专知2019年《深度学习:算法到实战》精品课程,508位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位

3 月 14 日 专知

专知《深度学习: 算法到实战》课程

中科院自动化所教授博士主讲
   2019年 北京

www.zhuanzhi.ai  



深度学习鼻祖Geoffrey Hinton前两天在接受《连线》专访时说,不会再有AI寒冬了,AI已经在你手机里了。吴恩达关注斯坦福刚发布的AI指数报告谈到,人才需求两年暴增35倍。是的,你也感受到AI在周围(刷脸、下棋、无人车、看病、教育…),人工智能是未来!中国在AI领域的人才需求是百万级的!我们需要更多专业的AI人才!而专知希望做一点贡献。为此,经过一年多的精心打磨准备,专知背靠中科院自动化所模式识别国家重点实验室,隆重推出《深度学习: 算法到实战》,一线教授博士带你学习深度学习的基础算法和应用实例,欢迎加入学习!


508位同学加入学习,并登陆网易云课堂深度学习畅销榜首位!

感兴趣的同学请扫码或者点击文章末尾“阅读原文”,加入学习!



专知团队


我们是专知,提供专业可信的人工智能知识分发服务,让认知协作更快更好!专知团队背靠中国科学院自动化研究所,团队成员全部来自中科院自动化所模式识别国家重点实验室。包括专知网站平台和专知公众号,有关注使用用户5万多,累计阅读用户数超过180万人次,累计阅读量360万次深度学习-从算法到实战,涵盖深度学习算法和应用实例,算法包括DNN、CNN、RNN/LSTM、GAN及强化学习等,应用实例包括计算机视觉的目标检测、图像生成,自然语言处理的文本自动摘要等,帮助学员了解、理解、掌握深度学习的基础和前沿算法,并拥有深度学习算法实战技能。

面向人群

由完整全面、脉络清晰的深度学习核心算法入门,到当前学界、工业界热门的深度学习应用实战,有效提高学生解决实际问题的能力。

学习收益
  • 掌握面向不用场景任务的深度学习应用技术

  • 熟悉前沿深度学习强化学习等热点技术,把握深度学习的技术发展趋势

  • 提升解决深度学习实际问题的能力

授课团队

问答服务:老师答疑解惑、学员互动交流。

大礼包:一百个人工智能热点主题资料大合集。


    揭开深度学习的神秘面纱,领略人工智能之美 


教学大纲

第一讲 绪论
  • 人工智能和机器学习概述

    • 人工智能历史和现状

    • 从专家系统到机器学习

  • 深度学习概述

    • 从传统机器学习到深度学习

    • 深度学习历史

    • 深度学习的能与不能


第二讲 神经网络基础
  • 浅层神经网络

    • 从生物神经元到单层感知器

    • 多层感知器

    • 反向传播和梯度消失

  • 从神经网络到深度学习

    • 逐层预训练

    • 自编码器和受限玻尔兹曼机

    • Beyond预训练


第三讲 卷积神经网络
  • 卷积神经网络绪论

    • 卷积神经网络 vs 传统神经网络

    • 卷积神经网络的基本应用

      • 图像分类 image caption

      • 图像检索 image retrieval

      • 物体检测 object detection

      • 图像分割 image segmentation

      • 图像理解 image caption

    • 应用拓展

      • 自动驾驶 self-driving

      • 人脸识别 face recognition

      • 情感识别 facial expression recognition

      • 动作识别 action recognition

      • 图像生成 image generation

      • 风格转化 style transfer

  • 基本组成结构

    • 卷积

    • 池化

    • 全连接

  • 卷积神经网络典型结构

    • AlexNet

    • ZFNet

    • VGG

    • GoogleNet

    • ResNet

  • 卷积神经网络实战(代码讲解)

  • 总结


第四讲 循环神经网络
  • 循环神经网络的应用

    • 机器翻译 machine translation

    • 语音识别 speech recognition

    • 视觉问答 visual question answering

    • 图像理解 image caption

    • 语音问答 speech question answering

  • 循环神经网络 vs 卷积神经网络

    • 技术

    • 应用场景

  • 循环神经网络的基本结构

    • 实例-智能系统

    • 多种递归结构

    • 深度RNN

    • 双向RNN

    • BPTT算法

  • 循环神经网络的模型变种

    • 传统RNN存在的问题

    • LSTM

    • Grid-LSTM

    • GRU

    • 各模型对比

  • 扩展

    • 其他解决RNN梯度消失的方法

    • 基于注意力机制的RNN (attention-based RNN)

  • 总结


第五讲 目标检测
  • 目标检测绪论

    • 概念

    • 评价准则

    • 数据集

    • 竞赛

  • 目标检测战前准备

    • 滑动窗口

    • 目标候选生成

    • 难样本挖掘

    • 非极大值抑制

    • 检测框回归

  • 目标检测:两阶段方法

    • R-CNN

    • SPP-Net

    • Fast R-CNN

    • Faster R-CNN

    • FPN

    • RFCN

  • 目标检测:单阶段方法

    • YOLO

    • SSD

    • Retina Net

  • 荟萃:目标检测方法对比

  • 10行代码实现目标检测

  • 拓展:视频中的目标检测

  • 总结


第六讲 生成对抗网络GAN基础
  • 生成式对抗网络简介

    • 背景

    • GAN案例

      • 图像生成

      • 图像超像素

      • 图像修复

      • 风格转换

      • 文字生成图片

    • GAN应用

      • 数据增广

      • 迁移学习/领域自适应

      • 无监督特征学习

      • 其他

  • 生成式对抗网络基础

    • 生成式对抗网络(Generative Adversarial Network,GAN)

      • 直观解释GAN

      • 模型和目标函数

      • 全局最优解

      • PyTorch实现

    • 条件生成式对抗网络(Conditional GAN, cGAN)

      • 直观解释cGAN

      • 模型和目标函数

      • PyTorch实现

    • 深度卷积生成式对抗网络(Deep Convolutional GAN,DCGAN)

      • 网络结构

      • PyTorch实现

    • Wasserstein GAN (WGAN)

      • JS距离缺陷

      • Wasserstein距离和Wasserstein损失

      • 模型和目标函数

      • PyTorch实现


第七讲 生成对抗网络GAN前沿与实战
  • 生成式对抗网络前沿

    • ProgressiveGAN

    • Spectral Normalization GAN

    • Self-Attention GAN

  • 生成式对抗网络实战
    以图像翻译为案例,由浅入深教你实现一个工程

    • 用GAN实现图像翻译:Pixel2Pixel

      • U-Net

      • PatchGAN

      • Instance Normalization

      • 详细的Pytorch实现

    • CycleGAN

      • Cycle-Consistent 损失

      • 详细的Pytorch实现

    • StarGAN

      • 多领域图像翻译

      • 详细的Pytorch实现


第八讲 前沿技术
  • 深度强化学习

    • 引言:强化学习相关概念、理论基础、深度强化学习的应用

    • 基于策略的方法:策略梯度法

    • 基于值的方法:Deep Q-Network

    • 两种方法的结合:Actor-Critic方法

    • 深度强化学习劝退?优势与挑战

  • 迁移学习

    • 引言:概念、定义与应用

    • 迁移学习的种类及代表性方法

    • 具化迁移学习:域自适应

    • 迁移学习展望

  • 图神经网络

    • 引言:概念与应用

    • 基于空域的图神经网络方法:以门限图递归神经网络为例

    • 基于频域的图神经网络方法:图卷积神经网络(GCN)

    • 展望

  • 深度学习可视化及解释

    • 可视化神经网路

    • 解锁黑箱模型:在路上

  • 深度学习的未来


第九讲 PyTorch入门基础
  • 如何用PyTorch完成实验?

    • 如何加载、预处理数据集?

    • 如何构建我想要的模型?

    • 如何定义损失函数、实现优化算法?

    • 如何构建对比实验(baseline)?

    • 如何迭代训练、加速计算(GPU)、存储模型?

  • 用PyTorch 实现经典模型

    • 计算机视觉经典模型实现

      • 怎么实现VGG?

      • 怎么实现GoogleNet?

      • 怎么实现ResNet?

    • 自然语言处理经典算法实现

      • 怎么实现神经网络语言模型?

      • 怎么实现Sequence to sequence + attention(含有注意力机制的序列建模)?

      • 怎么实现sequence labeling(序列标注模型)?


第十讲 PyTorch实战
  • 计算机视觉应用实战: 用PyTorch 实现实时目标检测

    • 什么是目标检测任务?

    • 目标检测的公开数据集讲解

    • 目标检测的模型讲解

    • 典型算法与实现

      • YOLO

      • SSD

  • 自然语言处理应用实战:用PyTorch 实现文本自动摘要生成

    • 什么是文本自动摘要生成任务?

    • 文本摘要生成的公开数据集讲解

    • 文本摘要生成的模型讲解

    • 典型算法与实现

      • Pointer-generator

      • Fast_abs_rl



思维导图

点击查看大图



授课团队






桑基韬 ,教授,博士生导师,北京交通大学计算机科学系副主任。中科院自动化所博士,曾在模式识别国家重点实验室工作10余年。主要研究方向为多媒体计算、网络数据挖掘、机器学习等。已出版Springer英文专著一部,发表论文70余篇。国家自然科学基金重点项目负责人,曾获得中国电子学会自然科学一等奖和北京市科学技术奖。


高君宇,中国科学院自动化研究所模式识别国家重点实验室博士。研究方向为多媒体计算、深度学习、计算机视觉等。已经在IEEE Transaction on Image Processing、ACM Multimedia、AAAI等CCF-A类推荐的顶级国际期刊、会议上以第一作者发表了5篇文章,获中国科学院大学三好学生标兵、国家奖学金等荣誉。



王贯安,中国科学院自动化研究所复杂系统管理与控制国家重点实验室博士。研究方向为深度学习、计算机视觉和图像处理等;对人工智能算法如生成对抗网络等研究深入,独立撰写GAN算法综述;在图像检索、行人再识别领域具有丰富实战经验。已在计算机视觉顶级会议ECCV等会议、期刊发表论文多篇。独立主持进行军工合作项目(图像处理方向)1项。



张飞飞,中国科学院自动化研究所模式识别国家重点实验室博士,专知算法技术负责人。主要研究多媒体数据分析、自然语言处理,已经在包括CCF-A ACM Multimedia 在内的多媒体领域多个权威会议发表论文多篇,曾获2016年PCM会议最佳论文奖,国家奖学金。带领算法团队参与研发的产业化项目专知,获得2018年中国多媒体大会多媒体前沿技术杰出展示奖。作为专知多个项目的算法负责人,为多家企业提供AI算法支持。在自然语言处理领域特别是实体、关系、事件分析与知识图谱方面经验丰富。



2019年1月

【上课周期】

直播视频讲解 + QQ学员群交流答疑


报名方式

备注:专知课程,进行咨询、购买参团、加入学员群


开启你的进阶之旅

备注:购买成功后备注网易云账户名,以便核对入群


参团享优惠



> > 点击文章末尾阅读原文,直接报名 < <

登录查看更多
点赞 0
Top