預(yù)備知識：圖像識別方法的演進(jìn)基礎(chǔ)、開發(fā)環(huán)境配置：Anaconda環(huán)境和MXNet、深度學(xué)習(xí)簡介：起源、特點(diǎn)和發(fā)展、計算機(jī)視覺概述、數(shù)據(jù)操作、自動求梯度、圖像識別的演進(jìn)、線性回歸與線性回歸的實(shí)現(xiàn)、線性模型：對數(shù)線性二分類、多分類、獨(dú)熱和稠密度向量表示、softmax回歸與實(shí)現(xiàn)、基于深度學(xué)習(xí)的圖像識別技術(shù)發(fā)展、深度學(xué)習(xí)基礎(chǔ)知識、線性模型的局限性：異或問題、非線性輸入轉(zhuǎn)換、核方法、可訓(xùn)練的映射函數(shù)、感知機(jī)和多層感知機(jī)的實(shí)現(xiàn)、模型選擇、欠擬合過擬合問題、權(quán)重衰減和丟棄法、實(shí)戰(zhàn)案例：房價預(yù)測模型、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、前饋神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、深度學(xué)習(xí)計算、卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、二維卷積層相關(guān)運(yùn)算、填充和步幅、多輸入通道和多輸出通道、二維最 大池化層和平均池化層、卷積神經(jīng)網(wǎng)絡(luò)LeNet模型、深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet、使用重復(fù)數(shù)據(jù)的網(wǎng)絡(luò)、網(wǎng)絡(luò)中的網(wǎng)絡(luò)：NIN塊和NIN模型、合并行連接的網(wǎng)絡(luò)、批量歸一化、殘差網(wǎng)絡(luò)ResNet模型、稠密度連接網(wǎng)絡(luò)DeseNet模型、循環(huán)神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、語言模型計算、循環(huán)神經(jīng)網(wǎng)絡(luò)、模型語言數(shù)據(jù)集、循環(huán)神經(jīng)網(wǎng)絡(luò)從零開始實(shí)現(xiàn)、循環(huán)神經(jīng)網(wǎng)絡(luò)的簡介實(shí)現(xiàn)、通過時間反向傳播、門控循環(huán)單元、長短期記憶、深度循環(huán)神經(jīng)網(wǎng)絡(luò)、雙向循環(huán)神經(jīng)網(wǎng)絡(luò)、優(yōu)化算法與深度學(xué)習(xí)、優(yōu)化與深度學(xué)習(xí)的關(guān)系、梯度下降和隨機(jī)梯度下降、小批量隨機(jī)梯度下降、動量法與實(shí)現(xiàn)、AdaGrad算法特點(diǎn)與實(shí)現(xiàn)、RMSProp算法、AdaDelta算法、Adma算法、計算機(jī)技術(shù)與高性能計算、衡量性能的方法、提高性能性能的各種編程方法、命令式和混合編程、異步計算、自動并行運(yùn)算、多GPU運(yùn)算、AI應(yīng)用方向之計算機(jī)視覺、使用圖像增廣訓(xùn)練模型、微調(diào):熱狗識別、目標(biāo)檢測和邊界框、計算機(jī)視覺：錨框生成、多尺度目標(biāo)檢測、目標(biāo)檢測數(shù)據(jù)集：皮卡丘、單發(fā)多框檢測：SSD、積神經(jīng)網(wǎng)絡(luò)系列：R-CNN、語意分割和數(shù)據(jù)集、全卷積網(wǎng)絡(luò)、樣式遷移、計算機(jī)視覺案例：Kaggle圖像識別、圖像分類、狗的品種、獲取和整理數(shù)據(jù)集、圖像增廣、讀取數(shù)據(jù)集、定義模型、定義訓(xùn)練函數(shù)、訓(xùn)練模型、AI應(yīng)用方向之NLP自然語言處理、嵌入和連續(xù)詞袋模型、近似訓(xùn)練：負(fù)采樣、層序softmax、word2vec的實(shí)現(xiàn)、子詞潛入：fastText、全局向量的詞潛入：GloVe、求近義詞和類比詞、文本情感分類：使用循環(huán)神經(jīng)網(wǎng)絡(luò)、文本情感分類：使用卷積神經(jīng)網(wǎng)絡(luò)（textCNN）、編碼器、解碼器、貪婪搜索、全局搜索、束搜索、注意力機(jī)制、自然語言處理案例、機(jī)器人翻譯、讀取和與處理數(shù)據(jù)集、含注意力機(jī)制的編碼器-解碼器、訓(xùn)練模型、預(yù)測不定長的序列、評價翻譯結(jié)果、唐詩生成器、定義輸入數(shù)據(jù)、定義多層LESTM模型、定義損失函數(shù)、訓(xùn)練模型生成文字、更多參數(shù)說明、運(yùn)行自己的數(shù)據(jù)