種（二）
實例：Autoencoder與聚類結合在預測用戶偏好中的應用
作業：運用Autoencoder對海量數據進行降維
作業講解：如何高效的運用Autoencoder降維
第六章： 經典卷積神經網絡及圖像分類
LeNet的網絡結構及實現
AlexNet的網絡結構及實現
Vgg的網絡結構及實現
GoogLeNet的網絡結構及實現
ResNet的網絡結構及實現
實例：用經典卷積神經網絡對cifar-10數據進行圖像分類
第七章： 目標檢測
傳統的目標檢測方法
初代算法： Region CNN
升級： SPP Net， Fast RCNN， Faster RCNN
深度學習另辟蹊徑： YoLo 和SSD
實例： 自動駕駛的核心：實時目標檢測
第八章： 遷移學習
理論分析
遷移模型&原始訓練模型
如何設計新的的網絡
實例：表情識別／人臉識別／動物識別
第九章： 循環神經網絡RNN
RNN 原理詳解
情感分析項目介紹
實例：情感分析
第十章： 自然語言處理
處理之前：speech to text
詞語表達：詞向量與word2vec
語句生成LSTM
實例：教你實現一個簡單的聊天機器人
第十一章： 深度卷積神經的重要應用
圖片問答
圖像模式轉換
圖像高清化
圍棋程序， Alpha go
自動游戲機器人，DeepMind Atari
實例： 圖片藝術風格轉化
第十二章： 無監督學習：對抗網絡GAN
傳統無監督學習 Autoencode，K Means，Sparse Coding
RBM 限制博斯曼機，深度學習的另一支
生成對抗網絡 GAN
實例： 機器生成圖片，以假亂真
第十三章： 高性能計算
單價單卡的實現過程
單機多卡的實現過程
多機單卡的實現及部署
多機多卡的實現及部署
實例：分布式訓練實例：基于docker的分布式訓練框架搭建
