from:http://blog.csdn.net/hemeinvyiqiluoben/article/details/62439861
課程安排
第一天
上午 | 一、機器學習基礎 | 1.線性代數
(1).矩陣運算 (2).向量運算
(3).SVD (4).PCA
2.概率信息論
(1).概率分布 (2).期望、方差、協方差
(3). 貝葉斯 (4).結構概率模型
3.數值優化 |
| 二、深度學習基礎 | 1.深度學習介紹
(1).發展歷史 (2).主要應用
2.感知器
3.人工神經網絡
4.前饋神經網絡
5.BP算法
6.Hessian矩陣 |
第一天
下午 | 三、深度學習進階---卷積神經網絡 | 1.CNN卷積神經網絡
(1).卷積層（一維卷積、二維卷積）
(2).池化層（均值池化、最大池化）
(3). 全連接層
(4).激活函數層
(5).Softmax層
2.CNN卷積神經網絡改進
(1).R-CNN （SPPNET）
(2).Fast-R-CNN
(3).Faster-R-CNN （YOLO、SSD）
3.深度學習的模型訓練技巧
4.梯度下降的優化方法詳解 |
第二天
上午 | 四、深度學習軟件 | 1.深度學習相關軟件的安裝配置與使用介紹
(1).Caffe
(2).Tensorflow
(3).Torch
(4).MXNet |
第二天
下午 | 五、 CNN應用案例 | (1).CNN與手寫數字集分類
(2).YOLO實現目標檢測
(3).PixelNet原理與實現
(4).利用卷積神經網絡做圖像風格結合 |
第三天
上午 | 六、深度學習——循環神經網絡 | 1.RNN循環神經網絡
(1).梯度計算
(2).BPTT
2.RNN循環神經網絡改進
(1).LSTM
(2).GRU
(3).Bi-RNN
(4).Attention based RNN
3.RNN實際應用
(1).Seq2Seq的原理與實現 |
第三天
下午 | 七、強化學習 | 1.強化學習的理論知識
2.經典模型DQN講解
3.AlphaGo原理講解
4.RL實際應用
(1).實現一個AlphaGo |
第四天
上午 | 八、對抗性生成網絡 | 1.GAN的理論知識
2.GAN經典模型
(1).GAN，CGAN，LAPGAN，DCGAN，
3.GAN經典模型
(1). INFOGAN，WGAN，S2-GAN
4.GAN實際應用
(1).DCGAN提高模糊圖片分辨率
5.GAN實際應用
(1).InfoGAN做特定的樣本生成 |
第四天
下午 | 九、遷移學習 | 1.遷移學習的理論概述
2.遷移學習的常見方法
(1).基于特征的遷移
(2).基于實例的遷移
(3).基于數據的遷移
(4).深度遷移學習
(5).強化遷移學習
(6).遷移學習的研究案例
(7).遷移學習的應用
(8).2017年AAAI最佳論文講解：利用物理定理的知識遷移到視頻理解 |