深度学习及其应用第10次开课中

来源: 赵卫东/

复旦大学

2478

2021-05-08 10:29:26

2023-10-06

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

本课程主要介绍深度学习的基本原理、卷积神经网络、循环神经网络、生成对抗网络、注意力机制、Transformer、BERT等基本方法及其典型应用领域，并借助机器学习开源框架TensorFlow实现深度学习在证券趋势预测、声音质量评价、电子推荐、目标检测、社交网络情感分析等多个典型领域的应用。

课程大纲

神经网络基础

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。

课时

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 阿里云天池AI实验平台简介

深度学习在人工智能中的应用

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。

课时

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

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。

课时

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

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

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

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。

课时

4.1 AlexNet卷积神经网络模型

4.2 VGG卷积神经网络模型

4.3 GoogLeNet卷积神经网络模型

4.4 ResNet卷积神经网络模型

4.5 动物识别实验

4.6 颜值打分（女生版）

循环神经网络

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。

课时

5.1 循环神经网络基本原理

5.2 循环神经网络模型

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

目标检测

理解目标检测的羁绊概念、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。建议6学时。

课时

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

6.9 Faster R-CNN目标检测算法

6.6 Yolo目标检测算法

6.7 目标检测案例解析

6.8 RetinaNet和UNet算法

6.9 物体检测实验

6.10 车道检测实验

生成对抗网络

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。

课时

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

7.6 CycleGAN算法

7.7 WassersteinGAN算法

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

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。

课时

8.1 Seq2Seq模型

8.2 （自）注意力机制模型

8.3 Transformer模型

8.4 BERT模型

8.5 机器翻译实验

深度学习应用

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。

课时

9.1 声音质量评价

9.2 编码解码器

9.3 情感识别分类

9.4 编码解码器实验

9.5 性别年龄识别实验

高级深度学习

理解强化学习的基本概念和原理，了解强化学习的典型应用场景。建议2个学时。此部分由董亮老师负责讲授。

课时

10.1 强化学习

10.2 迁移学习

10.3 对偶学习

登录用户可以查看和发表评论，请前往登录或注册。