本课程系《机器学习应用开发工程师》之上的更加牛的内容，课程将从深度学习的基本概念和常见算法着手，详细讲解了深度学习的核心技术，包括但不限于：神经网络、对抗网络、迁移学习、半监督学习、端到端学习等时兴深度学习技术，框架涉及：Sk-Learn、TensorFlow 、Karas、 PyTorch、 PaddlePaddle、自动驾驶开发模拟器等。并更侧重于无人驾驶技术的学习，后面以一个无人驾驶的深度学习项目结束，整套课程共5大阶段，28门课程， 10+个商业项目，可谓是深度学习领域内行业应用最广，技术涉及新、全、最深入的深度学习课程了

　　课程特色

　　应用广：人脸检测、语音识别、自然语言处理、推荐系统、智能预测、用户画像、图像分类、计算机视觉、无人驾驶等

　　行业多：农业、互联网、金融、人力资源、零售、餐饮、房地产、自动化控制、无人技术应用行业等

　　框架全：Sk-Learn 、 TensorFlow 、Karas 、 PyTorch 、 PaddlePaddle、自动驾驶开发模拟器

　　技术深：神经网络、 PaddlePaddle 、无人驾驶

　　课程目标

　　在职提升：随着我们进行数据处理以及运算能力的不断提升，深度学习所代表的人工智能技术和传统意义上人工智能技术比较起来，在性能上有了突飞猛进的发展。这主要得益于在过去几十间计算机和相关产业不断发展带来的成果

　　跳槽加薪：神经网络和大数据结合，我们才可能看清楚大数据真正的价值和意义。AndrewNg 就曾经说过“我们相信(神经网络代表的深度学习)是让我们获得最接近于人工智能的捷径”

　　课程技术涉及

　　神经网络

　　? 梯度下降、反向传播、多层感知器、CNN、RNN、和Gans网络

　　? 深度神经网络、卷积神经网络CNN、自编码器学习、VGGnet进行迁移学习

　　? 循环神经网络RNN: LSTM\字符RNN\序列Lstm、word2vec、时间序列

　　? 对抗网络GANS: MINST生成对抗网络\深度卷积生成对抗网络\对抗网络应用于半监督学习

　　? 基于TensorFlow实现的神经网络、基于PyTorch实现的神经网络、基于Karas实现的神经网络

　　PaddlePaddle

　　? 深度学习的核心应用: 语音、图像、自然语言处理、推荐、预测、机器翻译

　　无人驾驶计算机视觉车辆检测和跟踪端到端的克隆(迁移学习)

　　? 基础：颜色选择、区域掩码、Canny边缘检测、Hough转换;进阶：校准失真图片、车道线弯曲曲率问题、鸟瞰图转换

　　? 找到车道线、滑动窗口搜索、评估车道线曲率、车道进阶检测

　　? 交通标志识别、LeNet模型、图像识别高斯NB验证和测试\支持向量机 SVM\决策树物体检测\滑步窗口应用\假阳性检测--热力图

　　? Alexnet网络\imagenet\交通识别推理;VGG、GoogleNet、Resnet、cifar10特征提取器;行为克隆、模拟器使用、数据增广技术;摄像头数据处理、图片裁剪、可视化损失、生成器;自动驾驶模式生成视频