|
|
深度学习工程师(实战)
讲师姓名： Mike/寒小阳/Ivan
01.Ai工具库与应用
01.第一章 Caffe 工具库
1.1 本章概述
1.2 caffe 工具库简介
1.3 caffe 工具库架构与设计解析
1.4 使用caffe 完成神经网络训练操作步骤
1.5 使用caffe 完成自己数据集上的图像分类
1.6 使用caffe 工具库抽取图像特征
02.第二章 Keras 工具库
2.1 本章概述
2.2 keras 工具库简介
2.3 keras 序贯模型使用方法详解
2.4 keras 函数式模型使用方法详解
2.5 keras多层感知器
2.6 keras卷积神经网络
2.7 fine-tuning解决kaggle比赛
2.8 rnn解决评论情感分析
2.9 本章小结
03.第三章 TensorFlow 工具库(上)
3.1 本章概述
3.2 tensorflow 简介
3.3 张量与计算图
3.4 tensorflow low level api搭建模型
3.5 使用tensorflow low level api完成多层感知器建模
3.6 使用tensorflow low level api构建cnn lstm模型
3.7 tensorboard可视化与模型状态评估
3.8 本章小结
04.第四章 TensorFlow 工具库(中)
4.1 本章概述
4.2 tensorflow 高级api 简介
4.3 tensorflow dataset 与数据高效读写
4.4 基于tensorflow 高级api 的快速特征工程处理
4.5 tensorflow高级api：dataset与estimator实战
4.6 本章小结
05.第五章 TensorFlow 工具库(下)
5.1 本章概述
5.2 tensorflow 与自定义预估器
5.3 基于tensorflow自定义cnn预估器
5.4 基于tensorflow自定义rnn预估器
5.5 本章小结
06.第六章 Pytorch 工具库
6.1 本章概述
6.2 pytorch 工具库简介(1)
6.2 pytorch 工具库简介
6.3 张量、梯度与自动求导
6.4基于pytorch的基础模型搭建
6.5基于pytorch的多层感知器搭建
6.6基于pytorch的神经网络搭建
6.7 本章小结
02.深度学习在结构化数据上的应用
1.1 推荐系统问题
1.1 本章概述
1.2 推荐系统一般思路与评估方法
1.3 典型深度学习解决方案：矩阵分解与隐语义模型
1.4 典型深度学习解决方案：深度自编码器与神经网络协同过滤
1.5 基于混合神经网络的youtube视频推荐
1.6 本章小结
2.1 本章概述
2.2 计算广告与ctr 预估问题
2.3 ctr 预估的lr 与fm 解决思路
2.4 使用tensorflow构建lr、fm完成ctr预估
2.5 基于wide&deep model 的ctr 预估解决思路
2.6 基于deepfm等新方法的ctr预估解决思路
2.7 使用tensorflow 完成wide&deep 与deepfm 完成ctr 预估任务
2.8 本章小结
3.1 本章概述
3.2 新零售销量预估问题
3.3 新零售案例背景介绍与解决思路详解
3.4 使用keras 快速构建深度学习模型解决便利店销量预估问题
3.5 使用keras 快速构建深度学习模型解决连锁超市销量预估问题
3.6 本章小结
03 应用：文本表征学习&文本分类1
03-1.1 本章概述
03-1.2 机器学习对于词的表示方法
03-1.3 nnlm（neural network language model）模型
03-1.4 word2vec 构建词向量
03-1.5 【实战】使用keras 训练word2vec词向量及可视化
03-1.6 本章小结
03-2.1 本章概述
03-2.2 基于卷积神经网络的文本分类模型详解
03-2.3 基于rnnlstm 的文本分类模型详解
03-2.4 【实战】构建lstm模型完成影评打分分类
03-2.5 【实战】使用cnn lstm构建新闻分类文本模型
03-2.6 本章小结
04.应用：时间序列预测DL解决方案00
04-1.1 本章概述
04-1.2 时间序列问题历史发展与facebook prophet
04-1.3 使用lstm 与seq2seq 模型解决时间序列预测问题
04-1.4 【实战】使用深度学习序列模型对环境污染(pm2.5) 预估
04-1.5 【实战】使用深度学习构建序列预估模型预估未来销量
04-1.6 本章小结
05 应用：图像识别检测分割与检索
第一章 图像识别基本方法与进阶
1.1 本章概述
1.2 使用卷积神经网络快速搭建图像识别系统
1.3 迁移学习与建模技巧
1.4 使用keras 快速完成kaggle 图像识别比赛进入top 1%
1.5 keras tensorflow完成图像识别与模型部署
1.6 本章小结
第三章 以图搜图：大规模图像数据集图像检索
3.1 本章概述
3.2 基于深度学习的图像语义表达
3.3 高维数据快速比对与检索
3.4 【实战】基于keras完成图像检索
3.5 【实战】工业界大规模数据集图像快速精准匹配方法
3.6 本章小结
第二章 物体检测与图像分割问题
2.1 本章概述
2.2 图像分割深度学习解决方案
2.3 【实战】使用tensorflow 快速构建物体检测系统
2.4 【实战】使用tensorflow 完成图像分割任务
2.5 本章小结
06 进阶：生成对抗网络应用
06-1.1 本章概述
06-1.2 生成对抗网络gan 基本原理
06-1.3 生成对抗网络典型模型详解
06-1.4 【实战】基于gan 的图像生成
06-1.5 本章小结
06-2.1 本章概述
06-2.2 pix2pix 模型详解
06-2.3 图像翻译 图像变换 任务详解
06-2.4 【实战】基于gan的图像场景变换
06-2.5 【实战】基于gan的中文艺术字体生成
07 进阶：强化学习建模应用
1.1 本章概述
1.2 强化学习背景介绍
1.3 强化学习解决的问题与监督 无监督对比
1.4 马尔可夫决策过程
1.5 q-learning 算法
1.6 deep q network 模型介绍
1.7 【实战】基于tensorflow 构建dqn 完成打砖块游戏
1.8 基于tensorflow 的deep q network 完成flappy bird 游戏
1.9 本章小结
2.1 本章概述
2.2 policy gradient 梯度策略算法
2.3 actor critic算法与应用
2.4 ddpg 算法原理与应用
2.5 本章小结
下载地址：
|
|
[复制链接]
发表于 2020-10-1 13:39:34
发表于 2020-10-1 13:41:52
