第二阶段 深度学习原理及实战项目强化训练
1：神经网络入门
（1）理论
- 神经网络历史与现状
- 神经网络的分类：全连接、卷积、循环
- 神经网络的应用：图像、语音、自然语言处理
- 神经网络的计算：权重、损失和梯度
- 神经网络的优化：前向/反向传播和梯度下降
- 全局最优、局部最优和鞍点
- 正则化、归一化
（2）实战
LeNet与传统神经网络对比
包含知识点—— 损失函数、L1/L2正则、梯度下降/ 随机梯度下降/动量随机梯度下降
(3）目标
熟悉神经网络领域的常用术语了解很精网络在 AI 环境中的位置。
2：机器学习环境配置
- 学习环境配置：常用软件、环境配置及机器学习库 anaconda：Python、Python科学计算包（NumPy,SciPy,Pandas）、Python数据可视化工具包（Matplotlib, seaborn）神经网络框架Tensorflow
- 简单神经网络实现手写数字识别
Mnist手写数字识别
包含知识点——
Mnist数据集探索
Tensorflow基础概念计算图
session
并学会用 tensorflow 解一个实际问题。
3：神经网络基础
（1）理论
多层神经网络结构：输入、输出、隐层和激活函数 前向计算和损失
向量化计算和one-hot编码 sigmoid、softmax及交叉熵反向传播及迭代优化梯度下降及动量过拟合与欠拟合
正则化、批正则化及Selu Dropout
(2)实战
手写数字识别Mnist 验证码识别
包含内容—— 使用简单神经网络实现手写数字识别
（3）目标
使用不同结构的神经网络结构验证网络结构对效果的影响
4：卷积神经网络
(1)理论
卷积 padding、stride、kernel和channel 局部相关性感受野感受野的计算池化
max_pooling、average_pooling global_average_pooling 局部网络连接
(2)实战
LeNet
数据集Mnist
用LeNet实现手写数字识别局部相关性
权值共享
（3）目标
了解卷积神经网络的相关概念和基础知识