深度学习及其应用即将第13次开课

来源: 赵卫东/

复旦大学

3303

2021-05-08 10:29:26

2025-02-02

欢迎推荐学生参与：https://www.icourse163.org/course/FUDAN-1205806833

深度学习公益课程，配套全套的PPT、视频、Python程序、数据、习题、理论与实训教材等，欢迎指导

深度学习及其应用课程涵盖了深度学习的核心概念和关键技术，包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、注意力机制和Transformer等。这些方法不仅构成了深度学习的基础，也被广泛应用于多个领域。课程通过使用机器学习领域的主流开源框架，指导学生如何在股票预测、人脸特征分析、目标检测、语义分割、图像风格转移以及社交网络情感分析等实际问题中应用深度学习技术。通过这些实践，学生能够深入理解深度学习模型的工作原理，并掌握如何将这些模型应用于解决现实世界的问题。有基础的同学可以继续学习实战课程机器视觉与边缘计算应用：https://www.icourse163.org/course/FUDAN-1456632162。

课程大纲

神经网络基础

课时目标：理解前馈神经网络的结构、梯度下降法以及网络训练调优的基本方法，并能应用前馈神经网络解决实际问题。建议5个学时。

1.1 神经网络简介

1.2 BP神经网络

1.3 银行客户流失预测

1.4 银行客户流失实验

1.5 新闻分类实验

1.6 阿里摩搭实验平台

深度学习在人工智能中的应用

课时目标：通过众多的案例，了解深度学习的典型应用场景。建议2个学时。

2.1 深度学习在人工智能中的应用（一）

2.2 深度学习在人工智能中的应用（二）

2.3 深度学习在人工智能中的应用（三）

2.4 深度学习在人工智能中的应用（四）

卷积神经网络

课时目标：理解卷积的内涵，熟悉经典的卷积神经网络的结构、训练方法以及典型场景的应用。建议4个学时。

3.1 卷积神经网络的发展

3.2 卷积与感受野机制

3.3 卷积的概念和特征

3.4 图像编码与卷积

3.5 卷积操作

3.6 卷积特征图及计算

3.7 多通道卷积

3.8 池化操作

3.9 Lenet5卷积神经网络—TensorFlow和MindSpore实现

3.10 完整的卷积神经网络过程

3.11 卷积神经网络训练

3.12 图像分类—TensorFlow和MindSpore实现

3.13 股票预测实验（卷积版）

3.14 手势体识别实验

典型卷积神经网络算法

课时目标：熟悉常用的几种卷积神经网络的结构、训练方法以及典型场景的应用。建议10个学时。

4.1 AlexNet卷积神经网络

4.2 VGG卷积神经网络—TensorFlow和MindSpore实现

4.3 GoogLeNet卷积神经网络

4.4 ResNet卷积神经网络

4.5 SENet卷积神经网络

4.5 动物识别实验—TensorFlow和MindSpore实现

4.6 颜值打分（女生版）

循环神经网络

课时目标：理解循环神经网络以及变种LSTM、GRU的结构、训练方法以及典型场景的应用。建议6个学时。

5.1 循环神经网络基本原理

5.2 循环神经网络模型——使用字符级RNN生成名称MinSpore实现

5.3 长短期记忆神经网络模型

5.4 股票预测实验（LSTM版）

5.5 情感识别分类实验—TensorFlow和MindSpore实现

目标检测

课时目标：理解目标检测的基本概念、基本原理以及典型的目标检测算法，能用这些算法于典型的应用场景。在此基础上可以学习目标检测实践课程https://www.icourse163.org/course/FUDAN-1456632162。建议6学时。本单元起为深度学习高级内容。

6.1 目标检测概况

6.2 目标检测的基本概念

6.3 目标检测发展

6.4 基于候选区域的目标检测

6.5 Fast R-CNN目标检测算法

6.6 Faster R-CNN目标检测算法（MindSpore框架实现）

6.7 Yolov1-v5算法

6.8 目标检测案例解析

6.9 RetinaNet和UNet算法

6.10 物体检测实验

6.11 车道检测实验

生成对抗网络

课时目标：理解生成对抗网络的结构、训练方法以及典型场景的应用。建议6个学时。

7.1 生成对抗网络基本原理

7.2 Encoder-Decoder模型

7.2 生成对抗网络算法DCGAN

7.4 生成对抗网络算法应用

7.5 手写体生成—TensorFlow和MindSpore实现

7.6 CycleGAN算法

7.7 DCGAN和WGAN算法—MindSpore实现

7.8 画风转移实验

7.9 超分辨率图像重建实验

注意力机制

课时目标：理解注意力机制的概念、常见的外部注意力、自注意力以及机器翻译等典型应用。建议5个学时。即将更新视频。

8.1 Seq2Seq模型

8.2 （自）注意力机制模型

8.3 Transformer模型*（选读）

8.4 BERT模型*（选读）

8.5 机器翻译实验

8.6 情感分类和机器写诗实验—MindSpore实现

深度学习应用

课时目标：学会使用卷积神经网络、循环神经网络、生成对抗网络的常用算法的应用，解决实际问题，并能做创新性的应用。建议3个学时。深度强化学习的内容已经单独成课，有兴趣的学员可以访问学堂在线的深度强化学习导论课程：https://www.xuetangx.com/course/fdu0809bt2074/19324384?channel=i.area.recent_search。本课程的综合实训可以参考机器视觉与边缘计算应用课程：https://www.icourse163.org/course/FUDAN-1456632162

9.1情感识别分类

9.2 编码解码器实验

登录用户可以查看和发表评论，请前往登录或注册。