专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授！

深度学习鼻祖Geoffrey Hinton前两天在接受《连线》专访时说，不会再有AI寒冬了，AI已经在你手机里了。吴恩达关注斯坦福刚发布的AI指数报告谈到， 人才需求两年暴增35倍。 是的，你也感受到AI在周围(刷脸、下棋、无人车、看病、教育…)， 人工智能是未来 ！中国在AI领域的人才需求是百万级的！我们需要更多专业的AI人才！而专知希望做一点贡献。为此，经过一年多的精心打磨准备，专知背靠中科院自动化所模式识别国家重点实验室，隆重推出《深度学习: 算法到实战》，一线教授博士带你学习深度学习的基础算法和应用实例，欢迎加入学习！

专知团队

我们是专知，提供专业可信的人工智能知识分发服务，让认知协作更快更好！专知团队背靠中国科学院自动化研究所，团队成员全部来自中科院自动化所模式识别国家重点实验室。专知，包括专知网站平台www.zhuanzhi.ai和专知公众号，有关注使用用户5万多，累计阅读用户数超过180万人次，累计阅读量360万次; 专知荣获中国多媒体大会2018年前沿技术杰出展示奖。

本次课程由专知团队携人工智能领域一线教授博士精心制作，重磅推出！这是一次毫无保留的传授与交流，人工智能未来已来，学习永不止步。希望能与各位一起迎接2019，共同成长。

深度学习：从算法到实战

课程简介

深度学习-从算法到实战，涵盖深度学习算法和应用实例，算法包括DNN、CNN、RNN/LSTM、GAN及强化学习等，应用实例包括计算机视觉的目标检测、图像生成，自然语言处理的文本自动摘要等，帮助学员了解、理解、掌握深度学习的基础和前沿算法，并拥有深度学习算法实战技能。

面向人群

在校大学生、研究生；人工智能领域工程师、研发人员；跨领域转AI从业者；工业、教育、医疗等行业+AI的人员，对深度学习人工智能感兴趣的用户！

课程特色

由完整全面、脉络清晰的深度学习核心算法入门，到当前学界、工业界热门的深度学习应用实战，有效提高学生解决实际问题的能力。

学习收益

• 掌握深度学习核心算法技术

• 掌握面向不用场景任务的深度学习应用技术

• 熟悉各种不同深度神经网络的拓扑结构及应用

• 熟悉前沿深度学习强化学习等热点技术，把握深度学习的技术发展趋势

• 提升解决深度学习实际问题的能力

授课团队

超豪华讲师团队：中科院自动化所资深教授博士组成的主讲老师团队。

专知服务

问答服务：老师答疑解惑、学员互动交流。

课程资料：讲义、课件、视频、代码 。

大礼包：一百个人工智能热点主题资料大合集。

    揭开深度学习的神秘面纱，领略人工智能之美 

教学大纲

第一讲 绪论

• 人工智能和机器学习概述

• 人工智能历史和现状

• 从专家系统到机器学习

• 深度学习概述

• 从传统机器学习到深度学习

• 深度学习历史

• 深度学习的能与不能

第二讲 神经网络基础

• 浅层神经网络

• 从生物神经元到单层感知器

• 多层感知器

• 反向传播和梯度消失

• 从神经网络到深度学习

• 逐层预训练

• 自编码器和受限玻尔兹曼机

• Beyond预训练

第三讲 卷积神经网络

• 卷积神经网络绪论

• 卷积神经网络 vs 传统神经网络

• 卷积神经网络的基本应用

• 图像分类 image caption

• 图像检索 image retrieval

• 物体检测 object detection

• 图像分割 image segmentation

• 图像理解 image caption

• 应用拓展

• 自动驾驶 self-driving

• 人脸识别 face recognition

• 情感识别 facial expression recognition

• 动作识别 action recognition

• 图像生成 image generation

• 风格转化 style transfer

• 基本组成结构

• 卷积

• 池化

• 全连接

• 卷积神经网络典型结构

• AlexNet

• ZFNet

• VGG

• GoogleNet

• ResNet

• 卷积神经网络实战（代码讲解）

• 总结

第四讲 循环神经网络

• 循环神经网络的应用

• 机器翻译 machine translation

• 语音识别 speech recognition

• 视觉问答 visual question answering

• 图像理解 image caption

• 语音问答 speech question answering

• 循环神经网络 vs 卷积神经网络

• 技术

• 应用场景

• 循环神经网络的基本结构

• 实例-智能系统

• 多种递归结构

• 深度RNN

• 双向RNN

• BPTT算法

• 循环神经网络的模型变种

• 传统RNN存在的问题

• LSTM

• Grid-LSTM

• GRU

• 各模型对比

• 扩展

• 其他解决RNN梯度消失的方法

• 基于注意力机制的RNN （attention-based RNN）

• 总结

第五讲 目标检测

• 目标检测绪论

• 概念

• 评价准则

• 数据集

• 竞赛

• 目标检测战前准备

• 滑动窗口

• 目标候选生成

• 难样本挖掘

• 非极大值抑制

• 检测框回归

• 目标检测：两阶段方法

• R-CNN

• SPP-Net

• Fast R-CNN

• Faster R-CNN

• FPN

• RFCN

• 目标检测：单阶段方法

• YOLO

• SSD

• Retina Net

• 荟萃：目标检测方法对比

• 10行代码实现目标检测

• 拓展：视频中的目标检测

• 总结

第六讲 生成对抗网络GAN基础

• 生成式对抗网络简介

• 背景

• GAN案例

• 图像生成

• 图像超像素

• 图像修复

• 风格转换

• 文字生成图片

• GAN应用

• 数据增广

• 迁移学习/领域自适应

• 无监督特征学习

• 其他

• 生成式对抗网络基础

• 生成式对抗网络（Generative Adversarial Network，GAN）

• 直观解释GAN

• 模型和目标函数

• 全局最优解

• PyTorch实现

• 条件生成式对抗网络（Conditional GAN， cGAN）

• 直观解释cGAN

• 模型和目标函数

• PyTorch实现

• 深度卷积生成式对抗网络（Deep Convolutional GAN，DCGAN）

• 网络结构

• PyTorch实现

• Wasserstein GAN （WGAN）

• JS距离缺陷

• Wasserstein距离和Wasserstein损失

• 模型和目标函数

• PyTorch实现

第七讲 生成对抗网络GAN前沿与实战

• 生成式对抗网络前沿

• ProgressiveGAN

• Spectral Normalization GAN

• Self-Attention GAN

• 生成式对抗网络实战
  以图像翻译为案例，由浅入深教你实现一个工程

• 用GAN实现图像翻译：Pixel2Pixel

• U-Net

• PatchGAN

• Instance Normalization

• 详细的Pytorch实现

• CycleGAN

• Cycle-Consistent 损失

• 详细的Pytorch实现

• StarGAN

• 多领域图像翻译

• 详细的Pytorch实现

第八讲 前沿技术

• 深度强化学习

• 引言：强化学习相关概念、理论基础、深度强化学习的应用

• 基于策略的方法：策略梯度法

• 基于值的方法：Deep Q-Network

• 两种方法的结合：Actor-Critic方法

• 深度强化学习劝退？优势与挑战

• 迁移学习

• 引言：概念、定义与应用

• 迁移学习的种类及代表性方法

• 具化迁移学习：域自适应

• 迁移学习展望

• 图神经网络

• 引言：概念与应用

• 基于空域的图神经网络方法：以门限图递归神经网络为例

• 基于频域的图神经网络方法：图卷积神经网络（GCN）

• 展望

• 深度学习可视化及解释

• 可视化神经网路

• 解锁黑箱模型：在路上

• 深度学习的未来

第九讲 PyTorch入门基础

• 如何用PyTorch完成实验?

• 如何加载、预处理数据集？

• 如何构建我想要的模型？

• 如何定义损失函数、实现优化算法？

• 如何构建对比实验（baseline）?

• 如何迭代训练、加速计算（GPU）、存储模型？

• 用PyTorch 实现经典模型

• 计算机视觉经典模型实现

• 怎么实现VGG？

• 怎么实现GoogleNet？

• 怎么实现ResNet？

• 自然语言处理经典算法实现

• 怎么实现神经网络语言模型？

• 怎么实现Sequence to sequence + attention（含有注意力机制的序列建模）?

• 怎么实现sequence labeling（序列标注模型）?

第十讲 PyTorch实战

• 计算机视觉应用实战： 用PyTorch 实现实时目标检测

• 什么是目标检测任务？

• 目标检测的公开数据集讲解

• 目标检测的模型讲解

• 典型算法与实现

• YOLO

• SSD

• 自然语言处理应用实战：用PyTorch 实现文本自动摘要生成

• 什么是文本自动摘要生成任务？

• 文本摘要生成的公开数据集讲解

• 文本摘要生成的模型讲解

• 典型算法与实现

• Pointer-generator

• Fast_abs_rl

思维导图

点击查看大图

授课团队

桑基韬 ，教授，博士生导师，北京交通大学计算机科学系副主任。中科院自动化所博士，曾在模式识别国家重点实验室工作10余年。主要研究方向为多媒体计算、网络数据挖掘、机器学习等。已出版Springer英文专著一部，发表论文70余篇。国家自然科学基金重点项目负责人，曾获得中国电子学会自然科学一等奖和北京市科学技术奖。

▲

高君宇，中国科学院自动化研究所模式识别国家重点实验室博士。研究方向为多媒体计算、深度学习、计算机视觉等。已经在IEEE Transaction on Image Processing、ACM Multimedia、AAAI等CCF-A类推荐的顶级国际期刊、会议上以第一作者发表了5篇文章，获中国科学院大学三好学生标兵、国家奖学金等荣誉。

▲

王贯安，中国科学院自动化研究所复杂系统管理与控制国家重点实验室博士。研究方向为深度学习、计算机视觉和图像处理等；对人工智能算法如生成对抗网络等研究深入，独立撰写GAN算法综述；在图像检索、行人再识别领域具有丰富实战经验。已在计算机视觉顶级会议ECCV等会议、期刊发表论文多篇。独立主持进行军工合作项目（图像处理方向）1项。

▲

张飞飞，江苏大学博士，中国科学院自动化研究所模式识别国家重点实验室联合培养。研究方向为深度学习，计算机视觉和图像处理等，在任意姿态人脸表情识别领域具有丰富经验。在CVPR，ACM Multimedia, TOMM等顶级会议及期刊上以第一作者发表论文6篇，获得国家奖学金，江苏大学优秀研究生奖学金等荣誉。主持江苏省省级研究生科研创新项目1项。

▲

张怀文，中国科学院自动化研究所模式识别国家重点实验室博士，专知算法技术负责人。主要研究多媒体数据分析、自然语言处理，已经在包括CCF-A ACM Multimedia 在内的多媒体领域多个权威会议发表论文多篇，曾获2016年PCM会议最佳论文奖，国家奖学金。带领算法团队参与研发的产业化项目专知，获得2018年中国多媒体大会多媒体前沿技术杰出展示奖。作为专知多个项目的算法负责人，为多家企业提供AI算法支持。在自然语言处理领域特别是实体、关系、事件分析与知识图谱方面经验丰富。

课程安排

▼

【开课时间】

2019年1月8日—2019年1月24日

每周二、四、六、日晚：20:00-22:00

▼

【上课周期】

共10次课，一次课2课时（1小时/课时），共20课时

▼

【学习形式】

直播视频讲解 + QQ学员群交流答疑

Q & A

我是小白可以学吗？

可以的。本期课程内容由浅入深，从概念到基础的模型、算法，再到动手实战，为的就是让小白能入门，让初学者更精进，让高级学员踏入专业的门槛。

20课时能学会吗？

相信自己，有什么不可能。当然了，20课时的内容，都是各位讲师科研成果的浓缩，精华中的精华，坚持与讲师课程同步学习，主动查找资料，扩大和充实自己的知识面，勤动手实践，你会学得更好！

为什么要报这个课程？

我们知道网络上资料铺天盖地，但真正啃下来的又有多少呢？资料多了，不成系统，不成体系，对入门学习毫无益处。且现存的教材偏重理论，难以消化是其一，无人引导实战是其二。进入我们的课程同步学习，可以接受更系统的知识覆盖，以及与老师直接交流的机会。另外，自己学习很枯燥，难以坚持，在我们的社区里，有这么一群志同道合的伙伴一同学习、进步、成长，相信你会受益更多。

报名方式

或

> > 点击文章末尾阅读原文，直接报名 < <

现在加入，仅需499元

20课时，每课时不到25元

你收获的

是这个领域佼佼者的多年积累

是真诚的、毫无保留的分享与交流

是最前沿的算法与应用

是人工智能的精华

-点击阅读原文速速报名-

报名时间：现在

上课时间：2019年1月8日—2019年1月24日

一年内可随时观看回放

▼

请添加专知小助手

QQ：3231298669，微信：Quan_ABT

（或扫描上方二维码）

备注：专知课程，进行咨询、购买参团、加入学员群

开启你的进阶之旅

备注：购买成功后备注网易云账户名，以便核对入群

参团享优惠

> > 点击文章末尾阅读原文，直接报名 < <