深度神经网络
学时 : 36课时（50分钟/课时）
你将了解卷积神经网络的基本原理，并用来处理图片分类问题。实战项目 3：狗狗品种识别你将设计并训练一个卷积神经网络（CNN），用以分析小狗图像，区分其品种；并通过迁移学习和其他知名架构进行模型优化。滴滴、百度等企业正在使用基于神经网络的图像识别，让无人驾驶成为现实 你将用 Keras 和 TensorFlow 打造循环神经网络（
课程介绍
课程介绍：
本课程介绍机器学习进阶知识，包括经典算法的数学原理和具体实现、深度神经网络的原理、训练神经网络中遇到问题和解决方法、半监督学习和无监督学习的知识。
课程目标：
掌握机器学习和深度神经网络知识及框架，掌握深度学习理论推导，理论指导实践。
课程案例：
KNN聚类算法实践、基于朴素贝叶斯的邮件分类与推特情感预测、感知机与梯度下降算法实践、CNN图像分类识别等
学习基础：
概率论和统计学、Python、深度神经网络基本概念
参考资料：
1、《机器学习》，周志华，清华大学出版社
2、《统计学习方法》，李航，清华大学出版社
授课讲师
授课老师：
2010和2013年分别获得天津大学（高层次班）通信工程专业学士和硕士学位，2017年获柏林自由大学（Freie Universitat Berlin）计算机科学专业博士学位。曾获国家奖学金、国家留学基金委建设高水平大学项目资助等奖项，曾在广州华多网络科技有限公司任区块链研究员，在国内外重点期刊和国际会议上发表论文10余篇，目前主要从事联邦学习、边缘计算、网络安全等方向的研究。
课程内容
课程内容：
1）机器学习及概率论基础
2）机器学习模型评估与选择
3）概率论与朴素贝叶素
4）感知机与SVM
5）回归方法
6）梯度下降
7）逻辑回归
8）深度神经网络
9）如何训练神经网络
10）深度学习的解释
11）半监督学习与降维
12）无监督学习
13）集成学习