人工智能：深度学习入门到精通实战

《人工智能：深度学习入门到精通实战》课程主要就人工智能领域相关的深度学习基础、深度学习计算、卷积神经网络+经典网络、循环神经网络+RNN进阶、优化算法、计算机视觉和自然语言处理等，配套实战案例与项目全部基于真实数据集与实际任务展开，结合深度学习框架进行建模实战。 由浅入深，每一个理论搭配一个实验，引领学员浸泡式逐步掌握各项技能和实战项目，且侧重技能不同，学员的知识体系会更加全面 课程大纲： 第一章：深度学习基础-深度学习简介 01.1-前置知识 01.2-传统编程与数据编程 01.3-深度学习起源 01.4-深度学习崛起与发展 01.5-深度学习成功案例 01.6-深度学习特点 第二章：深度学习基础-Python基础 02.1-PyTorch介绍与环境配置 02.2-数据操作与创建Tensor 02.3-算术操作、索引与改变形状 02.4-线性代数、广播机制与内存开销 02.5-Tensor和NumPy相互转换与Tensor on GPU 02.6-实验01-创建和使用Tensor-1 02.7-实验01-创建和使用Tensor-2 02.8-梯度下降 02.9-实验02-梯度下降-1 02.10-实验02-梯度下降-2 02.11-自动求梯度概念 02.12-自动求梯度实例 02.13-实验03-自动求梯度-1 02.14-实验03-自动求梯度-2 第三章：深度学习基础-线性回归 03.1-线性回归讲解 03.2-线性回归实例 03.3-实验04-从零实现线性回归-1 03.4-实验04-从零实现线性回归-2 03.5-实验05-线性回归的简洁实现-1 03.6-实验05-线性回归的简洁实现-2 第四章：深度学习基础-softmax回归 04.1-softmax回归 04.2-实验06-FashionMNIST 04.3-实验07-从零实现Softmax回归-1 04.4-实验07-从零实现Softmax回归-2 04.5-实验08-softmax回归的简洁实现 第五章：深度学习基础-多层感知机 05.1-感知机 05.2-多层感知机 05.3-多层感知机与神经网络 05.4-激活函数 05.5-正向传播 05.6-反向传播 05.7-正向传播和反向传播 05.8-批大小 05.9-实验09-从零实现MLP 05.10-实验10-MLP的简洁实现 第六章：深度学习基础-模型选择、欠拟合和过拟合 06.1-训练误差和泛化误差 06.2-模型选择 06.3-欠拟合和过拟合 06.4-权重衰减 06.5-丢弃法 06.6-实验11-多项式函数拟合实验 06.7-实验12-高维线性回归实验-1 06.8-实验12-高维线性回归实验-2 06.9-实验13-Dropout 第七章：深度学习基础-数值稳定性和模型初始化 07.1-数值稳定性和模型初始化-1 07.2-数值稳定性和模型初始化-2 07.3-实验14-房价预测案例-1 07.4-实验14-房价预测案例-2 07.5-实验14-房价预测案例-3 第八章：深度学习计算-模型构造 08.1-模型构造-1 08.2-模型构造-2 08.3-模型构造-3 08.4-实验15-模型构造-1 08.5-实验15-模型构造-2 第九章：深度学习计算-模型参数的访问、初始化和共享 09.1-模型参数的访问 09.2-模型参数初始化和共享 09.3-实验16-模型参数-1 09.4-实验16-模型参数-2 第十章：深度学习计算-自定义层与读取和储存 10.1-不含模型参数的自定义层 10.2-含模型参数的自定义层 10.3-实验17-自定义层 10.4-读取和储存 10.5-GPU计算 10.6-实验18-读取和储存 第十一章：卷积神经网络 11.01-卷积神经网络 11.02-卷积神经网络的组成层 11.03-图像分类的局限性 11.04-二维卷积层与卷积层 11.05-卷积在图像中的直观作用 11.06-实验19-二维卷积层 11.07-填充与步幅 11.08-卷积过程 11.09-卷积层参数-1 11.10-卷积层参数-2 11.11-实验20-Pad和Stride 11.12-多输入和输出通道 11.13-实验21-多通道 11.14-池化层 11.15-实验22-池化层 第十二章：经典网络 12.01-卷积神经网络 12.02-实验23-LeNet模型 12.03-深度卷积神经网络 12.04-实验24-AlexNet模型 12.05-使用重复元素的网络 12.06-实验25-VGG模型 12.07-网络中的网络 12.08-实验26-NiN模型 12.09-含并行连接的网络 12.10-实验27-GoogLeNet模型 12.11-批量归一化-1 12.12-批量归一化-2 12.13-实验28-批量归一化 12.14-残差网络 12.15-实验29-残差网络 12.16-稠密连接网络 12.17-实验30-稠密连接网络 第十三章：循环神经网络 13.01-语言模型和计算 13.02-n元语法 13.03-RNN和RNNs 13.04-标准RNN向前输出流程和语言模型应用 13.05-vector-to-sequence结构 13.06-实验31-语言模型数据集-1 13.07-实验31-语言模型数据集-2 13.08-实验32-从零实现循环神经网络-1 13.09-实验32-从零实现循环神经网络-2 13.10-实验32-从零实现循环神经网络-3 13.11-实验32-从零实现循环神经网络-4 13.12-实验33-简洁实现循环神经网络-1 13.13-实验33-简洁实现循环神经网络-2 第十四章：RNN进阶 14.01-通过时间反向传播-1 14.02-通过时间反向传播-2 14.03-长短期记忆-1 14.04-长短期记忆-2 14.05-实验34-长短期记忆网络-1 14.06-实验34-长短期记忆网络-2 14.07-门控循环单元 14.08-RNN扩展模型 14.09-实验35-门控循环单元 第十五章：优化算法 15.01-优化与深度学习 15.02-局部最小值和鞍点 15.03-提高深度学习的泛化能力 15.04-实验36-小批量梯度下降-1 15.05-实验36-小批量梯度下降-2 15.06-动量法-1 15.07-动量法-2 15.08-实验37-动量法 15.09-AdaGrad算法与特点 15.10-实验38-AdaGrad算法 15.11-RMSrop算法 15.12-实验39-RMSProp算法 15.13-AdaDelta算法 15.14-实验40-AdaDelta算法 15.15-Adam算法 15.16-实验41-Adam算法 15.17-不用二阶优化讲解与超参数 第十六章：计算机视觉 16.01-图像增广与挑战 16.02-翻转、裁剪、变化颜色与叠加 16.03-实验42-图像增广-1 16.04-实验42-图像增广-2 16.05-微调 16.06-迁移学习 16.07-实验43-微调-1 16.08-实验43-微调-2 16.09-目标检测 16.10-边界框 16.11-实验44-边界框 16.12-锚框与生成多个锚框 16.13-交并比 16.14-实验45-生成锚框-1 16.15-实验45-生成锚框-2 16.17-标注训练集的锚框-1 16.18-标注训练集的锚框-2 16.19-实验46-标注训练集的锚框-1 16.20-实验46-标注训练集的锚框-2 16.21-实验46-标注训练集的锚框-3 16.22-输出预测边界框 16.23-实验47-输出预测边界框-1 16.24-实验47-输出预测边界框-2 16.25-多尺度目标检测 16.26-实验48-多尺度目标检测 16.27-目标检测算法分类 16.28-SSD与模型设计 16.29-预测层 16.30-损失函数 16.31-SSD预测 16.32-实验49-目标检测数据集 16.33-实验50-SSD目标检测-1 16.34-实验50-SSD目标检测-2 16.35-实验50-SSD目标检测-3 16.36-实验50-SSD目标检测-4 16.37-实验50-SSD目标检测-5 16.38-实验50-SSD目标检测-6 第十七章：自然语言处理 17.01-词嵌入和词向量 17.02-神经网络模型 17.03-跳字模型 17.04-训练跳字模型 17.05-连续词袋模型 17.06-负采样 17.07-层序softmax 17.08-子词嵌入 17.09-Fasttext模型 17.10-全局向量的词嵌入 17.11-实验51-word2vec之数据预处理-1 17.12-实验51-word2vec之数据预处理-2 17.13-实验52-word2vec之负采样-1 17.14-实验52-word2vec之负采样-2 17.15-实验53-word2vec之模型构建-1 17.16-实验53-word2vec之模型构建-2 17.17-实验54-求近义词和类比词-1 17.18-实验54-求近义词和类比词-2 17.19-实验55-文本情感分类RNN-1 17.20-实验55-文本情感分类RNN-2 17.21-实验55-文本情感分类RNN-3 17.22-实验55-文本情感分类RNN-4 17.23-TextCNN 17.24-TextCNN流程 17.25-实验56-文本情感分类textCNN-1 17.26-实验56-文本情感分类textCNN-2 17.27-Seq2Seq的历史与网络架构 17.28-Seq2Seq的应用与存在的问题 17.29-Attention机制与Bucket机制 17.30-实验57-机器翻译之模型构建-1 17.31-实验57-机器翻译之模型构建-2 17.32-实验57-机器翻译之模型构建-3 17.33-实验58-机器翻译之训练评估-1 17.34-实验58-机器翻译之训练评估-2 17.35-实验58-机器翻译之训练评估-3