导读
斯坦福大学人工智能系列课程CS231n新增一课,2019年春季开设视觉识别的卷积神经网络(Convolutional Neural Networks for Visual Recognition)课程。该课程由李飞飞教授团队讲授。
编译 | Xiaowen
课程主页:http://cs231n.stanford.edu/index.html
课程日历http://cs231n.stanford.edu/syllabus.html
【课程介绍】
计算机视觉在我们的社会中已经变得无处不在,在搜索、图像理解、应用程序、地图、医学、无人机和无人驾驶汽车方面都有应用。这些应用的核心是图像分类、定位和检测等视觉识别任务。神经网络(又称“深度学习”)方法的最新发展极大地提高了这些最先进的视觉识别系统的性能。本课程是对深度学习体系结构的深入研究,重点是学习这些任务的端到端模型,特别是图像分类。在为期10周的课程中,学生将学习如何实现、训练和调试自己的神经网络,并对计算机视觉的前沿研究有详细的了解。最后的任务将包括训练一个数百万参数的卷积神经网络,并将其应用于最大的图像分类数据集(ImageNet)。我们将着重讲授如何设置图像识别问题、学习算法(如反向传播)、训练和微调网络的实用工程技巧,并指导学生完成手工作业和最后的课程项目。本课程的大部分背景和材料将来自ImageNet Challenge。
【授课团队】
授课团队来自由李飞飞教授领导的斯坦福大学视觉实验室,主讲老师为李飞飞教授,Justin Johnson和Serena Yeung. 助教团队多达23人。
【课程内容】
第一节:课程简介:计算机视觉概述、历史背景课程介绍
第二节:图像分类:数据驱动的k近邻方法,线性分类I
讨论课:Python,Numpy,Google Cloud
第三节:损失函数及优化:线性分类II,高级表示、图像特征优化、随机梯度下降
第四节:神经网络简介:反向传播、多层感知机、神经网络视角
第五节:卷积神经网络:简介、卷积和池化、多种卷积网络
第六节:深度学习软件:PyTorch, TensorFlow, 动态和静态计算图
讨论课:TBA
第七节:训练神经网络part1
第八节:训练神经网络part2: 更新规则、集成、数据增强、迁移学习
第九节:CNN结构:AlexNet,VGG,GoogleNet, RestNet, etc.
第十节:循环神经网络:RNN、LSTM、GRU、语言模型、图像解释、视觉问答、soft attention
第十一节:无监督学习
第十二节:检测和分割
第十三节:视觉和理解:特征可视化、对抗、风格迁移
第十四节:深度强化学习:策略梯度、hard attention、Q-learning
第十五节:Invited Talk: TBA
第十六节:Neuroscience and AI(Dan Yamins)
第十七节:以人为中心的AI
【课程Slides便捷下载】
请关注专知公众号(点击上方蓝色专知关注)
后台回复“cs231n2019”就可以获取斯坦福大学李飞飞教授2019年cs231n课程1-3节Slides的下载链接~
-END-
专 · 知
专知《深度学习:算法到实战》课程全部完成!520+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!
请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询《深度学习:算法到实战》课程,咨询技术商务合作~
请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!
点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程