一、深度學習Deep Learning基礎和基本思想

1. 人工智能概述、計算智能、類腦智能

2. 機器學習概述、記憶學習、歸納學習、統(tǒng)計學習

3. 深度學習的前生今世、發(fā)展趨勢

4. 人工神經網絡、前饋神經網絡、BP算法 、Hessian矩陣、結構性特征表示

二、深度學習Deep Learning基本框架結構

1. Tensorflow詳解和實踐

三，深度學習Deep Learning-卷積神經網絡

1. CNN卷積神經網絡

卷積層（一維卷積、二維卷積）、池化層（均值池化、最大池化）

全連接層 ???激活函數(shù)層 ???Softmax層

2. CNN卷積神經網絡改進

R-CNN （SPPNET） ?Fast-R-CNN??Faster-R-CNN （YOLO、SSD）

3. 深度學習的模型訓練技巧

4. 梯度下降的優(yōu)化方法詳解

四，深度學習Deep Learning-循環(huán)神經網絡

1. RNN循環(huán)神經網絡、梯度計算、BPTT

2. RNN循環(huán)神經網絡改進LSTM、GRU、?Bi-RNN、?Attention based RNN

3. RNN實際應用 ???Seq2Seq的原理與實現(xiàn) ???

五、強化學習

1. 強化學習的理論知識 ?

2. 經典模型DQN講解

3. AlphaGo原理講解 ???

4. RL實際應用

六，對抗性生成網絡

1. GAN的理論知識 ??

2. GAN經典模型CGAN，LAPGAN，DCGAN

4. GAN經典模型 ?INFOGAN，WGAN，S2-GAN

5. GAN實際應用 ?DCGAN提高模糊圖片分辨率

6. AN實際應用 ?InfoGAN做特定的樣本生成

七、遷移學習

1. 遷移學習的理論概述

2. 遷移學習的常見方法

特征、實例、數(shù)據、深度遷移、強化遷移、研究案例

八、CNN應用案例

1. CNN與手寫數(shù)字集分類

2. YOLO實現(xiàn)目標檢測

3. PixelNet原理與實現(xiàn)

4. 利用卷積神經網絡做圖像風格結合

九、深度學習Deep Learning的常用模型或者方法

1. AutoEncoder自動編碼器、VAE、GAN、VAE+GAN

2. GAN的廣泛應用

3. Sparse Coding稀疏編碼

4. Convolutional Neural Networks卷積神經網絡

5. 深度推薦模型

6. 深度文檔模型

十、輔助課程

（1）疑難解答、分組討論；

（3）關鍵問題解析；

（4）學后交流、微信群、QQ群建立；