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 BPTT2，RNN循环神经网络改进 LSTM GRU Bi-RNN Attention based RNN3，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，DCGAN3，GAN经典模型 INFOGAN，WGAN，S2-GAN4，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Resnet3，胶囊网络Capsule 4，长短时记忆网络LSTM5，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

可先进群了解更多： 660127462（加群备注：薛洪良 邀请）