久久精品国产亚洲av麻豆小说国语自产拍在线观看对白 ,啊!摁摁~啊!用力~快点口述电影

深度學(xué)習(xí)及其應(yīng)用即將第13次開(kāi)課

來(lái)源: 趙衛(wèi)東/

復(fù)旦大學(xué)

3365

2021-05-08 10:29:26

2025-02-02

歡迎推薦學(xué)生參與：https://www.icourse163.org/course/FUDAN-1205806833

深度學(xué)習(xí)公益課程,，配套全套的PPT,、視頻,、Python程序,、數(shù)據(jù),、習(xí)題,、理論與實(shí)訓(xùn)教材等，歡迎指導(dǎo)

深度學(xué)習(xí)及其應(yīng)用課程涵蓋了深度學(xué)習(xí)的核心概念和關(guān)鍵技術(shù),，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）,、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、生成對(duì)抗網(wǎng)絡(luò)（GAN）,、注意力機(jī)制和Transformer等,。這些方法不僅構(gòu)成了深度學(xué)習(xí)的基礎(chǔ)，也被廣泛應(yīng)用于多個(gè)領(lǐng)域,。課程通過(guò)使用機(jī)器學(xué)習(xí)領(lǐng)域的主流開(kāi)源框架,，指導(dǎo)學(xué)生如何在股票預(yù)測(cè)、人臉特征分析,、目標(biāo)檢測(cè),、語(yǔ)義分割、圖像風(fēng)格轉(zhuǎn)移以及社交網(wǎng)絡(luò)情感分析等實(shí)際問(wèn)題中應(yīng)用深度學(xué)習(xí)技術(shù),。通過(guò)這些實(shí)踐,，學(xué)生能夠深入理解深度學(xué)習(xí)模型的工作原理，并掌握如何將這些模型應(yīng)用于解決現(xiàn)實(shí)世界的問(wèn)題,。有基礎(chǔ)的同學(xué)可以繼續(xù)學(xué)習(xí)實(shí)戰(zhàn)課程機(jī)器視覺(jué)與邊緣計(jì)算應(yīng)用：https://www.icourse163.org/course/FUDAN-1456632162,。

課程大綱

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

課時(shí)目標(biāo)：理解前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、梯度下降法以及網(wǎng)絡(luò)訓(xùn)練調(diào)優(yōu)的基本方法,，并能應(yīng)用前饋神經(jīng)網(wǎng)絡(luò)解決實(shí)際問(wèn)題,。建議5個(gè)學(xué)時(shí)。

1.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

1.2 BP神經(jīng)網(wǎng)絡(luò)

1.3 銀行客戶流失預(yù)測(cè)

1.4 銀行客戶流失實(shí)驗(yàn)

1.5 新聞分類實(shí)驗(yàn)

1.6 阿里摩搭實(shí)驗(yàn)平臺(tái)

深度學(xué)習(xí)在人工智能中的應(yīng)用

課時(shí)目標(biāo)：通過(guò)眾多的案例,，了解深度學(xué)習(xí)的典型應(yīng)用場(chǎng)景,。建議2個(gè)學(xué)時(shí)。

2.1 深度學(xué)習(xí)在人工智能中的應(yīng)用（一）

2.2 深度學(xué)習(xí)在人工智能中的應(yīng)用（二）

2.3 深度學(xué)習(xí)在人工智能中的應(yīng)用（三）

2.4 深度學(xué)習(xí)在人工智能中的應(yīng)用（四）

卷積神經(jīng)網(wǎng)絡(luò)

課時(shí)目標(biāo)：理解卷積的內(nèi)涵,，熟悉經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。建議4個(gè)學(xué)時(shí),。

3.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展

3.2 卷積與感受野機(jī)制

3.3 卷積的概念和特征

3.4 圖像編碼與卷積

3.5 卷積操作

3.6 卷積特征圖及計(jì)算

3.7 多通道卷積

3.8 池化操作

3.9 Lenet5卷積神經(jīng)網(wǎng)絡(luò)—TensorFlow和MindSpore實(shí)現(xiàn)

3.10 完整的卷積神經(jīng)網(wǎng)絡(luò)過(guò)程

3.11 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練

3.12 圖像分類—TensorFlow和MindSpore實(shí)現(xiàn)

3.13 股票預(yù)測(cè)實(shí)驗(yàn)（卷積版）

3.14 手勢(shì)體識(shí)別實(shí)驗(yàn)

典型卷積神經(jīng)網(wǎng)絡(luò)算法

課時(shí)目標(biāo)：熟悉常用的幾種卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。建議10個(gè)學(xué)時(shí),。

4.1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)

4.2 VGG卷積神經(jīng)網(wǎng)絡(luò)—TensorFlow和MindSpore實(shí)現(xiàn)

4.3 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)

4.4 ResNet卷積神經(jīng)網(wǎng)絡(luò)

4.5 SENet卷積神經(jīng)網(wǎng)絡(luò)

4.5 動(dòng)物識(shí)別實(shí)驗(yàn)—TensorFlow和MindSpore實(shí)現(xiàn)

4.6 顏值打分（女生版）

循環(huán)神經(jīng)網(wǎng)絡(luò)

課時(shí)目標(biāo)：理解循環(huán)神經(jīng)網(wǎng)絡(luò)以及變種LSTM,、GRU的結(jié)構(gòu)、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用,。建議6個(gè)學(xué)時(shí),。

5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本原理

5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型——使用字符級(jí)RNN生成名稱MinSpore實(shí)現(xiàn)

5.3 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型

5.4 股票預(yù)測(cè)實(shí)驗(yàn)（LSTM版）

5.5 情感識(shí)別分類實(shí)驗(yàn)—TensorFlow和MindSpore實(shí)現(xiàn)

目標(biāo)檢測(cè)

課時(shí)目標(biāo)：理解目標(biāo)檢測(cè)的基本概念、基本原理以及典型的目標(biāo)檢測(cè)算法，能用這些算法于典型的應(yīng)用場(chǎng)景,。在此基礎(chǔ)上可以學(xué)習(xí)目標(biāo)檢測(cè)實(shí)踐課程https://www.icourse163.org/course/FUDAN-1456632162,。建議6學(xué)時(shí)。本單元起為深度學(xué)習(xí)高級(jí)內(nèi)容,。

6.1 目標(biāo)檢測(cè)概況

6.2 目標(biāo)檢測(cè)的基本概念

6.3 目標(biāo)檢測(cè)發(fā)展

6.4 基于候選區(qū)域的目標(biāo)檢測(cè)

6.5 Fast R-CNN目標(biāo)檢測(cè)算法

6.6 Faster R-CNN目標(biāo)檢測(cè)算法（MindSpore框架實(shí)現(xiàn)）

6.7 Yolov1-v5算法

6.8 目標(biāo)檢測(cè)案例解析

6.9 RetinaNet和UNet算法

6.10 物體檢測(cè)實(shí)驗(yàn)

6.11 車道檢測(cè)實(shí)驗(yàn)

生成對(duì)抗網(wǎng)絡(luò)

課時(shí)目標(biāo)：理解生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu),、訓(xùn)練方法以及典型場(chǎng)景的應(yīng)用。建議6個(gè)學(xué)時(shí),。

7.1 生成對(duì)抗網(wǎng)絡(luò)基本原理

7.2 Encoder-Decoder模型

7.2 生成對(duì)抗網(wǎng)絡(luò)算法DCGAN

7.4 生成對(duì)抗網(wǎng)絡(luò)算法應(yīng)用

7.5 手寫體生成—TensorFlow和MindSpore實(shí)現(xiàn)

7.6 CycleGAN算法

7.7 DCGAN和WGAN算法—MindSpore實(shí)現(xiàn)

7.8 畫風(fēng)轉(zhuǎn)移實(shí)驗(yàn)

7.9 超分辨率圖像重建實(shí)驗(yàn)

注意力機(jī)制

課時(shí)目標(biāo)：理解注意力機(jī)制的概念,、常見(jiàn)的外部注意力、自注意力以及機(jī)器翻譯等典型應(yīng)用,。建議5個(gè)學(xué)時(shí),。即將更新視頻。

8.1 Seq2Seq模型

8.2 （自）注意力機(jī)制模型

8.3 Transformer模型*（選讀）

8.4 BERT模型*（選讀）

8.5 機(jī)器翻譯實(shí)驗(yàn)

8.6 情感分類和機(jī)器寫詩(shī)實(shí)驗(yàn)—MindSpore實(shí)現(xiàn)

深度學(xué)習(xí)應(yīng)用

課時(shí)目標(biāo)：學(xué)會(huì)使用卷積神經(jīng)網(wǎng)絡(luò),、循環(huán)神經(jīng)網(wǎng)絡(luò),、生成對(duì)抗網(wǎng)絡(luò)的常用算法的應(yīng)用，解決實(shí)際問(wèn)題,，并能做創(chuàng)新性的應(yīng)用,。建議3個(gè)學(xué)時(shí)。深度強(qiáng)化學(xué)習(xí)的內(nèi)容已經(jīng)單獨(dú)成課,，有興趣的學(xué)員可以訪問(wèn)學(xué)堂在線的深度強(qiáng)化學(xué)習(xí)導(dǎo)論課程：https://www.xuetangx.com/course/fdu0809bt2074/19324384?channel=i.area.recent_search,。本課程的綜合實(shí)訓(xùn)可以參考機(jī)器視覺(jué)與邊緣計(jì)算應(yīng)用課程：https://www.icourse163.org/course/FUDAN-1456632162

9.1情感識(shí)別分類

9.2 編碼解碼器實(shí)驗(yàn)

登錄用戶可以查看和發(fā)表評(píng)論，請(qǐng)前往登錄或注冊(cè),。