?
課程目標:
?
通過學習,了解機器學習、深度學習的一般概念;了解機器學習、深度學習的歷史、基本理論,典型模型,常用算法;了解機器學習及深度學習的開發(fā)流程,涉及到到的工具,平臺,調試方法等,了解深度學習的基本框架結構,caffe、tensorflow,keras等。并了解一些前沿技術發(fā)展變化趨勢。
?
課程收益:
?
1.?掌握深度學習運行環(huán)境搭建;
2.?掌握深度模型訓練和優(yōu)化流程;
3.?熟知深度學習五大模型結構;
4.?在開源平臺訓練進行實戰(zhàn)體驗;
5.?掌握算法移植到定制芯片的整個流程。
?
授課方式
?
講師講解、互動答疑、上機實踐
?
課程大綱:
?
| 
 主題 
 | 
 內容 
 | 
| 
 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 
2、?機器學習概述、記憶學習、歸納學習、統(tǒng)計學習 
3、?深度學習的前生今世、發(fā)展趨勢 
4、?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 
 | 
| 
 深度學習Deep Learning基本框架結構 
 | 
 1.?Caffe介紹 
a)?軟件架構 
b)?安裝以及使用方法 
2.?Tensorflow介紹 
a)?軟件架構 
b)?安裝以及使用方法 
3.?Keras介紹 
a)?軟件架構 
b)?安裝以及使用方法 
4.?虛擬機安裝以及使用 
 | 
| 
 機器學習概要介紹 
? 
 | 
 1.?分類分析算法介紹 
a)?貝葉斯概率 
b)?決策樹算法族 
c)?隨機森林 
d)?支持向量機 
2.?回歸算法介紹 
a)?多元線性回歸 
b)?邏輯回歸 
3.?聚類分析算法介紹 
a)?K-means聚類 
b)?層次聚類 
4. 上機實戰(zhàn) 
 | 
| 
 深度學習介紹 
 | 
 1.?神經網絡目的 
2.?神經網絡的應用場景 
3.?神經網絡算法介紹 
a)?感知機 
b)?反向傳播算法 
4.?深度學習算法介紹 
a)?隨機梯度下降算法 
b)?過擬合與欠擬合 
c)?卷積神經網絡 
d)?自動編碼器 
e)?稀疏編碼 
f)?限制波爾茲曼機 
g)?循環(huán)神經網絡以及LSTM 
5.?應用介紹 
a)?人臉識別 
b)?風格轉換 
c)?目標檢測 
6.?常見模型結構介紹 
a)?Alexnet 
b)?VGG 
c)?Resnet 
d)?GoogleNet 
e)?SqueezeNet 
f)?FCN 
7.?上機實戰(zhàn) 
 | 
| 
 前沿技術介紹 
 | 
 1.?強化學習 
a)?強化學習的理論知識 
b)?經典模型DQN講解 
c)?AlphaGo原理講解 
2.?對抗性生成網絡 
d)?GAN的理論知識 ?? 
e)?GAN經典模型CGAN,LAPGAN,DCGAN 
f)?GAN實際應用 
3.?遷移學習 
g)?遷移學習的理論概述 
h)?遷移學習的常見方法 
4.?上機實戰(zhàn) 
 | 
| 
 算法移植介紹及討論 
 | 
 1.?算法單元介紹 
a)?卷積 
b)?Pooling 
c)?激活函數(shù) 
d)?數(shù)據結構 
2.?移植問題討論 
 | 
?
以上課程可以根據客戶實際情況進行靈活調整。