一、深度学习基础介绍

1.1  Python基础

1.2  机器学习基础知识简介

1.3  神经网络数学基础

1.4  Keras开发环境搭建

1.5  Keras介绍

1.5.1  Keras序贯模型与函数式模型

1.5.2  Keras网络层

1.5.3  利用Keras对数据进行预处理

1.5.4  利用Keras对网络进行配置

1.6实战：搭建神经网络模型进行图像与文本分类

二、Python数据分析

2.1  numpy   2.2  pandas

2.3  matplotlib   

2.4  线性回归、逻辑回归

2.5  实战：

利用线性回归模型对数据进行分析

三、机器学习算法

3.1  决策树与随机森林

3.2  最大似然估计与最大熵模型

3.3  决策树的正则化与剪枝

3.4  线性可分SVM

3.5  软间隔与核函数

3.6  多分类SVM

3.7  实战：

3.7.1  随机森林与特征选择

3.7.2  决策树应用于回归

3.7.3  泰坦尼克乘客存活率估计

3.7.4  利用SVM进行葡萄酒数据分类

3.7.5  SVM、逻辑回归、随机森林三者的横向比较

四、卷积神经网络与图像分

4.1  全连接神经网络

4.2  正向传播与反向传播

4.3  图像处理与卷积操作

4.4  Pooling

4.5  BatchNormalization

4.6  全连接层

4.7  网络设计流程

4.8  实战：

4.8.1 手写体数字识别

4.8.2 猫狗大战

五、迁移学习

5.1  经典网络介绍Alexnet、VGG、GoogLeNet、Resnet等

5.2  使用预训练网络进行图像分类

5.3  Resnet网络细节与使用

5.4  Shortcut模块

5.5  加载训练好的权重

5.6 实战：迁移学习效果对比

六、目标检测

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

6.2  YOLO系列：YOLO V1、YOLO V2、YOLO V3

6.3  SSD系列

6.4  FPN

6.5 实战：基于Voc数据集的Faster-RCNN实战

利用YOLO V3模型检测

七、人脸检测与识别

7.1  多任务人脸检测算法MTCNN

7.2  检测小人脸 Tiny Face Detection

7.3  SSH    7.4  一次学习

7.5  三元组损失

7.6  实战：利用Facenet框架进行人脸检测与识别

八、深度学习与文本

8.1  文本向量化方法     8.2  循环神经网络

8.3  LSTM与GRU         8.4  训练模型与效果展示

8.4.1  文本分类实战

8.4.2  文本情感语义分类

九、时间序列分析

9.1  Attention

9.2  CNN+LSTM模型

9.3  Bi-LSTM双向循环网络

9.4  Keras函数式API与回调函数

9.5  使用TensorBoard监控深度学习模型

9.6  实战：9.6.1机器翻译

使用LSTM生成文本

十、生成式深度学习

10.1  DeepDream   10.2  风格迁移

10.3  GAN网络     10.4  DCGAN

10.5  ConditionGAN   10.6  InfoGAN

10.7 实战：10.7.1  看图说话

10.7.2  DeepDream实战

10.7.3  利用GAN进行图像生成

十一、强化学习

11.1  马尔可夫决策过程

11.2  贝尔曼方程、最优策略

11.3  策略迭代、值迭代

11.4  Q Learning

11.5  SarsaLamda   11.6  DQN

11.7  A3C          11.8  ELF

11.9  实战：11.9.1  飞翔的小鸟游戏

11.9.2  基于增强学习的游戏学习

11.9.3  DQN实现

十二、知识图谱

12.1  知识图谱概论

12.2  知识表示与建模12.3  知识抽取与挖掘

12.4  知识存储   12.5  知识融合

12.6  知识推理   12.7  语义搜索12.8  知识问答

12.9 实战：12.9.1  行业知识图谱应用

十三、技术交流

技术交流