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

3.机器学习概述、记忆学习、归纳学习、统计学习

4.深度学习的前生今世、发展趋势

5.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            2.Tensorflow

3.Torch            4.MXNet深度学习Deep Learning-卷积神经网络1.CNN卷积神经网络

卷积层（一维卷积、二维卷积）、池化层（均值池化、**大池化）

全连接层    激活函数层    Softmax层

2.CNN卷积神经网络改进

R-CNN （SPPNET）  Fast-R-CNN  Faster-R-CNN （YOLO、SSD）

3.深度学习的模型训练技巧

4.梯度下降的优化方法详解深度学习Deep Learning-循环神经网络1. RNN循环神经网络

梯度计算    BPTT

2.RNN循环神经网络改进

LSTM      GRU     Bi-RNN  Attention based RNN

3.RNN实际应用    Seq2Seq的原理与实现   强化学习1.强化学习的理论知识  

2.经典模型DQN讲解

2. AlphaGo原理讲解  

3. 3.RL实际应用；实现一个AlphaGo  对抗性生成网络1. GAN的理论知识  

2. GAN经典模型CGAN.LAPGAN.DCGAN

3.GAN经典模型  INFOGAN.WGAN.S2-GAN

4.GAN实际应用  DCGAN提高模糊图片分辨率

5.GAN实际应用  InfoGAN做特定的样本生成迁移学习1.迁移学习的理论概述

2.迁移学习的常见方法

特征、实例、数据、深度迁移、强化迁移、研究案例CNN应用案例1.CNN与手写数字集分类

2.YOLO实现目标检测

3.PixelNet原理与实现

4.利用卷积神经网络做图像风格结合总结