目标收益

课程大纲

大量真实案例，深入分析
让学员更好的掌握课程内容

• 1~3章
• 4章（上）
• 4章（下）

• 01

  入门和基本 DNN 模型（略讲）

  • 深度学习概要 什么是深度学习 & 与机器学习的异同
  • 多层感知器模型 Multi-Layer Perceptron – MLP
  神经元 权重和激活 Neurons Weight Activation、 神经元网络 Neuron Networks 、 训练网络 Training Networks 、 Back-propagation 算法和计算图、 多种自适应学习率算法 Adaptive Learning Rate、 • 用 Keras 搭建 MLP
  载入数据、定义-编译-训练-测试模型

  02

  评估、调参和优化模型(上)

  • 评估深度学习模型的性能
  • 切分数据集合 Data Splitting
  • 数据集（构建、清洗、评估等）
  • 模型结构选择、搭建与调优、训练调参方法技巧等
  • 通用深度学习工具集 Keras + Scikit-Learn
  用 cross-validation 评估模型
  用 grid-search 微调超参数
  

  03

  评估、调参和优化模型(下)

  • MLP例子
  - 用 MLP 进行多元分类 – 植物品种分类
  - 用 MLP 进行二元分类 – 声呐探测物体信号分析
  - 用 MLP 进行回归 – Boston 房屋价格预测
  • 序列化保存模型
  • 通过 check point 机制获取最佳模型
  • 通过绘制模型历史理解训练行为
  • 通过 dropout regularization 降低模型过拟合
  • 选取不同的 Learning Rate Schedule 提升模型性能
  

  04

  卷积神经网络 CNN

  • CNN 原理和构造（概述）：
  - 核 Filter 和卷积运算 Convolutional Layer
  - 特征图 Feature Maps、- 池化层 Pooling
  - 全连接层 Full Connected Layer
  - Dropout 和 Batch Normalization、- CNN 最佳实践
  CNN 实践
  - 项目：用 CNN 进行手写体识别
  - 练习：在 CNN 图像识别中通过 Image Augmentation 技术提升模型性能
  项目：用 CNN 进行图片物体识别 、XCeption 架构、ResNet
  - 项目：用 CNN电影评论情绪预测
  

• 05

  循环神经网络 Recurrent Neural Networks – RNN（一）

  • - RNN 原理一：基本 RNN
  - 处理序列（Sequence）数据的神经网络
  - 循环神经网 RNN 架构
  - RNN训练：如何在训练中获得稳定的梯度下降
  - RNN 网络演化历史：RNN，LSTM，GRU 结构比较和分析
  

  06

  循环神经网络 Recurrent Neural Networks – RNN（二）

  • RNN 实践一：RNN 回归
  - 项目：用 MLP 进行时间序列预测
  - 项目：用长短记忆网络(Long-Short Term
  Memory, LSTM)进行时间序列预测
  1) 用LSTM进行回归； 2）用LSTM 序列窗口（Window method）进行回归 ； 3) 用 LSTM 时间步长（Time Step）进行回归； 4) 用 LSTM记忆（Memory）进行回归 & Stacked LSTM
  • RNN 实践二：RNN 分类
  • Spring Boot 实战案例
  

  07

  循环神经网络 Recurrent Neural Networks – RNN（三）

  • - 项目：对电影评论进行序列分类 Sequence Classification
  - 项目：使用 dropout LSTM
  - 项目：结合使用 CNN 和 RNN 进行序列分类
  • RNN 实践三：用 RNN 进行文本生成 – one char
  - 项目：用LSTM进行 one-char生成
  - 项目：用LSTM feature-window进行one-char生成； 用LSTM time-step进行 one-char生成； 用 LSTM 批内样本间保持状态进行 one-char 生成；； 有状态 LSTM进行 one-char 生成； 变长输入 LSTM
  

  08

  循环神经网络 Recurrent Neural Networks – RNN（四）

  • RNN 实践四：RNN 进行文本生成 – sequence？
  - 项目：用 LSTM 生成文本序列
  - 项目：深度 LSTM 生成文本
  - 讨论：如何进一步提高模型 performance
  

• 09

  循环神经网络 Recurrent Neural Networks – RNN（五）

  • RNN 实践四：RNN 进行文本生成 – sequence？
  - 项目：用 LSTM 生成文本序列
  - 项目：深度 LSTM 生成文本
  - 讨论：如何进一步提高模型 performance
  • 更多 RNN 模型：
  - -Sequence-to-Sequence 结构和实现
  Attention 机制、- image captioning 图像字幕； machine translation 机器翻译； dialogue generation 对话生成； 神经机器翻译 Neural Machine Translation； Query泛化 和 Q&A: multiple perspective 机制
  

  10

  循环神经网络 Recurrent Neural Networks – RNN（六）

  • 无监督学习概念、方法和例子
  无监督学习方法
  Word Embedding
  Word2Vec：前生今世 - 起因和效果
  Word2Vec：原理和架构
  Word2Vec 训练
  Auto-Encoder 、Auto-Encoder 概念和训练
  全连接 Auto-Encoder
  Variational Auto Encoder (VAE)
  Deep Convolutional VAE
  

以下客户都曾参加过该课程

快速掌握深度学习的算法和实现方法

• 适合人群
• 讲师介绍

• 
• B. Ma
  
  • 前百度 高级算法工程师
  • 中国原子能科学研究院理论物理硕士、中国科学院软件研究所博士。
  • 曾领导重构百度搜索引擎核心模块，实现了九年历史四十万行遗留代码的优化；
  • 作为量化派技术总监，带领技术部开发和重构了基于金融大数据的借贷交易平台和信审平台；
  • 应用机器学习技术在丁丁租房多项在线服务（推荐 信审 反中介 派单策略 定价模型等）；在Baidu AI 度秘团队负责NLU策略和模型

为什么msup公开课你值得选择

往期课程

常见问题

• Q:课程费用

  A:预约报名成功后，课程费用可通过银行对公转账，和支付宝扫码支付的形式；2天培训课程，包含课程费用，课程学习资料，两天午餐（中午12点准时）及下午茶歇等。

• Q:发票开具流程

  A:确认收到课程费用款项工作人员与课程报名联系人及时沟通发票信息，请报名方确认发票信息100%无误,在无外力因素的情况下，发票将在7个工作日开具并快递msup规定，在收到课程报名费用后，方可按照实际总金额开具，发票类别为增值税发票；如果您有特殊需求，可及时与工作人员沟通

• Q:开课通知提醒

  A:报名成功后，工作人员会通过邮件和短信的形式通知具体开课时间和地点，课程开课前还会另行通知提醒。

查看更多