课程推荐丨深度学习泡沫什么时候爆发？

人工智能热度不减，深度学习被炒得热火朝天。

在市场与资本极力追捧的同时，有人提出：深度学习泡沫什么时候爆发？

在 Quora 上，AI 科学家吴恩达回答了这个问题：

“ 大约 100 年前还有很多关于电力的炒作。那个泡沫现在还没有爆发，我们发现电力很有用！

（与之相较）更重要的是，由于深度学习已经创造了大量的价值 —— 它用于网络搜索、广告、语音识别、推荐系统等等。深度学习，还有更广泛的其他 AI 工具（图形模型，KR 等），现在有一个明确的行业转型方向。

深度学习的影响将超越科技界。

尽管如此，我认为在核心技术之外，有一些过分夸张的对 “感知力 AI” 的期望；我也和多位 CEO 聊过，似乎他们认为，AI 可以是所有技术问题的灵丹妙药。所以，在深度学习中有一些不可避免的泡沫，我希望这些较小的泡沫会爆发 —— 越早越好，在他们有时间发展壮大之前。”

如吴恩达所言，深度学习、AI  不可避免会有些泡沫。但它已经在创造大量价值，并且将超越科技界影响各行业转型。

其中，参与行业转型的 AI 、深度学习工程师会是其中关键的力量。但现在市场人才供给远没有跟上需求。

斯达克学院携手欢聚时代资深大数据专家和高级软件架构师开设了一门适合在职工程师转型深度学习的《系统掌握深度学习，从入门到精通实战》课程。

课程面向深度学习零基础同学，9 周课程后将可实战 CNN 斗地主机器人（想了解更多请到文末扫码咨询）。

对于想上课的同学，课程需要什么基础？

• 对于想入门的同学，应该至少有着大专以上的数学水平。有一定的 Linux 命令和初级编程能力。有最基本的统计学基础知识。

• 对于想学的比较深入的同学，最好具备较强的微积分和统计学知识，有较好的 Linux 下的 Python 编程能力。

本课程的特色是贴近工程实际需要，平缓过渡数学理论知识这块内容，降低了程序员学习深度学习技术的门槛，但总体体现出宽进严出的思路。

课程大纲

第一周  基础理论 上

1. 基于统计的认知

2. 概率与古典概型

3. 贝叶斯概率

4. 高斯贝叶斯

5. 信息量

6. 信息熵

7. 决策树

8. 线性回归模型假设

9. 线性回归训练

10. 高维空间线性回归

11. 过拟合

12.SVM——超平面

13.SVM——损失函数

14.SVM——核函数与升维

第二周  基础理论  下

1. 牛顿法

2. 凸函数与梯度

3. 梯度下降

4. 神经元与激励函数

5. 损失反向传播

20.VC 维

1. 线性与非线性分类组合

2. 避免过拟合

3. 卷积

4. 卷积层、Feature Map

5. 池化层

26.SOFTMAX 与交叉熵

第三周  基础实战  上

1. 常用软件包

2. 开发环境

3. 环境配置详解

4. 梯度下降算法的实现—感知器

5. 梯度下降算法的实现—梯度下降

6. 梯度下降算法的实现—随机梯度下降

7. 梯度下降算法的实现

8. 梯度下降算法的实现—代码实现讲解上

9. 梯度下降算法的实现—代码实现讲解下

10. 梯度下降算法的实现—使用 keras 来做对比

11. 梯度下降算法的实现—答疑

第四周  基础实战  下

1. 反向传播算法的实现 - 理解 4 个重要方程

2. 反向传播算法的实现 - 代码实现讲解

3. 提高版本的神经网络 - cross-entropy

4. 提高版本的神经网络 - overfitting 和 regularization

5. 提高版本的神经网络 - dropout

6. 提高版本的神经网络 - 怎样初始化权重

7. 提高版本的神经网络 - 代码实现

8. 卷积神经网络的实现 - 上

9. 卷积神经网络的实现 - 下

第五周  高级理论  上

1. 概要复习

2. 隐马尔可夫模型

3. 最大似然路径

4.RNN-BPTT

1. LSTM

2. 高 VC 维与过拟合

3. 正则化

4. 归一化

9.DROPOUT

1. 学习率的设定

第六周  高级理论  下

1. 梯度消失问题

2. 梯度消失的改进方案

3. 受限玻尔兹曼机

4. 最大似然度和逻辑回归

5. 深度残差网络

6. 深度残差网络的拓扑解释

7. 遗传算法

8. 强化学习入门

第 7 周  高级实战  上

1. rnn 理解前向传播 4 个重要方程

2.rnn 代码实现

1. rnn lstm 理解重要方程和推导过

2. rnn lstm 代码实现下

3. tensorflow 对图片进行分类

4. caffe 对图片进行分类

第 8 周  高级实战  下

1. tensorboard

2. tensorflow lstm 自动生成文本

3. 对话机器人

4. tensorflow 模仿成大师画的风格（上）

5. tensorflow 模仿成大师画的风格（下）

6. tensorflow 人脸识别

第 9 周  实战案例 —— 直播讲授

• 周六上午（12.23）: 卷积网络实现斗地主机器人——理论部分

• 周日下午（12.24）: 卷积网络实现斗地主机器人——实战部分

10 月 28 日正式开课，现在限名额优惠，扫码了解更多