课程目标：
通过学习，了解机器学习、深度学习的一般概念；了解机器学习、深度学习的历史、基本理论，典型模型，常用算法；了解机器学习及深度学习的开发流程，涉及到到的工具，平台，调试方法等，了解深度学习的基本框架结构，caffe、tensorflow，keras等。并了解一些前沿技术发展变化趋势。
课程收益：
1. 掌握深度学习运行环境搭建；
2. 掌握深度模型训练和优化流程；
3. 熟知深度学习模型结构；
4. 在开源平台训练进行实战体验；
5. 掌握算法移植到定制芯片的整个流程。
授课方式
讲师讲解、互动答疑、上机实践
课程大纲：
主题 内容
深度学习Deep Learning基础和基本思想 1、 人工智能概述、计算智能、类脑智能
2、 机器学习概述、记忆学习、归纳学习、统计学习
3、 深度学习的前生今世、发展趋势
4、 人工神经网络、前馈神经网络、BP算法 、Hessian矩阵、结构性特征表示
深度学习Deep Learning基本框架结构 1. Caffe介绍
a) 软件架构
b) 安装以及使用方法
2. Tensorflow介绍
a) 软件架构
b) 安装以及使用方法
3. Keras介绍
a) 软件架构
b) 安装以及使用方法
4. 虚拟机安装以及使用
机器学习概要介绍
1. 分类分析算法介绍
a) 贝叶斯概率
b) 决策树算法族
c) 随机森林
d) 支持向量机
2. 回归算法介绍
a) 多元线性回归
b) 逻辑回归
3. 聚类分析算法介绍
a) K-means聚类
b) 层次聚类
4． 上机实战
深度学习介绍 1. 神经网络目的
2. 神经网络的应用场景
3. 神经网络算法介绍
a) 感知机
b) 反向传播算法
4. 深度学习算法介绍
a) 随机梯度下降算法
b) 过拟合与欠拟合
c) 卷积神经网络
d) 自动编码器
e) 稀疏编码
f) 限制波尔兹曼机
g) 循环神经网络以及LSTM
5. 应用介绍
a) 人脸识别
b) 风格转换
c) 目标检测
6. 常见模型结构介绍
a) Alexnet
b) VGG
c) Resnet
d) GoogleNet
e) SqueezeNet
f) FCN
7. 上机实战
前沿技术介绍 1. 强化学习
a) 强化学习的理论知识
b) 经典模型DQN讲解
c) AlphaGo原理讲解
2. 对抗性生成网络
d) GAN的理论知识
e) GAN经典模型CGAN，LAPGAN，DCGAN
f) GAN实际应用
3. 迁移学习
g) 迁移学习的理论概述
h) 迁移学习的常见方法
4. 上机实战
算法移植介绍及讨论 1． 算法单元介绍
a) 卷积
b) Pooling
c) 激活函数
d) 数据结构
2． 移植问题讨论
