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 01-单层感知器    

               2.2 01-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 GPUTPU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:RNNLSTM      

      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 




the end

评论(0)