課程大綱：機器學習與深度學習算法及應用培訓
第一節：Python機器學習與TensorFlow
numpy/scipy/matplotlib/panda的介紹和典型使用
scikit-learn的介紹和典型使用
多元線性回歸
Logistics回歸與Softmax回歸
決策樹和隨機森林
SVM
多種聚類的原理和調參
TensorFlow典型應用
典型圖像處理
多項式擬合
快速傅里葉變換FFT
奇異值分解SVD
Soble/Prewitt/Laplacian算子與卷積網絡
代碼和案例實踐：
股票交易數據的 (指數)移動平均線與預測
無人機圖像的風機葉片缺陷檢測和識別系統
環保檢測數據異常檢測和分析
股票數據分析
社會學人群收入預測
葡萄酒數據集的決策樹/隨機森林分類
泰坦尼克乘客存活率估計
第二節：卷積神經網絡CNN
神經網絡結構，濾波器，卷積
池化，激活函數，反向傳播
目標分類與識別、目標檢測與追蹤
經典AlexNet、VGG、GoogleLeNet
Inception
ResNet、DenseNet
視頻關鍵幀處理
物體檢測與定位
RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN
YOLO
FaceNet
代碼和案例實踐：
搭建自己的卷積神經網絡
基于CNN的圖像識別
卷積神經網絡調參經驗分享
代碼和案例實踐：
遷移學習（Transfer Learning）
人臉檢測
OCR字體定位和識別
睿客識云
氣象識別
第三節：循環神經網絡RNN
RNN基本原理
LSTM、GRU
Attention
編碼器與解碼器結構
言特征提取：word2vec
Seq2seq模型
代碼和案例實踐：
看圖說話
視頻理解
藏頭詩生成
問答對話系統
循環神經網絡調參經驗分享
第四節：生成對抗網絡GAN與增強學習RL
生成模型：貝葉斯、HMM到深度生成模型
GAN對抗生成神經網絡
DCGAN
Conditional GAN
InfoGan
Wasserstein GAN
馬爾科夫決策過程
貝爾曼方程、優策略
策略迭代、值迭代
Q Learning
SarsaLamda
DQN
A3C
代碼和案例實踐：
圖片生成
看圖說話
對抗生成神經網絡調參經驗分享
飛翔的小鳥游戲
基于增強學習的游戲學習
DQN的實現
加入高級會員獲得助教答疑
