深度學習的概念已經非常火，並廣泛應用在計算機視覺、自然語言處理等人工智慧領域中。為什麼深度學習在諸多領域應用中的表現，遠超傳統的機器學習方法？它的原理到底是什麼呢？
—— 課程講師 ——
宮老師，中國科學院自動化研究所博士，模式識別與智慧型系統專業，在計算機視覺與人工智慧領域具有近六年的研究經歷。攻讀博士學位期間主要研究方向是模式識別與影象處理，曾在模式識別領域內國際主流期刊發表**，參加某知名網際網路公司舉辦的影象分割競賽，獲得第四名的成績。目前即將就職於國內某知名外企研究院，任演算法工程師一職，主要負責計算機視覺與人工智慧方面的演算法研發工作。
—— 課程目錄(簡介) ——
1. 深度學習理論(6學時)
主要包括前饋神經網路(概述、單層神經網路、多層神經網路)，卷積神經網路(基本概念、發展歷程、網路特點、網路設定、網路訓練以及相關應用)，反饋神經網路(hopfield網路、玻爾茲曼機、受限玻爾茲曼機等)等。
2. 深度網路常見模型與keras實戰(8學時)
主要包括keras與殘差網路(從lstm到highway網路、從highway網路到殘差網路、基於highway網路的應用)，自動編碼機ae及生成對抗網路gan(ae的起源與變種、生成對抗網路gan、基於gan網路的應用)，基於keras的行為識別(行為識別問題簡介、基於深度學習的行為識別常用模型介紹、基於keras的行為識別實踐)，基於keras的場景分割(場景分割問題簡介、基於深度學習的場景分割常用模型介紹、基於keras的場景分割實踐)。
3. 深度學習框架caffe(4學時)
主要包括caffe入門(簡介、安裝和配置、優點與侷限性分析、深入caffe原始碼、caffe除錯)，caffe提高(基於caffe的minst手寫識別、caffe的python介面、caffe修改與新增layer、網路訓練技巧)。
—— 參考資料 ——
《模式分類》、《深度學習-caffe之經典模型詳解與實戰》以及keras中文文件。
—— 開課時間和形式 ——
受限玻爾茲曼機二
限制波爾茲曼機rbm使用方法 限制波爾茲曼機rbm能量模型 從能量模型到概率 求解極大似然 用到的抽樣方法 馬爾科夫蒙特卡羅簡介 參考文獻 利用上面的公式得到的是某個單元狀態為1的輸出概率。那麼怎樣才能確定這個單元的狀態是1呢？它通過產生乙個0 1的隨機，如果這個隨機數小於上面得到的概率值，這個單元...
受限玻爾茲曼機二
博主falao beiliu寫的一篇非常好的文章。這裡為方便自己以後速查，做個導航。原文目錄 限制波爾茲曼機rbm使用方法 限制波爾茲曼機rbm能量模型 從能量模型到概率 求解極大似然 用到的抽樣方法 馬爾科夫蒙特卡羅簡介 參考文獻 利用上面的公式得到的是某個單元狀態為1的輸出概率。那麼怎樣才能確定...
受限玻爾茲曼基
受限波爾茲曼網路rbm是乙個雙層網路 可見層和隱含層。前面描述的神經網路模型是一種確定的結構。而波爾茲曼網路是一種隨機網路。如何來描述乙個隨機網路呢？很多書上有大量的篇幅介紹其原理。這裡把它總結為以下兩點。第一，概率分布函式。由於網路節點的取值狀態是隨機的，從貝葉斯網的觀點來看，要描述整個網路，需要...