近年来，随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生，人工智能迎来了新一轮的发展浪潮。尤其是深度学习技术，在许多行业都取得了颠覆性的成果。另外，近年来，Pytorch深度学习框架受到越来越多科研人员的关注和喜爱。
本次内容在掌握深度学习的基础知识，与经典机器学习算法的区别与联系，以及最新的迁移学习、循环神经网络、长短时记忆神经网络、时间卷积网络、对抗生成网络、Yolo目标检测算法、自编码器等算法的原理及其Pytorch编程实现方法。
【方式】:直播+永久回放+长期答疑群辅助+全套课件资料
【专家】：郁磊副教授：长期从事Python、MATLAB、Pytorch机器学习及深度学习等研究工作，具备良好的数学及信号处理基础，熟悉如神经网络、支持向量机、决策树、随机森林等，以及群优化算法，如遗传算法、蚁群算法、蝙蝠算法等，近些年一直在对深度学习核心技术进行研究，主持参与多项相关重点项目研发及基金项目，且精通多种编程工具，如 MATLAB、Python、 C++、C#、VB、Java、Qt 等。熟悉各种时域、频域和非线性分析方法，如傅里叶变换、小波变换、李雅普诺夫指数、 多尺度熵、压缩感知等，以及各种特征选择与降维方法，如主成分分析、随机投影、互信息、 非负矩阵分解、稀疏优化等。 熟悉数据库及网络编程，擅长 Apache + MySQL + PHP 架构开发，以及移动端 Android App 开发等。 熟悉可穿戴设备硬件系统的开发，具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。同时，熟悉常用的无线传感器网络通信协议，如 ZigBee、 Wifi、Bluetooth 等。开展Python相关课程多大百余场，发布多篇论文并著有《MATLAB神经网络 43 个案例分析》和《MATLAB智能算法 30 个案例分析（第二版）》等。
【导师随行】：
建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用。
学习结束后不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流
后期可邀请导师进驻团队/课题组开展一对一的团队建设、人才培养、学术交流、学术报告、问题诊断、纵横向项目合作等多种形式的合作。
【内容介绍】：
《第一章、Python基础知识串讲 》：
Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）
Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）
Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）
Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）
科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用；Pandas常用函数简介与使用）
《第二章、PyTorch简介与环境搭建 》：
深度学习框架概述（PyTorch、Tensorflow、Keras等）
PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）
PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）
《第三章、PyTorch编程入门与进阶 》：
张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）
张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda等）
张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）
张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）
张量（Tensor）的索引与切片
PyTorch的自动求导（Autograd）机制与计算图的理解
PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））
《第四章、PyTorch前向型神经网络 》：
BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）
案例演示：Linear模型、Logistic模型、Softmax函数输出、BP神经网络
实操练习
值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择（奥卡姆剃刀定律）等）
《 第五章、PyTorch卷积神经网络 》：
深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）
深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）
卷积神经网络的基本原理（什么是卷积核、池化核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）
卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系
利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）
卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？）
案例讲解：
（1）CNN预训练模型实现物体识别
（2）利用卷积神经网络抽取抽象特征
（3）自定义卷积神经网络拓扑结构
实操练习
《 第六章、PyTorch迁移学习 》：
迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）
基于深度神经网络模型的迁移学习算法
案例讲解：猫狗大战（Dogs vs. Cats）
实操练习
《 第七章、PyTorch生成式对抗网络 》：
生成式对抗网络GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN给我们带来的启示）
GAN的基本原理及GAN进化史
案例讲解：GAN的PyTorch代码实现（手写数字生成）
实操练习
《第八章、PyTorch RNN与LSTM 》：
循环神经网络RNN的基本工作原理
长短时记忆网络LSTM的基本工作原理
案例讲解：时间序列预测（北京市污染物预测）
实操练习
《 第九章、时间卷积网络（Temporal Convolutional Network, TCN）》：
时间卷积网络（TCN）的基本原理
TCN与1D CNN、LSTM的区别与联系
案例讲解：
（1）时间序列预测：新冠肺炎疫情预测
（2）序列-序列分类：人体动作识别
《第十章、基于深度学习的视频分类案例实战 》：
基于深度学习的视频分类基本原理
读取视频流文件并抽取图像帧
利用预训练CNN模型提取指定层的特征图
自定义构建LSTM神经网络模型
案例讲解：HMDB51数据集视频分类
《 第十一章、PyTorch目标检测 》：
什么是目标检测？目标检测与目标识别的区别与联系
YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别
案例讲解：
（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）
（2）数据标注演示（LabelImage使用方法介绍）
（3）训练自己的目标检测数据集
实操练习
《第十二章、自编码器 》：
什么是自编码器（Auto-Encoder, AE）？
经典的几种自编码器模型原理介绍（AE、Denoising AE, Masked AE）
案例讲解：
（1）基于自编码器的噪声去除
（2）基于自编码器的手写数字特征提取与重构
（3）基于掩码自编码器的缺失图像重构
实操练习
《第十三章、复习与答疑讨论 》：
课程相关资料拷贝与分享
答疑与讨论（大家提前把问题整理好）
