深度学习—从算法到实战,涵盖深度学习算法和应用实例,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经验。本课程由完整全面、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。通过学习本课程,学员可以:掌握深度学习核心算法技术;掌握面向不用场景任务的深度学习应用技术;熟悉各种不同深度神经网络的拓扑结构及应用;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。 本次课程由专知团队携人工智能领域一线教授博士精心制作,重磅推出!这是一次毫无保留的传授与交流,人工智能未来已来,学习永不止步。希望能与各位一起迎接2019,共同成长。 https://study.163.com/course/introduction/1006498024.htm

专知—深度学习:算法到实战预习资料

课程概述

**深度学习—从算法到实战,涵盖深度学习算法和应用实例,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经验。**本课程由完整全面、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。通过学习本课程,学员可以:掌握深度学习核心算法技术;掌握面向不用场景任务的深度学习应用技术;熟悉各种不同深度神经网络的拓扑结构及应用;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。

**本次课程由专知团队携人工智能领域一线教授博士精心制作,重磅推出!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。专知,包括专知网站平台 www.zhuanzhi.ai 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。

课程预习资料

强烈推荐学员登录www.zhuanzhi.ai 网站,搜索相关主题知识,非常多的文档和基础教程提供。 专知—深度学习:算法到实战主题,相当资料和文档都在里面: http://www.zhuanzhi.ai/topic/2001029476505936/new

各位学员也欢迎加专知小助手,QQ:3231298669,微信:Quan_ABT,加入QQ群和微信群,获取相关最新资料。

注意:相关资料不看也没关系,老师会把每一部分细节给大家讲述清楚。

1. 基础篇

基础篇包括:章节1 绪论与神经网络基础(桑基韬博士主讲)、章节2 卷积神经网络与循环神经网络(张飞飞博士主讲)

1.1 相关书籍

1.2 相关课程

1.3 专知Awesome系列

1.4 相关博文

1.5 相关论文

  • AlexNet: ImageNet Classification with Deep Convolutional Neural Networks

  • VGG: Very Deep Convolutional Networks for Large-Scale Image Recognition

  • GoogleNet Inception[V1]: Going Deeper with Convolutions

  • GoogleNet Inception[V2]: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

  • GoogleNet Inception[V3]: Rethinking the Inception Architecture for Computer Vision

  • GoogleNet Inception[V4]: Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

  • **ResNet:**Deep Residual Learning for Image Recognition

    上述论文在QQ群文件都有

2. 目标检测

这部分包括:章节3 目标检测(高君宇博士主讲)

2.1 两篇综述

2.2 相关课程

2.3 Awesome系列

2.4 相关博文

2.5 相关论文

3. 生成对抗网络

这部分包括:章节4 生成对抗网络(王贯安博士主讲)

课程大纲见:https://mubu.com/doc/2xYK7qUxCM

预习建议

  1. 论文内容完整、逻辑严谨、表达准确,但是初学者学习来比较困难。
  2. 博客表达更加口语化,适合初学者理解;但是博客内容质量不好保证,和博主的水平有很大关系。
  3. 建议大家在学习(或者自学)的时候,把论文和博客相结合。以论文为中心,在论文中看不懂的点,去博客中找答案,再带回到论文中尝试理解。这样既可以降低学习难度,又不会受到不同博客质量的影响。

3.1 基础

3.2 前沿应用

3.2.1 论文
  • Person Re-Identification Past, Present and Future

    行人再识别综述论文,帮助大家快速了解行人再识别

  • Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro

    数据之于深度学习,就像石油之于工业设备。自深度学习产生以来,数据缺乏就一直是困扰业界的一个问题。Re-ID任务中也不例外,这里介绍用GAN解决Re-ID任务中数据稀缺性问题。

  • Adversarially Occluded Samples for Person Re-identification

    困难样本挖掘可以有效提高很多机器学习算法的性能。这里以Re-ID为例,介绍如何用GAN进行困难样本挖掘。

  • Camera Style Adaptation for Person Re-identification

    数据集内部方差是影响模型性能的又一大因素,Re-ID也不例外。Re-ID数据集内部具有很大的方差,这是由于数据采集方式导致的(摄像头)。不同摄像头采集的图像由于地点、角度、型号等原因,它们具有很大的差异。这里介绍,如何用GAN解决Re-ID数据集有摄像头导致的差异问题。

  • Cross-Modality Person Re-Identification with Generative Adversarial Training

    异构数据学习也是机器学习领域中的一个重要问题。Re-ID中,RGB图像和红外图像就是一种异构数据。这里介绍用GAN解决Re-ID任务中的异构数据检索问题。

  • Person Transfer GAN to Bridge Domain Gap for Person Re-Identification

    跨数据集学习或者迁移学习是机器学习领域一个被长期研究的问题。这里以Re-ID为例,介绍用GAN解决跨数据集学习的问题。

3.3 实战

3.3.1 论文
  • [U-NET] U-Net Convolutional Networks for Biomedical Image Segmentation

  • [Instance Normalization] Instance Normalization The Missing Ingredient for Fast Stylization

  • [Pixel2Pixel] Image-to-image Translation with Conditional Adversarial Networks

  • [CycleGAN] Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

  • [StarGAN] StarGAN Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation

    上述论文在QQ群文件都有

3.3.2 官方开源代码

4. 前沿技术

这部分包括:章节5 前沿技术(高君宇博士主讲)

4.1 强化学习

4.2 迁移学习

4.3 图神经网络

5. PyTorch 实战

这部分包括:章节6 PyTorch入门与实战(张怀文博士博士主讲)

5.1 PyTorch 入门基础

  • 专知PyTorch主题:

  • 提前安装 python 科学计算环境

    • Python3, jupyter, numpy, matplotlib, scipy, scikit-learn, gensim, opencv, cytoolz
  • 提前安装 PyTorch 生态环境

    • pytorch, torchvision, fastai, pytext, tensorboardX, visdom, ignite, fairseq
  • 计算机视觉经典模型资料,自然语言处理经典算法实现,参考章节1.基础篇

5.2 PyTorch实战

课程资料信息

课程预习资料是由专知团队各位讲师针对此次课程精心准备,适合课前预习准备所用,并且相关资料会不断完善丰富,相关问题和建议欢迎在专知课程群提出,也欢迎各位学员多多推荐专知深度学习—从算法到实战课程,谢谢!

成为VIP会员查看完整内容
Top