课程特色：
规划全面：涵盖目前主流的深度学习领域，包括图像识别，图像检测，自然语言处理，GAN，分布式训练框架等等。掌握每一项技能都能在从事该领域迈进一步。

重点突出：摒弃繁冗的数学证明，一切从实际出发，突出重点，短时间内掌握重点知识。

实战演练：课程包含多个实际案例，并结合实际项目经验教你如何在企业中做深度学习的项目。

老师介绍：
胡晓曼老师（Charlotte），高级算法工程师 ，博客专家；

擅长用通俗易懂的方式讲解深度学习和机器学习算法，熟悉Tensorflow，PaddlePaddle等深度学习框架，负责过多个机器学习落地项目，如垃圾评论自动过滤，用户分级精准营销，分布式深度学习平台搭建等，都取了的不错的效果。

课程大纲：

第一章： 什么是人工智能

人工智能背景介绍

前期环境准备

第二章： 深度学习入门基础

深度学习环境准备

Tensorflow快速入门一 ——基本概念和框架

Tensorflow快速入门二 ——实战演练和模型训练

Tensorflow快速入门三 ——技巧总结

深度学习数学知识一览表

作业：实例：用自己的数据训练一个二分类模型

作业讲解：如何制作自己的数据集

第三章： 传统神经网络与参数的理解

什么是多层感知机

激活函数的原理、类别与实现

损失函数的原理、类别与实现

梯度下降方法（一）

梯度下降方法 （二）

学习率如何设定

正则化的方法（一）

正则化的方法（二）

实例：识别花的种类

作业：改变不同的参数，提高识别花种类的准确率

作业讲解：不同参数的改变对于准确率的变化原理

第四章： 前向传播与反向传播

前向传播的原理

前向传播的代码实现

反向传播的原理

反向传播的代码实现

实例：自己手写一个完整的BP

作业：写一个Autoencoder

作业讲解：如何写一个Autoencoder

第五章： 自编码Autocoder的原理及应用

什么是Autoencoder

Autoencoder的原理与实现

Autoencoder与PCA的区别

Autoencoder的变种（一）

Autoencoder的变种（二）

实例：Autoencoder与聚类结合在预测用户偏好中的应用

作业：运用Autoencoder对海量数据进行降维

作业讲解：如何高效的运用Autoencoder降维

第六章： 经典卷积神经网络及图像分类

LeNet的网络结构及实现

AlexNet的网络结构及实现

Vgg的网络结构及实现

GoogLeNet的网络结构及实现

ResNet的网络结构及实现

实例：用经典卷积神经网络对cifar-10数据进行图像分类

第七章： 目标检测

传统的目标检测方法

初代算法： Region CNN

升级： SPP Net， Fast RCNN， Faster RCNN

深度学习另辟蹊径： YoLo 和SSD

实例： 自动驾驶的核心：实时目标检测

第八章： 迁移学习

理论分析

迁移模型&原始训练模型

如何设计新的的网络

实例：表情识别／人脸识别／动物识别

第九章： 循环神经网络RNN

RNN 原理详解

情感分析项目介绍

实例：情感分析

第十章： 自然语言处理

处理之前：speech to text

词语表达：词向量与word2vec

语句生成LSTM

实例：教你实现一个简单的聊天机器人

第十一章： 深度卷积神经的重要应用

图片问答

图像模式转换

图像高清化

围棋程序， Alpha go

自动游戏机器人，DeepMind Atari

实例： 图片艺术风格转化

第十二章： 无监督学习：对抗网络GAN

传统无监督学习 Autoencode，K Means，Sparse Coding

RBM 限制博斯曼机，深度学习的另一支

生成对抗网络 GAN

实例： 机器生成图片，以假乱真

第十三章： 高性能计算

单价单卡的实现过程

单机多卡的实现过程

多机单卡的实现及部署

多机多卡的实现及部署

实例：分布式训练实例：基于docker的分布式训练框架搭建