关键点
1. 人工智能(AI)、深度学习的发展历程。
2. 自动编码机VAE、限制玻尔兹曼机RBM、深度置信网络DBN、反向传播 BP
3. 卷积神经网络，卷积核、池化、步长；
4. 循环神经网络，长短时记忆LSTM、门控循环单元GRU
5. 参数初始化方法、损失函数Loss、过拟合
6. 对抗生成网络GAN、对抗样本、迁移学习TL、增强学习RF

一、算法和场景融合理解
1. 结构化数据，DNN算法
2.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。典型的应用场景有
3.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

案例摘要讲解
1.1 N个传感器的数据，判断炼钢锅炉的运行状态，可以抽象成DNN算法。
1.2流行疾病、肿瘤等相关疾病预测，数据可以抽象成多列数据的场景
2.1遥感影像中的场景识别
2.2 医学影像中的肿瘤、血栓位置检测
2.3石油勘探中的石油油粒大小检测
2.4机场、道路的密集人流检测
2.5大洋底层生物、化学环境识别
3.1 智能对话系统、智能机器人。
3.2公交车运行到站时间
3.3海洋气象三维场随时间的变化
3.4空气动力中，发动机的热效应随时间变化

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。
1.遥感成像中，地块农作物种类的识别。
2.实时的公交车到站时间预测