培训目标：

　　1、本次深度学习培训采用深入浅出的方法，结合实例，重点讲解Deep Learning框架模型、科学算法、训练过程技巧，使学员更有效的掌握Deep Learning核心技术及动手能力;

　　2、通过本次课程的学习，能够把握深度学习的技术发展趋势，可以熟练掌握深度学习核心技术、主要模型、实践技巧、并配以大量代码练习，同时针对工作中存在的疑难问题进行分析讲解和专题讨论，有效的提升学员解决复杂问题的能力;

　　培训课程：

　　一、深度学习Deep Learning基础和基本思想

　　1，人工智能概述、计算智能、类脑智能

　　3，机器学习概述、记忆学习、归纳学习、统计学习

　　4，深度学习的前生今世、发展趋势

　　5，人工神经网络、前馈神经网络、BP算法 、Hessian矩阵、结构性特征表示

　　二、深度学习Deep Learning基本框架结构

　　1，Caffe 2，Tensorflow

　　3，Torch 4，MXNet

　　三，深度学习Deep Learning-卷积神经网络

　　1，CNN卷积神经网络

　　卷积层(一维卷积、二维卷积)、池化层(均值池化、最大池化)

　　全连接层 激活函数层 Softmax层

　　2，CNN卷积神经网络改进

　　R-CNN (SPPNET) Fast-R-CNN Faster-R-CNN (YOLO、SSD)

　　3，深度学习的模型训练技巧

　　4，梯度下降的优化方法详解

　　四，深度学习Deep Learning-循环神经网络

　　1， RNN循环神经网络

　　梯度计算 BPTT

　　2，RNN循环神经网络改进

　　LSTM GRU Bi-RNN Attention based RNN

　　3，RNN实际应用 Seq2Seq的原理与实现

　　五、强化学习

　　1，强化学习的理论知识

　　2，经典模型DQN讲解

　　2， AlphaGo原理讲解

　　3， RL实际应用;实现一个AlphaGo

　　六，对抗性生成网络

　　1， GAN的理论知识

　　2， GAN经典模型CGAN，LAPGAN，DCGAN

　　3，GAN经典模型 INFOGAN，WGAN，S2-GAN

　　4，GAN实际应用 DCGAN提高模糊图片分辨率

　　5，GAN实际应用 InfoGAN做特定的样本生成

　　七、迁移学习

　　1，迁移学习的理论概述

　　2，迁移学习的常见方法

　　特征、实例、数据、深度迁移、强化迁移、研究案例

　　八、CNN应用案例

　　1，CNN与手写数字集分类

　　2，YOLO实现目标检测

　　3，PixelNet原理与实现

　　4，利用卷积神经网络做图像风格结合

　　九、深度学习Deep Learning的常用模型或者方法

　　1，AutoEncoder自动编码器

　　2，Sparse Coding稀疏编码

　　3，Restricted Boltzmann Machine(RBM)限制波尔兹曼机

　　4，Deep BeliefNetworks深信度网络

　　5，Convolutional Neural Networks卷积神经网络

　　十、辅助课程

　　(1)疑难解答、分组讨论;

　　(2)关键问题解析;