《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