想要成为一名优秀的深度学习工程师并不容易,研究 AI 有着天然的高门槛和高要求。很多人都是理论上的王者,实践上的青铜,自以为对框架、算法的理解足够,但因为缺乏应用场景和实践机会,遇到实际问题仍然不知道该怎么抽象问题然后用模型解决。
本门课程将会从理论基础、工具使用、实战上手三个方面,带领你从理论开始,一步步认识和了解深度学习,并学会打造深度学习模型。
模块一:深度学习的基础概念。这个模块就像是打地基,老师会带你了解深度学习会用到的基础知识,主要是数学知识和理论知识。还会对深度学习中常用的结构进行详细的介绍,比如你经常听到的 CNN、DNN、GAN 等,从零开始,逐步深入。通过这一部分的学习,你会了解深度学习必备的基础知识。
模块二:深度学习的工具与框架。这个模块就像是盖楼的砖瓦,有了理论知识,就可以将理论知识转化成代码,并用合适的框架、工具协助你开展工作。框架方面,目前常用的深度学习框架很多,有 TensorFlow、PyTorch 等,老师会以其中使用最广泛的 TensorFlow 作为切入点,带你熟悉图像处理工具、模型训练记录工具、交互工具等工具的使用。通过这一部分的学习,你就可以着手准备开发实战项目了。
模块三:深度学习经典问题的落地实战。这个模块就开始教你盖楼了,老师会选择几个常见的深度学习应用场景,包括图像分类、语义分割和自然语言处理,教你如何从零开始做模型、如何优化已有模型,一步步教你打造项目模型。通过这一部分的学习,你就可以打造属于你自己的深度学习模型。
第1章:开篇词
开篇词 | 掌握深度学习,畅游 AI 时代
00:07:45
第2章:模块一:基础概念
03 | AI 术语:让你变得更加专业
00:17:57
04 | 函数与优化方法:模型的自我学习(上)
00:18:04
05 | 前馈网络与反向传播:模型的自我学习(下)
00:14:09
06 | 线性回归模型:在问题中回顾与了解基础概念
00:13:02
07 | 卷积神经网络:给你的模型一双可以看到世界的眼睛
00:21:20
08 | RNN 与 LSTM:模型也可以持续不断地思考
00:12:41
09 | 自编码器:让模型拥有属于自己的表达和语言
00:13:37
10 | 生成式对抗网络:艺术创造也可以成为深度学习的拿手好戏
00:10:09
第3章:模块二:工具与框架
11 | 集成、共享、敏捷:Jupyter Notebook 的使用
00:18:55
12 | 数据预处理:让模型学得更好
00:22:00
13 | 张量、数据流图与概念:初步了解 TensorFlow
00:19:07
14 | 工作机制与流程:通过手写识别深入了解 TensorFlow
00:13:00
15 | TensorBoard:实验统计分析助手
00:11:16
第4章:模块三:经典问题的落地实战
16 | 图像分类:技术背景与常用模型解析
00:15:46
17 | 图像分类:实现你的第一个图像分类实战项目
00:12:16
18 | 语义分割:技术背景与算法剖析
00:13:43
19 | 语义分割:打造简单高效的人像分割模型
00:14:20
20 | 文本分类:技术背景与经典网络结构介绍
00:14:29
21 | 文本分类:用 Bert 做出一个优秀的文本分类模型
00:20:45
第5章:结束语
结束语 | 掌握深度学习,搭上 AI 快车
00:04:06