全面掌握深度学习
-
课程目标
课程面向零基础学员，从上世纪60年代最基础的的单层感知器开始学习，从最基础的知识开始，进行体系化的学习。 课程包含神经网络领域大多数重要分支，并通过这些分支延伸到如今最热门的的深度置信网络DBN，卷积神经网络CNN，深度残差网络RES和长短时记忆网络LSTM。
-
师资团队
-
华清创客企业内训讲师，均是来自各个领域的资深专家，均拥有6年以上大型项目经验。
-
培养对象
1、对人工智能、深度学习感兴趣的学员
2、渴望学习当今最热门最前沿技术的人
3、想储备深度学习技能的学员 -
培训方式
第一种：华清创客讲师面授
课时：共4天，每天6学时，总计24学时
◆费用：3200元
◆外地学员：代理安排食宿（需提前预定）
第二种：线上直播授课
直播课时：共8天，每天3学时，总计24学时；
辅导：授课期间，辅导老师每天有1小时的辅导直播
◆费用：3200元
第三种：企业订制培训
课时：根据定制的大纲确定课时
费用：根据课程难度，每课时1500~3000元
-
-
质量保证
1、培训过程中，如有部分内容理解不透或消化不好，可免费在下期培训班中重听；
2、培训结束后免费提供一个月的技术支持，充分保证培训后出效果；
3、培训合格学员可享受免费推荐就业机会。
-
课程大纲
第一章：神经网络介绍
1.1 神经网络概述
1.2 神经网络发展史
第二章：单层感知器实践
2.1 从0到1-单层感知器
2.2 从0到1-单层感知器（代码实践）
第三章：网络优化
3.1 线性神经网络、delta学习规则和梯度下降法
3.2 线性神经网络、delta学习规则和梯度下降法（代码实践）
第四章：多层
4.1 BP神经网络介绍
4.2 BP神经网络介绍（代码实践1）
4.3 BP神经网络介绍（代码实践2）
4.4 深入理解BP神经网络（论文讲解）
4.5 过拟合，以及google神经网络小工具
第五章：Hopfield神经网络
5.1 Hopfield神经网络
5.2 Hopfield神经网络（代码实现）
第六章：玻尔兹曼机
6.1 玻尔兹曼机
6.2 受限玻尔兹曼机RBM
6.3 受限玻尔兹曼机RBM（代码实现）
第七章：推荐系统算法介绍
7.1 推荐系统算法介绍
第八章：玻尔兹曼机应用
8.1 受限玻尔兹曼机在推荐系统中的应用
第九章：各种网络讲解
9.1 深度置信网络DBN-DNN
9.2 卷积神经网络CNN
9.3 手写体识别网络LeNET-5结构分析
第十章：图像识别应用
10.1 ImageNet介绍
10.2 ILSVRC12图像识别比赛冠军AlexNet
10.3 GPU和TPU的简介
第十一章：深度残差网络
11.1 深度残差网络RES
11.2 批量正则化Batch Normalization
11.3 深度残差网络进一步研究
第十二章：RNN和LSTM
12.1 递归神经网络RNN
12.2 长短时记忆网络LSTM
第十三章：强化学习和迁移学习
13.1 强化学习RL
13.2 迁移学习TL
13.3 生成式对抗网络GAN
- 赞
