证书查询

全国报名咨询热线
010-57197553

首页 / 人工智能

深度学习理论必备课程方案

2021-06-04

课程时间:根据客户需求制定

费用:

地点:

  • 课程详情
  • 适用人群
  • 课程大纲
  • 课程面向零基础学员,从上世纪60年代基础的的单层感知器开始学习,从基础的知识开始,进行体系化的学习。 课程包含神经网络领域大多数重要分支,并通过这些分支延伸到如今热门的的深度置信网络DBN,卷积神经网络CNN,深度残差网络RES和长短时记忆网络LSTM。

    课程目标

    从最基础的知识开始入手,带着大家进行体系化的学习,让大家一步一步深入深度学习神经网络领域。

    讲师介绍

    • 覃老师

       

      对机器学习、深度学习神经网络等领域有多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。


  • 1、对人工智能、深度学习感兴趣的学员

    2、渴望学习当今最热门最前沿技术的人

    3、想储备深度学习技能的学员
  • 第一章:神经网络介绍
    1.1 神经网络概述 
    1.2 神经网络发展史 
    第二章:单层感知器实践
    2.1 从0到1-单层感知器 
    2.2 从0到1-单层感知器(代码实践) 
    第三章:网络优化
    3.1 线性神经网络、delta学习规则和梯度下降法 
    3.2 线性神经网络、delta学习规则和梯度下降法(代码实践) 
    第四章:多层
    4.1 BP神经网络介绍
    4.2 BP神经网络介绍(代码实践1) 
    4.3 BP神经网络介绍(代码实践2) 
    4.4 深入理解BP神经网络(论文讲解) 
    4.5 过拟合,以及google神经网络小工具 
    第五章:Hopfield神经网络
    5.1 Hopfield神经网络 
    5.2 Hopfield神经网络(代码实现) 
    第六章:玻尔兹曼机
    6.1 玻尔兹曼机 
    6.2 受限玻尔兹曼机RBM 
    6.3 受限玻尔兹曼机RBM(代码实现) 
    第七章:推荐系统算法介绍
    7.1 推荐系统算法介绍 
    第八章:玻尔兹曼机应用
    8.1 受限玻尔兹曼机在推荐系统中的应用 
    第九章:各种网络讲解
    9.1 深度置信网络DBN-DNN 
    9.2 卷积神经网络CNN 
    9.3 手写体识别网络LeNET-5结构分析
    第十章:图像识别应用
    10.1 ImageNet介绍 
    10.2 ILSVRC12图像识别比赛冠军AlexNet 
    10.3 GPU和TPU的简介
    第十一章:深度残差网络
    11.1 深度残差网络RES
    11.2 批量正则化Batch Normalization 
    11.3 深度残差网络进一步研究 
    第十二章:RNN和LSTM
    12.1 递归神经网络RNN 
    12.2 长短时记忆网络LSTM 
    第十三章:强化学习和迁移学习
    13.1 强化学习RL 
    13.2 迁移学习TL 
    13.3 生成式对抗网络