目標(biāo)收益

課程大綱

大量真實(shí)案例，深入分析
讓學(xué)員更好的掌握課程內(nèi)容

• 1~3章
• 4章（上）
• 4章（下）

• 01

  入門和基本 DNN 模型（略講）

  ? 深度學(xué)習(xí)概要 什么是深度學(xué)習(xí) & 與機(jī)器學(xué)習(xí)的異同
  ? 多層感知器模型 Multi-Layer Perceptron – MLP
  神經(jīng)元 權(quán)重和激活 Neurons Weight Activation、 神經(jīng)元網(wǎng)絡(luò) Neuron Networks 、 訓(xùn)練網(wǎng)絡(luò) Training Networks 、 Back-propagation 算法和計算圖、 多種自適應(yīng)學(xué)習(xí)率算法 Adaptive Learning Rate、 ? 用 Keras 搭建 MLP
  載入數(shù)據(jù)、定義-編譯-訓(xùn)練-測試模型

  02

  評估、調(diào)參和優(yōu)化模型(上)

  ? 評估深度學(xué)習(xí)模型的性能
  ? 切分?jǐn)?shù)據(jù)集合 Data Splitting
  ? 數(shù)據(jù)集（構(gòu)建、清洗、評估等）
  ? 模型結(jié)構(gòu)選擇、搭建與調(diào)優(yōu)、訓(xùn)練調(diào)參方法技巧等
  ? 通用深度學(xué)習(xí)工具集 Keras + Scikit-Learn
  用 cross-validation 評估模型
  用 grid-search 微調(diào)超參數(shù)
  

  03

  評估、調(diào)參和優(yōu)化模型(下)

  ? MLP例子
  - 用 MLP 進(jìn)行多元分類 – 植物品種分類
  - 用 MLP 進(jìn)行二元分類 – 聲吶探測物體信號分析
  - 用 MLP 進(jìn)行回歸 – Boston 房屋價格預(yù)測
  ? 序列化保存模型
  ? 通過 check point 機(jī)制獲取最佳模型
  ? 通過繪制模型歷史理解訓(xùn)練行為
  ? 通過 dropout regularization 降低模型過擬合
  ? 選取不同的 Learning Rate Schedule 提升模型性能
  

  04

  卷積神經(jīng)網(wǎng)絡(luò) CNN

  ? CNN 原理和構(gòu)造（概述）：
  - 核 Filter 和卷積運(yùn)算 Convolutional Layer
  - 特征圖 Feature Maps、- 池化層 Pooling
  - 全連接層 Full Connected Layer
  - Dropout 和 Batch Normalization、- CNN 最佳實(shí)踐
  CNN 實(shí)踐
  - 項(xiàng)目：用 CNN 進(jìn)行手寫體識別
  - 練習(xí)：在 CNN 圖像識別中通過 Image Augmentation 技術(shù)提升模型性能
  項(xiàng)目：用 CNN 進(jìn)行圖片物體識別 、XCeption 架構(gòu)、ResNet
  - 項(xiàng)目：用 CNN電影評論情緒預(yù)測
  

• 05

  循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN（一）

  ? - RNN 原理一：基本 RNN
  - 處理序列（Sequence）數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)
  - 循環(huán)神經(jīng)網(wǎng) RNN 架構(gòu)
  - RNN訓(xùn)練：如何在訓(xùn)練中獲得穩(wěn)定的梯度下降
  - RNN 網(wǎng)絡(luò)演化歷史：RNN，LSTM，GRU 結(jié)構(gòu)比較和分析
  

  06

  循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN（二）

  ? RNN 實(shí)踐一：RNN 回歸
  - 項(xiàng)目：用 MLP 進(jìn)行時間序列預(yù)測
  - 項(xiàng)目：用長短記憶網(wǎng)絡(luò)(Long-Short Term
  Memory, LSTM)進(jìn)行時間序列預(yù)測
  1) 用LSTM進(jìn)行回歸； 2）用LSTM 序列窗口（Window method）進(jìn)行回歸 ； 3) 用 LSTM 時間步長（Time Step）進(jìn)行回歸； 4) 用 LSTM記憶（Memory）進(jìn)行回歸 & Stacked LSTM
  ? RNN 實(shí)踐二：RNN 分類
  ? Spring Boot 實(shí)戰(zhàn)案例
  

  07

  循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN（三）

  ? - 項(xiàng)目：對電影評論進(jìn)行序列分類 Sequence Classification
  - 項(xiàng)目：使用 dropout LSTM
  - 項(xiàng)目：結(jié)合使用 CNN 和 RNN 進(jìn)行序列分類
  ? RNN 實(shí)踐三：用 RNN 進(jìn)行文本生成 – one char
  - 項(xiàng)目：用LSTM進(jìn)行 one-char生成
  - 項(xiàng)目：用LSTM feature-window進(jìn)行one-char生成； 用LSTM time-step進(jìn)行 one-char生成； 用 LSTM 批內(nèi)樣本間保持狀態(tài)進(jìn)行 one-char 生成；； 有狀態(tài) LSTM進(jìn)行 one-char 生成； 變長輸入 LSTM
  

  08

  循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN（四）

  ? RNN 實(shí)踐四：RNN 進(jìn)行文本生成 – sequence？
  - 項(xiàng)目：用 LSTM 生成文本序列
  - 項(xiàng)目：深度 LSTM 生成文本
  - 討論：如何進(jìn)一步提高模型 performance
  

• 09

  循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN（五）

  ? RNN 實(shí)踐四：RNN 進(jìn)行文本生成 – sequence？
  - 項(xiàng)目：用 LSTM 生成文本序列
  - 項(xiàng)目：深度 LSTM 生成文本
  - 討論：如何進(jìn)一步提高模型 performance
  ? 更多 RNN 模型：
  - -Sequence-to-Sequence 結(jié)構(gòu)和實(shí)現(xiàn)
  Attention 機(jī)制、- image captioning 圖像字幕； machine translation 機(jī)器翻譯； dialogue generation 對話生成； 神經(jīng)機(jī)器翻譯 Neural Machine Translation； Query泛化 和 Q&A: multiple perspective 機(jī)制
  

  10

  循環(huán)神經(jīng)網(wǎng)絡(luò) Recurrent Neural Networks – RNN（六）

  ? 無監(jiān)督學(xué)習(xí)概念、方法和例子
  無監(jiān)督學(xué)習(xí)方法
  Word Embedding
  Word2Vec：前生今世 - 起因和效果
  Word2Vec：原理和架構(gòu)
  Word2Vec 訓(xùn)練
  Auto-Encoder 、Auto-Encoder 概念和訓(xùn)練
  全連接 Auto-Encoder
  Variational Auto Encoder (VAE)
  Deep Convolutional VAE
  

以下客戶都曾參加過該課程

快速掌握深度學(xué)習(xí)的算法和實(shí)現(xiàn)方法

• 適合人群
• 講師介紹

• 
• B. Ma
  
  ? 前百度 高級算法工程師
  ? 中國原子能科學(xué)研究院理論物理碩士、中國科學(xué)院軟件研究所博士。
  ? 曾領(lǐng)導(dǎo)重構(gòu)百度搜索引擎核心模塊，實(shí)現(xiàn)了九年歷史四十萬行遺留代碼的優(yōu)化；
  ? 作為量化派技術(shù)總監(jiān)，帶領(lǐng)技術(shù)部開發(fā)和重構(gòu)了基于金融大數(shù)據(jù)的借貸交易平臺和信審平臺；
  ? 應(yīng)用機(jī)器學(xué)習(xí)技術(shù)在丁丁租房多項(xiàng)在線服務(wù)（推薦 信審 反中介 派單策略 定價模型等）；在Baidu AI 度秘團(tuán)隊負(fù)責(zé)NLU策略和模型

為什么msup公開課你值得選擇

往期課程

常見問題

• Q:課程費(fèi)用

  A:預(yù)約報名成功后，課程費(fèi)用可通過銀行對公轉(zhuǎn)賬，和支付寶掃碼支付的形式；2天培訓(xùn)課程，包含課程費(fèi)用，課程學(xué)習(xí)資料，兩天午餐（中午12點(diǎn)準(zhǔn)時）及下午茶歇等。

• Q:發(fā)票開具流程

  A:確認(rèn)收到課程費(fèi)用款項(xiàng)工作人員與課程報名聯(lián)系人及時溝通發(fā)票信息，請報名方確認(rèn)發(fā)票信息100%無誤,在無外力因素的情況下，發(fā)票將在7個工作日開具并快遞msup規(guī)定，在收到課程報名費(fèi)用后，方可按照實(shí)際總金額開具，發(fā)票類別為增值稅發(fā)票；如果您有特殊需求，可及時與工作人員溝通

• Q:開課通知提醒

  A:報名成功后，工作人員會通過郵件和短信的形式通知具體開課時間和地點(diǎn)，課程開課前還會另行通知提醒。

查看更多