各位20級新同學好，我安排的課程沒有教材，只有一些視頻、論文和代碼。大家可以看看大綱，感興趣的同學參加即可。因為是第一次開課，大綱和進度會隨時調整，同學們可以隨時關注。初步計划每周兩章，一個半月完成課程。
Part 1 : 課程大綱
第一章 緒論
- 1.1 從專家系統到機器學習
- 1.2 從傳統機器學習到深度學習
- 1.3 深度學習的能與不能
- 1.4 pytorch 基礎
第二章 神經網絡基礎
- 2.1 淺層神經網絡：生物神經元到單層感知器，多層感知器，反向傳播和梯度消失
- 2.2 神經網絡到深度學習：逐層預訓練，自編碼器和受限玻爾茲曼機
- 2.3 pytorch 編程練習
第三章 卷積神經網絡
- 3.1 卷積神經網絡 VS 傳統神經網絡
- 3.2 基本組成結構：卷積、池化、全連接
- 3.3 典型結構：AlexNet, ZFNet, VGG, GoogleNet, ResNet
- 3.4 pytorch 代碼講解
第四章 循環神經網絡
- 4.1 循環神經網絡 VS 卷積神經網絡
- 4.2 循環神經網絡的基本結構：深度RNN，雙向RNN，BPTT算法
- 4.3 循環神經網絡的變種：LSTM，Grid-LSTM，GRU
- 4.4 擴展： 解決RNN梯度消失的辦法，基於注意力機制的RNN
第五章 目標檢測
- 5.1 基本概念，評測標准，數據集，國際競賽
- 5.2 准備工作：滑動窗口、目標候選生成、難樣本挖掘、非極大值抑制、檢測框回歸
- 5.3 目標檢測兩階段方法：R-CNN, SPP-Net, Fast R-CNN, Faster R-CNN, FPN, RFCN
- 5.4 目標檢測單階段方法： YOLO, SSD, Retina Net
- 5.5 十行代碼實現目標檢測
第六章 生成式對抗網絡（GAN）基礎
- 6.1 基礎：圖像生成、修復、風格遷移、文字生成圖片
- 6.2 理論基礎：模型和目標函數，全局最優解，pytorch 實現
- 6.3 條件生成式對抗網絡（Conditional GAN）與 pytorch 實現
- 6.4 深度卷積生成式對抗網絡（Deep Convolutional GAN，DCGAN）與 pytorch 實現
- 6.5 Wasserstein GAN （WGAN）與 pytorch 實現
第七章 生成對抗網絡GAN前沿
- 7.1 ProgressiveGAN、Spectral Normalization GAN、Self-Attention GAN
- 7.2 以圖像翻譯為例，用 pytorch 實現 Pix2pix
- 7.3 以圖像翻譯為例，用 pytorch 實現 CycleGAN
第八章 前沿技術
- 8.1 深度強化學習：策略梯度法、Deep Q-Network、Actor-Critic方法
- 8.2 遷移學習：種類及代表性方法，域自適應
- 8.3 圖卷積神經網絡
- 8.4 深度學習可視化及解釋
Part 2: 課程准備
課程主頁為：https://edu.cnblogs.com/campus/ouc/deeplearning
請大家自行在博客園注冊帳號，同時將自己的博客地址填寫於在線文檔：https://kdocs.cn/l/c4rOk46ry 我會把大家拉進班級。
初步計划本周開課，請大家本周四（7月16日 18：00前完成）上述要求。把大家拉進課程后，我會本周布置一次作業，希望大家按時完成。
備注： 每周作業會要求寫一個博客，希望大家可以最近兩天熟悉一下 Markdown 的基本語法以及 Typora 軟件。