from:http://blog.csdn.net/hemeinvyiqiluoben/article/details/62439861
课程安排
第一天
上午 | 一、机器学习基础 | 1.线性代数
(1).矩阵运算 (2).向量运算
(3).SVD (4).PCA
2.概率信息论
(1).概率分布 (2).期望、方差、协方差
(3). 贝叶斯 (4).结构概率模型
3.数值优化 |
| 二、深度学习基础 | 1.深度学习介绍
(1).发展历史 (2).主要应用
2.感知器
3.人工神经网络
4.前馈神经网络
5.BP算法
6.Hessian矩阵 |
第一天
下午 | 三、深度学习进阶---卷积神经网络 | 1.CNN卷积神经网络
(1).卷积层（一维卷积、二维卷积）
(2).池化层（均值池化、最大池化）
(3). 全连接层
(4).激活函数层
(5).Softmax层
2.CNN卷积神经网络改进
(1).R-CNN （SPPNET）
(2).Fast-R-CNN
(3).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 |
第二天
上午 | 四、深度学习软件 | 1.深度学习相关软件的安装配置与使用介绍
(1).Caffe
(2).Tensorflow
(3).Torch
(4).MXNet |
第二天
下午 | 五、 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 |
第三天
上午 | 六、深度学习——循环神经网络 | 1.RNN循环神经网络
(1).梯度计算
(2).BPTT
2.RNN循环神经网络改进
(1).LSTM
(2).GRU
(3).Bi-RNN
(4).Attention based RNN
3.RNN实际应用
(1).Seq2Seq的原理与实现 |
第三天
下午 | 七、强化学习 | 1.强化学习的理论知识
2.经典模型DQN讲解
3.AlphaGo原理讲解
4.RL实际应用
(1).实现一个AlphaGo |
第四天
上午 | 八、对抗性生成网络 | 1.GAN的理论知识
2.GAN经典模型
(1).GAN，CGAN，LAPGAN，DCGAN，
3.GAN经典模型
(1). INFOGAN，WGAN，S2-GAN
4.GAN实际应用
(1).DCGAN提高模糊图片分辨率
5.GAN实际应用
(1).InfoGAN做特定的样本生成 |
第四天
下午 | 九、迁移学习 | 1.迁移学习的理论概述
2.迁移学习的常见方法
(1).基于特征的迁移
(2).基于实例的迁移
(3).基于数据的迁移
(4).深度迁移学习
(5).强化迁移学习
(6).迁移学习的研究案例
(7).迁移学习的应用
(8).2017年AAAI最佳论文讲解：利用物理定理的知识迁移到视频理解 |