第一節(jié)

Python數(shù)據(jù)分析與機(jī)器學(xué)習(xí)算法

神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)基礎(chǔ)Keras開發(fā)環(huán)境搭建

Keras介紹

Keras序貫?zāi)Ｐ团c函數(shù)式模型

Keras網(wǎng)絡(luò)層

利用Keras對(duì)數(shù)據(jù)進(jìn)行預(yù)處理

利用Keras對(duì)網(wǎng)絡(luò)進(jìn)行配置

Numpy、pandas、matplotlib、scikit-learn

線性回歸、邏輯回歸、決策樹、隨機(jī)森林、SVM

實(shí)戰(zhàn)：

利用線性回歸模型對(duì)數(shù)據(jù)進(jìn)行分析

隨機(jī)森林與特征選擇

決策樹應(yīng)用于回歸

泰坦尼克乘客存活率估計(jì)

利用SVM進(jìn)行葡萄酒數(shù)據(jù)分類

SVM、邏輯回歸、隨機(jī)森林三者的橫向比較

第二節(jié)

卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)

全連接神經(jīng)網(wǎng)絡(luò)

正向傳播與反向傳播

圖像處理與卷積操作

Pooling

BatchNormalization

全連接層

網(wǎng)絡(luò)設(shè)計(jì)流程

經(jīng)典網(wǎng)絡(luò)介紹 Alexnet、VGG、GoogLeNet、Resnet等

遷移學(xué)習(xí)，加載訓(xùn)練好的權(quán)重、fine-tuning

實(shí)戰(zhàn)：

手寫體數(shù)字識(shí)別

貓狗大戰(zhàn)

遷移學(xué)習(xí)效果對(duì)比

第三節(jié)

目標(biāo)檢測(cè)

RCNN系列：RCNN、SPPNet、Fast-RCNN、Faster-RCNN

YOLO系列：YOLO V1、YOLO V2、YOLO V3

人臉檢測(cè)與識(shí)別:MTCNN、Facenet

實(shí)戰(zhàn)：

基于Voc數(shù)據(jù)集的Faster-RCNN實(shí)戰(zhàn)

利用YOLO V3模型檢測(cè)

利用Facenet框架進(jìn)行人臉檢測(cè)與識(shí)別

第四節(jié)

文本與時(shí)間序列分析

文本向量化方法

循環(huán)神經(jīng)網(wǎng)絡(luò)

LSTM與GRU

訓(xùn)練模型與效果展示

Attention

CNN+LSTM模型

Bi-LSTM雙向循環(huán)網(wǎng)絡(luò)

Keras函數(shù)式API與回調(diào)函數(shù)

使用TensorBoard監(jiān)控深度學(xué)習(xí)模型

實(shí)戰(zhàn)：

文本分類

文本情感語(yǔ)義分類

機(jī)器翻譯

使用LSTM生成文本

第五節(jié)

生成式深度學(xué)習(xí)

DeepDream

風(fēng)格遷移

GAN網(wǎng)絡(luò)

DCGAN

ConditionGAN

InfoGAN

實(shí)戰(zhàn)：

看圖說話

DeepDream實(shí)戰(zhàn)

利用GAN進(jìn)行圖像生成

第六節(jié)

知識(shí)圖譜

知識(shí)圖譜概論

知識(shí)表示與建模

知識(shí)抽取與挖掘

知識(shí)存儲(chǔ)

知識(shí)融合

知識(shí)推理

語(yǔ)義搜索

知識(shí)問答

實(shí)戰(zhàn)：

行業(yè)知識(shí)圖譜應(yīng)用