91一级特黄大片|婷婷中文字幕在线|av成人无码国产|日韩无码一二三区|久久不射强奸视频|九九九久久久精品|国产免费浮力限制

深度學習及其應用即將第13次開課
來源: 趙衛(wèi)東/
復旦大學
3309
8
0
2021-05-08 10:29:26
2025-02-02

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

深度學習公益課程，配套全套的PPT、視頻、Python程序、數據、習題、理論與實訓教材等，歡迎指導


深度學習及其應用課程涵蓋了深度學習的核心概念和關鍵技術，包括卷積神經網絡（CNN）、循環(huán)神經網絡（RNN）、生成對抗網絡（GAN）、注意力機制和Transformer等。這些方法不僅構成了深度學習的基礎，也被廣泛應用于多個領域。課程通過使用機器學習領域的主流開源框架，指導學生如何在股票預測、人臉特征分析、目標檢測、語義分割、圖像風格轉移以及社交網絡情感分析等實際問題中應用深度學習技術。通過這些實踐，學生能夠深入理解深度學習模型的工作原理，并掌握如何將這些模型應用于解決現實世界的問題。有基礎的同學可以繼續(xù)學習實戰(zhàn)課程機器視覺與邊緣計算應用：https://www.icourse163.org/course/FUDAN-1456632162。


課程大綱
神經網絡基礎
課時目標：理解前饋神經網絡的結構、梯度下降法以及網絡訓練調優(yōu)的基本方法，并能應用前饋神經網絡解決實際問題。建議5個學時。
1.1 神經網絡簡介
1.2 BP神經網絡
1.3 銀行客戶流失預測
1.4 銀行客戶流失實驗
1.5 新聞分類實驗
1.6 阿里摩搭實驗平臺
深度學習在人工智能中的應用
課時目標：通過眾多的案例，了解深度學習的典型應用場景。建議2個學時。
2.1 深度學習在人工智能中的應用（一）
2.2 深度學習在人工智能中的應用（二）
2.3 深度學習在人工智能中的應用（三）
2.4 深度學習在人工智能中的應用（四）
卷積神經網絡
課時目標：理解卷積的內涵，熟悉經典的卷積神經網絡的結構、訓練方法以及典型場景的應用。建議4個學時。
3.1 卷積神經網絡的發(fā)展
3.2 卷積與感受野機制
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 卷積特征圖及計算
3.7 多通道卷積
3.8 池化操作
3.9 Lenet5卷積神經網絡—TensorFlow和MindSpore實現
3.10 完整的卷積神經網絡過程
3.11 卷積神經網絡訓練
3.12 圖像分類—TensorFlow和MindSpore實現
3.13 股票預測實驗（卷積版）
3.14 手勢體識別實驗
典型卷積神經網絡算法
課時目標：熟悉常用的幾種卷積神經網絡的結構、訓練方法以及典型場景的應用。建議10個學時。
4.1 AlexNet卷積神經網絡
4.2 VGG卷積神經網絡—TensorFlow和MindSpore實現
4.3 GoogLeNet卷積神經網絡
4.4 ResNet卷積神經網絡
4.5 SENet卷積神經網絡
4.5 動物識別實驗—TensorFlow和MindSpore實現
4.6 顏值打分（女生版）
循環(huán)神經網絡
課時目標：理解循環(huán)神經網絡以及變種LSTM、GRU的結構、訓練方法以及典型場景的應用。建議6個學時。
5.1 循環(huán)神經網絡基本原理
5.2 循環(huán)神經網絡模型——使用字符級RNN生成名稱MinSpore實現
5.3 長短期記憶神經網絡模型
5.4 股票預測實驗（LSTM版）
5.5 情感識別分類實驗—TensorFlow和MindSpore實現
目標檢測
課時目標：理解目標檢測的基本概念、基本原理以及典型的目標檢測算法，能用這些算法于典型的應用場景。在此基礎上可以學習目標檢測實踐課程https://www.icourse163.org/course/FUDAN-1456632162。建議6學時。本單元起為深度學習高級內容。
6.1 目標檢測概況
6.2 目標檢測的基本概念
6.3 目標檢測發(fā)展
6.4 基于候選區(qū)域的目標檢測
6.5 Fast R-CNN目標檢測算法
6.6 Faster R-CNN目標檢測算法（MindSpore框架實現）
6.7 Yolov1-v5算法
6.8 目標檢測案例解析
6.9 RetinaNet和UNet算法
6.10 物體檢測實驗
6.11 車道檢測實驗
生成對抗網絡
課時目標：理解生成對抗網絡的結構、訓練方法以及典型場景的應用。建議6個學時。
7.1 生成對抗網絡基本原理
7.2 Encoder-Decoder模型
7.2 生成對抗網絡算法DCGAN
7.4 生成對抗網絡算法應用
7.5 手寫體生成—TensorFlow和MindSpore實現
7.6 CycleGAN算法
7.7 DCGAN和WGAN算法—MindSpore實現
7.8 畫風轉移實驗
7.9 超分辨率圖像重建實驗
注意力機制
課時目標：理解注意力機制的概念、常見的外部注意力、自注意力以及機器翻譯等典型應用。建議5個學時。即將更新視頻。
8.1 Seq2Seq模型
8.2 （自）注意力機制模型
8.3 Transformer模型*（選讀）
8.4 BERT模型*（選讀）
8.5 機器翻譯實驗
8.6 情感分類和機器寫詩實驗—MindSpore實現
深度學習應用
課時目標：學會使用卷積神經網絡、循環(huán)神經網絡、生成對抗網絡的常用算法的應用，解決實際問題，并能做創(chuàng)新性的應用。建議3個學時。深度強化學習的內容已經單獨成課，有興趣的學員可以訪問學堂在線的深度強化學習導論課程：https://www.xuetangx.com/course/fdu0809bt2074/19324384?channel=i.area.recent_search。本課程的綜合實訓可以參考機器視覺與邊緣計算應用課程：https://www.icourse163.org/course/FUDAN-1456632162
9.1情感識別分類
9.2 編碼解碼器實驗
登錄用戶可以查看和發(fā)表評論， 請前往  登錄 或  注冊。
SCHOLAT.com 學者網
免責聲明 | 關于我們 | 聯系我們
聯系我們：