深度学习工程师认证课程

一、数学基础简介 二、Python简介与常用类库简介 三、机器学习 - 1.1什么是机器学习 - 1.2机器学习的基本概念 - 1.3监督学习、非监督学习、强化学习 - 2.1决策树的基本描述 - 2.2决策树的特征选择1 - 2.3决策树的特征选择2 - 2.4决策树的构建 - 2.5离散化、缺失值、剪枝和优缺点分析 - 3.1先验概率-条件概率 - 3.2全概率公式-后验概率 - 3.3数学表示、算法流程及优缺点 - 4.1支持向量机 - 4.2SVM最优化问题的数学推导 - 4.3拉格朗日乘数法 - 4.4凸优化问题 - 4.5拉格朗日对偶问题 - 4.6SVM最优化问题的计算 - 4.7软间隔，核函数，SVM有优缺点分析 四、深度学习 - 1.1人工智能及其发展历程 - 1.2机器学习与深度学习介绍 - 2.1神经元 - 2.2深度学习系统 - 2.3全链接网络 - 2.4深度学习三部曲概述 - 2.5正向传播1-参数 - 2.6正向传播2-激活函数 - 2.7正向传播-示例 - 2.8损失函数 - 2.9反向传播 - 2.10梯度下降 - 2.11梯度下降的三种方法 - 2.12深度前馈神经网络总结 - 3.1一维卷积运算 - 3.2二维卷积运算 - 3.3二维多通道卷积运算 - 3.4常见的视觉任务 - 3.5使用卷积神经网络的原因和效果 - 3.6使用卷积操作提取特征 - 3.7卷积核的分析与计算 - 3.8池化操作 - 4.1前导知识 - 4.2循环神经网络按照时刻序列接受数据 - 4.3循环神经网络的内部构造 - 4.4经典循环神经网络_LSTM_GRU - 5.1玻尔兹曼机与深度信念网络 - 5.2有向生成网络和生成随机网络 五、深度学习平台实践 - 1.1深度学习框架的意义 - 1.2飞桨平台介绍 - 1.3飞桨语法入门 - 2.1数据预处理 - 2.2模型设计，训练配置 - 2.3模型训练 - 2.4模型保存，预测 - 3.1手写数字识别-导入库 - 3.2模型设计，训练过程，测试过程 - 3.3梯度下降策略 - 3.4softmax与交叉熵损失函数 六、深度学习行业应用案例 - 1.基于深度学习的计算机视觉技术 - 2.基于深度学习的自然语言处理技术 - 3.基于深度学习的推荐系统技术 - 4.基于深度学习的语音技术