一、学习目标：

　　熟悉AI工具，包括TensorFlow、Keras、Caffe、PyTorch

　　熟悉深度学习应用

　　熟悉CNN、RNN、Faster RCNN等深度神经网络模型，并掌握其相关的优化算法

　　了解深度学习算法，包括卷积神经网络、循环神经网络等

　　掌握优化算法和高性能计算方法

　　掌握NLP自然语言处理行业案例

　　掌握计算机视觉图像识别行业案例

　　二、课程内容：

　　01章预备知识：图像识别方法的演进基础

　　01-01开发环境配置：Anaconda环境和MXNet

　　01-02深度学习简介：起源、特点和发展

　　01-03计算机视觉概述

　　01-04数据操作

　　01-05自动求梯度

　　01-06图像识别的演进

　　01-07线性回归与线性回归的实现

　　01-08线性模型：对数线性二分类、多分类

　　01-09独热和稠密度向量表示

　　01-10softmax回归与实现

　　01-10基于深度学习的图像识别技术发展

　　02章深度学习基础知识

　　01-01线性模型的局限性：异或问题

　　01-02非线性输入转换、核方法、可训练的映射函数

　　01-03感知机和多层感知机的实现

　　01-04模型选择、欠拟合过拟合问题

　　01-05权重衰减和丢弃法

　　01-06实战案例：房价预测模型

　　01-07神经网络基础

　　01-08前馈神经网络、BP神经网络

　　01-09神经网络的训练

　　01-10深度学习计算

　　03章卷积神经网络与深度学习

　　01-01二维卷积层相关运算

　　01-02填充和步幅

　　01-03多输入通道和多输出通道

　　01-04二维大池化层和平均池化层

　　01-05卷积神经网络LeNet模型

　　01-06深度卷积神经网络AlexNet

　　01-07使用重复数据的网络

　　01-08网络中的网络：NIN块和NIN模型

　　01-09合并行连接的网络

　　01-10批量归一化

　　01-11残差网络ResNet模型

　　01-12稠密度连接网络DeseNet模型

　　04章循环神经网络与深度学习

　　01-01语言模型计算

　　01-02循环神经网络

　　01-03模型语言数据集

　　01-04循环神经网络从零开始实现

　　01-05循环神经网络的简介实现

　　01-06通过时间反向传播

　　01-07门控循环单元

　　01-08长短期记忆

　　01-09深度循环神经网络

　　01-10双向循环神经网络

　　05章优化算法与深度学习

　　01-01优化与深度学习的关系

　　01-02梯度下降和随机梯度下降

　　01-03小批量随机梯度下降

　　01-04动量法与实现

　　01-05AdaGrad算法特点与实现

　　01-06RMSProp算法

　　01-07AdaDelta算法

　　01-08Adma算法

　　06章计算机技术与高性能计算

　　01-01衡量性能的方法

　　01-02提高性能性能的各种编程方法

　　01-03命令式和混合编程

　　01-04异步计算

　　01-05自动并行运算

　　01-06多GPU运算

　　07章AI应用方向之计算机视觉

　　01-01使用图像增广训练模型

　　01-02微调:热狗识别

　　01-03目标检测和边界框

　　01-04计算机视觉：锚框生成

　　01-05多尺度目标检测

　　01-06目标检测数据集：皮卡丘

　　01-07单发多框检测：SSD

　　01-08卷积神经网络系列：R-CNN

　　01-09语意分割和数据集

　　01-10全卷积网络

　　01-11样式迁移

　　08章计算机视觉案例：Kaggle图像识别

　　01-01案例1:图像分类

　　01-02案例2:狗的品种

　　01-03step1:获取和整理数据集

　　01-04step2:图像增广

　　01-05step3:读取数据集

　　01-06step4:定义模型

　　01-07step5:定义训练函数

　　01-08step6:训练模型

　　09章AI应用方向之NLP自然语言处理

　　01-01词嵌入和连续词袋模型

　　01-02近似训练：负采样、层序softmax

　　01-03word2vec的实现

　　01-04子词潜入：fastText

　　01-05全局向量的词潜入：GloVe

　　01-06求近义词和类比词

　　01-07文本情感分类：使用循环神经网络

　　01-08文本情感分类：使用卷积神经网络(textCNN)

　　01-09编码器、解码器

　　01-10贪婪搜索、全局搜索、束搜索

　　01-11注意力机制

　　10章NLP自然语言处理案例

　　01-01案例1:机器人翻译

　　01-02step1:读取和与处理数据集

　　01-03step2:含注意力机制的编码器-解码器

　　01-04step3:训练模型

　　01-05step4:预测不定长的序列

　　01-06step5:评价翻译结果

　　01-07唐诗生成器

　　01-08step1:定义输入数据

　　01-09step2:定义多层LESTM模型

　　01-10step3:定义损失函数

　　01-11step4:训练模型生成文字

　　01-12step5:更多参数说明

　　01-13step6:运行自己的数据