授课目标
掌握深度学习的基本原理、常用算法，并在此基础上应用于机器视觉、自然语言处理等相关领域，培养一定的分析和解决实际问题的能力。
01 神经网络基础
理解前馈神经网络的结构、梯度下降法以及网络训练调优的基本方法，并能应用前馈神经网络解决实际问题。建议5个学时。打*的内容属于高级版，后面陆续推出。
课时
1.1 神经网络简介
1.2 神经网络相关概念
1.3 神经网络效果评价
1.4 神经网络优化
1.5 银行客户流失预测
1.6 练习题
02 深度学习在人工智能系统的应用
通过众多的案例，了解深度学习的典型应用场景。建议2个学时。
课时
2.1 深度学习典型应用场景
2.2 深度学习应用案例分析
2.3 练习题
03 卷积神经网络
理解卷积的内涵，熟悉常用的10几种卷积神经网络的结构、训练方法以及典型场景的应用。建议10个学时。
课时
3.1 卷积的理解—卷积和池化
3.2 常见的卷积模型
@Lenet-5、AlexNet、VGGNet、GoogleLeNet、ResNet等
@Inception v2-v4、DarkNet、DenseNet、SSD等*
@MobileNet，ShuffleNet*
3.3 胶囊网络*
3.4 CNN卷积神经网络应用案例
3.5 目标检测常用算法
@R-CNN、Fast RCNN、Faster RCNN、YOLOv1-v3等
3.5 图像分类
3.6 动物识别
3.7 物体检测
3.8 人脸表情年龄特征识别*
3.9 练习题
04 循环神经神经网络
理解循环神经网络以及变种LSTM、GRU的结构、训练方法以及典型场景的应用。建议6个学时。
课时
4.1 RNN基本原理
4.2 LSTM
4.3 GRU
4.4 CNN+LSTM模型
4.5 Bi-LSTM双向循环神经网络结构
4.6 Seq2seq模型
4.7 注意力机制
4.8 自注意力机制*
4.9 ELMo、Transformer等*
4.10 BERT、EPT、XLNet、ALBERT等*
4.11 机器翻译
4.12 练习题
05 生成对抗网络
理解生成对抗网络的结构、训练方法以及典型场景的应用。建议5个学时。
课时
5.1 生成对抗网络模型
5.2 GAN的理论知识
5.3 DCGAN
5.4 自动生成手写体
5.5 CycleGAN*
5.6 WGAN*
5.7 练习题
06 深度学习神经网络应用
学会使用卷积神经网络、循环神经网络、生成对抗网络的常用算法的应用，解决实际问题，并能做创新性的应用。建议5个学时。
课时
6.1 股票走势预测
6.2 文本情感分类
6.3 图像风格转移*
6.4 机器翻译
6.5 练习题
07 强化学习
理解强化学习的基本概念和原理，了解强化学习的典型应用场景。建议2个学时。
课时
7.1 强化学习基本原理
7.2 强化学习常用模型
7.3 强化学习典型应用
7.4 深度Q网络*
7.5 练习题
08 项目驱动的深度学习方法
理解如何结合实际项目，强化机器学习和深度学习理论知识的深入理解，体会深度学习解决实际问题的技巧和技能。建议2个学时，加1个学时的讨论。
课时
8.1 项目驱动的深度学习之路
8.2 领域问题驱动的机器学习深度教学法
