课程概况
本微专业由稀牛学院与网易联合出品。课程邀请海内外顶尖工业界讲师独家打造，以案例讲解助你搭建知识体系，带你系统掌握深度学习在各领域的应用，高效获取核心实战能力，快速丰富项目经历储备，一站式打造求职技能图谱！
包含课程
01 工具：Caffe/Keras/TF/PyTorch
第一章Caffe工具库
1.1 本课内容概述
1.2 Caffe工具库简介
1.3 Caffe工具库架构与设计解析
1.4 使用Caffe完成神经网络训练操作步骤
1.5 使用Caffe完成自己数据集上的图像分类
1.6 使用Caffe工具库抽取图像特征
1.7 本章小结
第二章Keras工具库
2.1 本课内容概述
2.2 Keras工具库简介
2.3 Keras序贯模型使用方法详解
2.4 Keras函数式模型使用方法详解
2.5 Keras多层感知器
2.6 Keras卷积神经网络
2.7 fine-tuning解决Kaggle比赛
2.8 RNN解决评论情感分析
2.9 本章小结
第三章TensorFlow工具库(上)
3.1 本课内容概述
3.2 TensorFlow简介
3.3 张量与计算图
3.4 TensorFlow low level API搭建模型
3.5 使用TensorFlow low level API完成多层感知器建模
3.6 使用TensorFlow low level API构建CNN/LSTM模型
3.7 TensorBoard可视化与模型状态评估
3.8 本章小结
第四章TensorFlow工具库(中)
4.1 本课内容概述
4.2 TensorFlow高级API简介
4.3 TensorFlow Dataset与数据高效读写
4.4 基于TensorFlow高级API的快速特征工程处理
4.5 TensorFlow高级API：Dataset与Estimator实战
4.6 本章小结
第五章TensorFlow工具库(下)
5.1 本课内容概述
5.2 TensorFlow与自定义预估器
5.3 基于TensorFlow自定义CNN预估器
5.4 基于TensorFlow自定义RNN预估器
5.5 本章小结
第六章PyTorch
6.1 本课内容概述
6.2 PyTorch工具库简介
6.3 张量、梯度与自动求导
6.4基于PyTorch的基础模型搭建
6.5基于PyTorch的多层感知器搭建
6.6基于PyTorch的神经网络搭建
6.7 本章小结
02 应用：推荐、广告、销量预估
第1章 深度学习在电商推荐上的应用
1.1 推荐系统问题
1.2 推荐系统一般思路与评估方法
1.3 典型深度学习用于推荐系统解决方案详解
1.4 【实战】使用TensorFlow完成基于矩阵分解的推荐系统
1.5 【实战】使用TensorFlow完成复杂推荐系统
第2章 深度学习在计算广告ctr预估上的应用
2.1 计算广告与ctr预估问题
2.2 ctr预估的LR与FM解决思路
2.3 基于wide&deep model的ctr预估解决思路
2.4 基于DeepFM等新方法的ctr预估解决思路
2.5【实战】使用TensorFlow构建LR、FM完成ctr预估
2.6【实战】使用TensorFlow完成wide&deep与DeepFM完成ctr预估任务
第3章 深度学习在新零售预估上的应用
3.1 新零售销量预估问题
3.2 新零售案例背景介绍与解决思路详解
3.3【实战】使用Keras快速构建深度学习模型解决销量预估问题
03 应用：文本表征学习&文本分类
第1章 词向量与词嵌入
1.1 机器学习对于词的表示方法
1.2 NNLM（Neural Network Language Model）模型
1.3 word2vec构建词向量
1.4 【实战】使用Keras完成词向量的训练与可视化
第2章 文本分类与打标签
2.1 基于卷积神经网络的文本分类模型详解
2.2 基于RNN/LSTM的文本分类模型详解
2.3 【实战】构建卷积神经网络完成影评褒贬分类
2.4 【实战】构建LSTM模型完成新闻文本分类
第3章 语言模型构建与文本生成
3.1 传统与神经网络语言模型构建
3.2 【实战】基于神经网络语言模型的文本生成
3.3 【实战】使用神经网络完成唐诗生成器
04 应用：时间序列预测DL解决方案
第1章 时间序列问题
1.1 时间序列问题与发展史
1.2 使用LSTM与seq2seq模型解决时间序列预测问题
1.3 【实战】使用深度学习构建序列预估模型预估网站未来流量
1.4 【实战】使用深度学习序列模型对环境污染(PM2.5)预估
05 应用：图像识别检测分割与检索
第1章 图像识别基本方法与进阶
1.1 使用卷积神经网络快速搭建图像识别系统
1.2 迁移学习与建模技巧
1.3 【实战】使用Keras快速完成Kaggle图像识别比赛进入top 1%
第2章 物体检测与图像分割问题
2.1 物体检测典型方法详解
2.2 图像分割深度学习解决方案
2.3 【实战】使用TensorFlow快速构建物体检测系统
2.4 【实战】使用TensorFlow完成图像分割任务
第3章 以图搜图：大规模图像数据集图像检索
3.1 基于深度学习的图像语义表达
3.2 高维数据快速比对与检索
3.3 【实战】基于TensorFlow完成图像检索
3.4 【实战】工业界大规模数据集图像快速匹配案例
06 进阶：生成对抗网络应用
第1章 生成对抗网络与图像生成
1.1 生成对抗网络GAN基本原理
1.2 生成对抗网络典型模型详解
1.3 【实战】基于GAN的图像生成
第2章 生成对抗网络应用
2.1 pix2pix模型详解
2.2 图像翻译/图像变换 任务详解
2.3 【实战】基于TensorFlow的图像场景变换
2.4 【实战】基于TensorFlow的中文艺术字体生成
07 进阶：强化学习建模应用
第1章 强化学习问题与DQN模型
1.1 强化学习背景介绍
1.2 强化学习解决的问题与监督/无监督对比
1.3 马尔可夫决策过程
1.4 Q-learning算法
1.5 Deep Q Network模型介绍
1.6 【实战】基于TensorFlow构建DQN完成打砖块游戏
1.7 【实战】基于TensorFlow的Deep Q Network完成flappy bird游戏
第2章 梯度策略与DDPG(Deep Deterministic Policy Gradients)
2.1 policy gradient/梯度策略算法
2.2 DDPG算法概念与原理详解
2.3 【实战】使用DDPG算法完成OpenAI Gym游戏
08 网易实战： 文字检测应用
文字检测·方法及实战
1.0 课程开篇
1.1 文字检测与识别相关背景
1.2 基于传统方法的文本检测
1.3 基于深度方法的文本检测
09 网易实战：文字识别应用
文字识别的前世今生
1.0 课程开篇
1.1 文字识别介绍
1.2 文字行样本获取
1.3 简单场景下单字切割与识别
1.4 自然场景下变长文字行识别
