深度学习（Deep Learning）

关键点 1.人工智能、深度学习的发展历程

2.深度学习框架

3.神经网络训练方法

4.卷积神经网络，卷积核、池化、通道、激活函数

5.循环神经网络，长短时记忆LSTM、门控循环单元GRU

6.参数初始化方法、损失函数Loss、过拟合

7.对抗生成网络GAN

8.迁移学习TL

9.强化学习RF

10.图神经网络GNN

一、算法和场景融合理解 1.空间相关性的非结构化数据，CNN算法。典型的图像数据，像素点之间具有空间相关性，例如图像的分类、分割、检测都是CNN算法。

2.时间相关性的非结构化数据，RNN算法。这类场景普遍的一个现象就是数据之间具有时序相关性，也就是数据之间存在先后依赖关系。例如自然语言处理、语音相关算法都是基于RNN算法。

3.非欧氏数据结构， GNN。这类场景典型的可以用图来表示。例如社交网络等。 案例摘要讲解

医疗领域：如流行疾病、肿瘤等相关疾病检测

遥感领域：如遥感影像中的场景识别

石油勘探：如石油油粒大小检测

轨道交通：如地铁密集人流检测

检测领域：如故障检测

公安领域：如犯罪行为分析

国防领域：目标检测、信号分析、态势感知…

经济领域：如股票预测

二、数据理解及处理 分析典型场景中的典型数据，结合具体的算法，对数据进行处理 1.结构化数据，如何对数据进行读取，进行组织。

2.图像数据，在实际应用过程中的处理方法，怎样做数据的预处理、进行数据增强等。

3.时序信号，将单点的数据如何组合成一个序列，以及对序列数据处理的基本方法。

三、技术路径设计 针对具体的场景设计特定的神经网络模型，对典型数据适配的网络结构进介绍。 1.DNN模型搭建的基本原则

2.CNN模型中常见的网络结构，以及参数分析。

3.RNN中支持的一些基本算子，如何对序列数据进行组织。

四、模型验证及问题排查 简单的算法或者模型对典型的场景进行快速验证，并且针对一些频发的问题进行讲解。 1.模型收敛状态不佳

2.分类任务重最后一层激活函数对模型的影响

五、高级-模型优化的原理 不同的模型需要采用的优化函数以及反向传播中参数的优化方法 1.模型优化的算法介绍，基于随机梯度下降的算法介绍。

2.不同场景适应的损失函数介绍。

3.针对典型场景的反向传播梯度的推到过程。

六、高级-定制化思路 结合往期学员的一些项目，简单介绍一下解决一个具体问题的思路。 遥感成像中，地块农作物种类的识别。