一、深度学习基础和基本思想

1，人工智能概述、计算智能、类脑智能

2，机器学习概述、记忆学习、归纳学习、统计学习

3，深度学习的前生今世、发展趋势

4，人工神经网络、前馈神经网络、BP算法 、Hessian矩阵、结构性特征表示

二、深度学习基本框架结构

1，Tensorflow   2， Caffe      3，Torch        4，MXNet

三，卷积神经网络CNN

1，CNN卷积神经网络

卷积层（一维卷积、二维卷积）、池化层（均值池化、最大池化）

全连接层    激活函数层    Softmax层

2，CNN卷积神经网络改进

R-CNN （SPPNET）  Fast-R-CNN  Faster-R-CNN （YOLO、SSD）

3，深度学习的模型训练技巧

4，梯度下降的优化方法详解

四，循环神经网络RNN

1. RNN循环神经网络   

梯度计算    BPTT

2，RNN循环神经网络改进

    LSTM      GRU     Bi-RNN  Attention based RNN

3，RNN实际应用    Seq2Seq的原理与实现    

五、强化学习DRL

1，强化学习的理论知识  

2，经典模型DQN讲解

2. AlphaGo原理讲解    
3. RL实际应用；实现一个AlphaGo

六，对抗性生成网络GAN

1. GAN的理论知识   
2. GAN经典模型CGAN，LAPGAN，DCGAN

3，GAN经典模型  INFOGAN，WGAN，S2-GAN

4，GAN实际应用  DCGAN提高模糊图片分辨率

5，GAN实际应用  InfoGAN做特定的样本生成

七、迁移学习TL

1，迁移学习的理论概述

2，迁移学习的常见方法

特征、实例、数据、深度迁移、强化迁移、研究案例

八、深度学习算法理论解析

1，基于区域卷积网络RCNN   2，深度残差网络Resnet

3，胶囊网络Capsule        4，长短时记忆网络LSTM

5，注意力机制              6，BP反传算法

7，可变分编码器VAE

九、深度学习实际应用案例操作

1，CNN——》图像分类        2，Lstm——》文本分类

3，Lstm——》命名实体抽取   4，Yolo——》目标检测

5，图像分类(CNN)         6，目标定位和识别(RCNN)

7，图像重建(Auto-encoder)   8，文本识别(RNN)

9，实体标注(LSTM)         10，手写体数字生成(GAN)

11，逻辑回归导出图像分类； 12，静/动态图编写（CNN）

十、深度学习Deep Learning的常用模型或者方法

1，AutoEncoder自动编码器

2，Sparse Coding稀疏编码

3，Restricted Boltzmann Machine(RBM)限制波尔兹曼机

4，Deep BeliefNetworks深信度网络

十一、辅助课程

（1）疑难解答、分组讨论；

（2）学后交流、微信群、QQ群建立；