深度学习是对使用多层神经网络过程进行机器学习的统称，多层神经网络是一种利用多种数学方法，及其方法组合的模型。近几年人们有能力卓有成效地利用神经网络，其原因主要一是获取足够数量的数据成为现实；二是得益于通用GPU的快速发展，多层神经网络拥有了超越其他机器学习方法的优势。当决定如何最有效地利用数据时，深度学习能够赋予模型更大的灵活性。TensorFlow是谷歌开源的主流深度学习框架，目前已在谷歌、优步、京东、小米等科技公司广泛应用。本课程使用TensorFlow框架作为深度学习入门，使学员以最快、最有效的方式上手TensorFlow和深度学习。课程中省去了深度学习繁琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow样例程序介绍如何使用深度学习解决这些问题，包含了深度学习的入门知识和大量实践经验，帮助学员走进这个最新、最火的人工智能领域。本培训介绍基于TensorFlow进行数据处理、数据探索的基本方法，并对TensorFlow算法原理及实现进行剖析。培训目标

1，全面了解深度学习和Tensorflow的相关知识。

2，学习Tensorflow的核心技术方法以及应用特征。

3，深入使用Tensorflow在深度学习中的使用。

课程大纲

第1讲 Tensorflow基础

   1)  TensorFlow系统架构

   2)  数据流图

   3)  TensorFlow基本概念

   4)  TensorFlow实现数据流图

   5)  可视化数据流图

   6)  TensorFlow分布式

第2讲 TensorFlow图像处理

   1) 加载图像

   2) 图像格式

   3) 把图像转换为 TFRecord文件

   4) 读取 TFRecord文件

   5) 图像处理实例

   6) 全新的数据读取方式— Dataset API

第3讲 Tensorflow神经元函数

   1) 激活函数

   2) sigmoid函数

   3) 代价函数

   4) softmax_cross_entropy函数

第4讲 TensorFlow自编码器

   1) 自编码简介

   2) 降噪自编码

   3) 自编码器解析手写数字

   4) 实例：用自编码预测信用卡欺诈

第5讲 TensorFlow实现Word2vec

   1) 词向量及其表达

    2) Word2vec原理

    3) skim-gram模型

    4) 实例： TensorFlow实现Word2Vec

第6讲 TensorFlow卷积神经网络

    1) 卷积神经网络简介

   2) 卷积层

    3) 池化层

    4) 归一化层

    5)  Tensorflow实现简单卷积神经网络

    6)  TensorFlow实现进阶卷积神经网络

    7) 几种经典卷积神经网络

第7讲 TensorFlow循环神经网络

   1) 循环神经网络简介

   2) 前向传播与随时间反向传播

    3) 梯度消失或爆炸

    4) RNN其他变种

    5) RNN应用场景

    6) 实例：用LSTM实现分类

第8讲 TensorFlow高层封装

    1) TensorFlow高层封装简介

    2) Estimator简介

    3) 实例：使用 Estimator预定义模型

    4) 实例：使用 Estimator自定义模型

    5) Keras简介

    6) 实例： Keras实现序列式模型

    7) TFLearn简介

第9讲 情感分析及实操

    1) 深度学习与自然语言处理

    2) 词向量简介

  3) 循环神经网络

    4) 迁移学习简介

  5) 实例： TensorFlow实现情感分析

第10讲 用TensorFlow预测乳腺癌

   1) 数据说明

   2) 数据预处理

   3) 探索数据

   4) 构建神经网络

   5) 训练并评估模型

第11讲 聊天机器人及实操

   1) 聊天机器人原理

    2) Encoder-Decoder架构

    3) 带注意力的框架

    4) 用 TensorFlow实现聊天机器人

第12讲 人脸识别及实操

    1) 人脸识别简介

    2) 人脸识别流程

    3) 项目概况

    4) 实施步骤

第13讲 强化学习基础

   1) 强化学习简介

    2) 强化学习常用算法

   3) Q-Learning算法

   4) DQN算法

第14讲 生成式对抗网络

    1) 生成 ndarray的几种方式

    2) 存取元素

    3) 矩阵操作

    4) 数据合并与展平

    5) 通用函数

    6) 广播机制

课程主讲

由业界知名大数据专家亲自授课：

杨老师   主要研究网络信息分析、机器学习以及大数据相关技术，长期从事网络信息处理、机器学习以及大数据分析系统的研究开发工作，主持和参与了多个国家和省部级基金项目，具有丰富的工程实践及软件研发经验。

课程对象

1，系统架构师、系统分析师、高级程序员、资深开发人员。

2，牵涉到网络采集、处理和规划的负责人、设计人员。

3，政府机关，金融保险、移动等以互联网信息为数据来源单位的负责人。

4，高校、科研院所牵涉到网络数据采集与数据处理及展现的项目负责人。学员基础

1，对IT系统设计有一定的理论与实践经验。

2，有一定的机器学习基础知识和开发经验。

3，有一定的机器学习与大数据处理的知识。

备注

课程费用：6200元/人（含教材、证书、午餐、学习用具等）。住宿协助安排，费用自理。