实操解析与训练

壹/ 神经网络实践

神经网络中基本概念理解：epoch、batch size、学习率、正则、噪声、激活函数等。

不同的数据生成模型、调整网络参数、调整网络规模

神经网络分类问题

不同数据特征的作用分析、隐含层神经元数目

过拟合  

高频问题：

1、输入数据与数据特征      

2、模型设计的过程中的参数与功能的关系。

关键点：

1、掌握神经网络的基本概念   

2、学会搭建简单的神经网络结构

3、理解神经网络参数

贰 / 深度学习三种编程思想

Keras实践

理解Keras基本原理

学会Keras编程思想

三种不同的深度神经网络构建编程方式

给定数据集，采用Keras独立完成实际的工程项目

高频问题：

1、如何编程实现深度神经网络   

2、三种开发方式的具体使用

关键点：

1、掌握Keras编程思想

2、采用三种不同方式编写深度神经网络

叁/ CNN实践

实验：图像分类

使用CNN解决图像分类问题

搭建AlexNet  

VGG16/19

GoogleNet

ResNet

高频问题：

1、CNN更复杂的模型在哪里可以找到代码

关键点：

1、使用卷积神经网络做图像分类  

2、常见开源代码以及适用的问题

实验：视频人物行为识别

基于C3D的视频行为识别方法

基于LSTM的视频行为识别方法

基于Attention的视频行为识别方法

高频问题：

1、2D卷积与3D卷积

2、视频的时空特征

关键点：

1、C3D网络的构建                 

2、Attention机制

肆 / R-CNN及YOLO实践

实验：目标检测

目标检测发展现状及代表性方法

两阶段目标检测方法：R-CNN系列模型

一阶段目标检测方法：YOLO系列模型

   高频问题：

1、提名与分类

2、BBOX实现策略

3、YOLO Loss函数

关键点：

1、提名方法

2、ROI Pooling

3、SPP Net

4、RPN

5、YOLO

伍 / RNN实践

实验：股票预测

股票数据分析

同步预测

异步预测

高频问题：

1、历史数据的使用

关键点：

1、构建RNN

2、采用Keras编程实现

陆/ Encoder-Decoder实践

实验：去噪分析

自编码器

去噪自编码器

高频问题：

1、噪声的引入与去除

关键点：

1、设计去噪自编码器

实验：图像标题生成

结合计算机视觉和机器翻译的最新进展，利用深度神经网络生成真实的图像标题。

1、掌握Encoder-Decoder结构

2、学会Seq2seq结构

3、图像CNN +文本RNN

4、图像标题生成模型  

高频问题：

1、如何能够根据图像生成文本？

关键点：

1、提取图像特征CNN，生成文本RNN

2、构建Encoder-Decoder结构

柒 / RNN实践

实验：艺术家作品生成

生成对抗网络原理

GAN的生成模型、判别模型的设计  

捌 / 强化学习实践

实验：游戏分析

游戏场景分析

强化学习的要素分析

深度强化学习  

玖/ 图卷积神经网络实践

实验：社交网络分析

图神经网络的原理

图卷积神经网络的思想

设计图卷积神经网络进行社交网络分析  

拾 / Transformer实践

实验：基于Transformer的对话生成

Transformer原理

基于Transformer的对话生成

基于 Transformer 的应用