catalog客戶要求dli學(xué)院的課程名及相關(guān)說明用這上面文字

1、目錄I.培訓(xùn)班課程基礎(chǔ)課程深度學(xué)習(xí)基礎(chǔ)課之計(jì)算機(jī)視覺深度學(xué)習(xí)基礎(chǔ)課之多數(shù)據(jù)類型深度學(xué)習(xí)基礎(chǔ)課之自然語言處理開發(fā)與數(shù)字課程4. 使用 GAN 和自動(dòng)編創(chuàng)建數(shù)字內(nèi)容醫(yī)療醫(yī)學(xué)課程5. 深度學(xué)習(xí)實(shí)現(xiàn)醫(yī)學(xué)影像分析6. 深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)組學(xué)自動(dòng)駕駛汽車課程7. 自動(dòng)駕駛汽車感知II. 其他課程基礎(chǔ)課程通過 Caffe、Theano 和 Torch 進(jìn)行深度學(xué)習(xí)應(yīng)用使用 TensorFlow、MXNet 和 NVIDIA-Docker 的深度學(xué)習(xí)工作流程3. 通過Cognitive Toolkit 進(jìn)行圖像分類通過 TensorFlow 進(jìn)行線性分類通過 NVIDIA DIGITS 進(jìn)行信號(hào)處理通過 Ca

2、ffe2 加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練開發(fā)與數(shù)字課程7. 使用相位神經(jīng)網(wǎng)絡(luò)制作角色動(dòng)畫8. 基于 TensorFlow 通過深度強(qiáng)化學(xué)習(xí)來玩 Atari金融課程9. 使用 LSTM 提供金融交易策略10. 采用基于統(tǒng)計(jì)的深度自動(dòng)編的算法交易機(jī)器人 /11. 在機(jī)器課程應(yīng)用程序中部署神經(jīng)網(wǎng)絡(luò)III. 講座揭開深度學(xué)習(xí)的神秘面紗開啟一個(gè)深度學(xué)習(xí)項(xiàng)目的最佳實(shí)踐I.培訓(xùn)班課程基礎(chǔ)課程深度學(xué)習(xí)基礎(chǔ)課之計(jì)算機(jī)視覺行業(yè) 所有 | 預(yù)備知識(shí) 無 | 框架 - Caffe、DIGITS通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)和利用訓(xùn)練成果性能和能力，了解深度學(xué)習(xí)的基礎(chǔ)知識(shí)。在本動(dòng)手實(shí)驗(yàn)課程中，您將通過訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)來了解深度學(xué)習(xí)的基礎(chǔ)知識(shí)。您

3、將：實(shí)施常用的深度學(xué)習(xí)工作流程，例如圖像分類和目標(biāo)檢測(cè)針對(duì)數(shù)據(jù)、訓(xùn)練參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和其他策略進(jìn)行試驗(yàn)，以便部署您的網(wǎng)絡(luò)，開始解決實(shí)際問題性能和能力完成本課程后，您將能夠通過深度學(xué)習(xí)解決自己。深度學(xué)習(xí)基礎(chǔ)課之多數(shù)據(jù)類型行業(yè) 所有 | 預(yù)備知識(shí) - 深度學(xué)習(xí)基礎(chǔ)課之計(jì)算機(jī)視覺 | 框架 - TensorFlow本課程將探討如何結(jié)合卷積和循環(huán)神經(jīng)網(wǎng)絡(luò)在圖像和片段中生成有效的內(nèi)容描述。了解如何使用 TensorFlow 和 MSCOCO 數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)以通過以下方法從圖像和中生成描述：實(shí)施強(qiáng)大的深度學(xué)習(xí)工作流程，例如圖像分割和文本生成比較與對(duì)照數(shù)據(jù)類型、工作流程和框架將計(jì)算機(jī)視覺與自然語言處理結(jié)合起來

4、完成本課程后，您將能夠解決需要多種輸入類型的深度學(xué)習(xí)問題。深度學(xué)習(xí)基礎(chǔ)課之自然語言處理行業(yè) 所有 | 預(yù)備知識(shí) 深度學(xué)習(xí)應(yīng)用于圖像的基礎(chǔ)知識(shí)或相應(yīng)的背景經(jīng)驗(yàn) | 框架 -TensorFlow、Keras在本課程中，參加者將接受有關(guān)使用自然語言處理理解文本輸入的學(xué)會(huì)如何：技術(shù)的實(shí)踐訓(xùn)練。您將分類詞語，以準(zhǔn)確理解其含義處理事實(shí)性查詢及其語義訓(xùn)練機(jī)器將一種語言翻譯成另一種語言完成本課程后，您將能夠在任何應(yīng)用中通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自然語言處理。開發(fā)與數(shù)字課程使用 GAN 和自動(dòng)編創(chuàng)建數(shù)字內(nèi)容| 預(yù)備知識(shí) - 基礎(chǔ)知識(shí)或相應(yīng)背景和經(jīng)驗(yàn) | 框架 - TensorFlow、行業(yè) -開發(fā)與數(shù)字Theano、DI

5、GITS在本課程中，參與者將接受有關(guān)面向數(shù)字內(nèi)容創(chuàng)建設(shè)計(jì)、訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)的踐訓(xùn)練。您將學(xué)會(huì)如何：技術(shù)的實(shí)訓(xùn)練生成式對(duì)抗網(wǎng)絡(luò) (GAN) 生成圖像探索用于任意風(fēng)格傳輸?shù)募軜?gòu)創(chuàng)新和訓(xùn)練技術(shù)訓(xùn)練您自己的渲染圖像降噪器完成本課程后，您將能夠使用深度學(xué)習(xí)方法創(chuàng)建數(shù)字資產(chǎn)。醫(yī)療醫(yī)學(xué)課程深度學(xué)習(xí)實(shí)現(xiàn)醫(yī)學(xué)影像分析行業(yè) 醫(yī)療醫(yī)學(xué) | 預(yù)備知識(shí) 基礎(chǔ)知識(shí)或相應(yīng)深度學(xué)習(xí)經(jīng)驗(yàn) | 框架 Caffe、MXNet、 TensorFlow本課程涵蓋使用 DIGITS 進(jìn)行醫(yī)學(xué)影像分割、使用 R 和 MXNet 進(jìn)行醫(yī)學(xué)影像分析，以及如何使用 Keras 和 Tensorflow 進(jìn)行放射組學(xué)。您將了解如何在 MRI 掃

6、描中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)() 執(zhí)行各種醫(yī)療任務(wù)和計(jì)算。您將：在 MRI 影像上執(zhí)行影像分割以定位通過使用應(yīng)用于 MRI 掃描的而檢測(cè)心臟病測(cè)量心臟舒張和收縮之間的壓差來計(jì)算射血分?jǐn)?shù)，從在 MRI 掃描中應(yīng)用來檢測(cè) LGG 以確定 1p/19q的聯(lián)合缺失狀態(tài)完成本課程后，您將能夠在 MRI 掃描中應(yīng)用執(zhí)行各種醫(yī)療醫(yī)學(xué)任務(wù)。深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)組學(xué)行業(yè) 醫(yī)療醫(yī)學(xué) | 預(yù)備知識(shí) 基礎(chǔ)知識(shí)或相應(yīng)深度學(xué)習(xí)經(jīng)驗(yàn) | 框架 Caffe、TensorFlow、Theano本課程涵蓋使用 DIGITS 進(jìn)行影像分類、如何使用 Keras 和 TensorFlow 進(jìn)行放射組學(xué)，以及如何使用 DragoNN 工具包評(píng)估

7、組學(xué)數(shù)據(jù)。您將了解深度學(xué)習(xí)的基礎(chǔ)知識(shí)，以及如何應(yīng)用深度學(xué)習(xí)檢測(cè)的聯(lián)合缺失和在組序列中尋找基序。您將：理解卷積神經(jīng)網(wǎng)絡(luò) (在 MRI 掃描中應(yīng)用) 的基礎(chǔ)知識(shí)及其工作原理來檢測(cè) LGG 以確定 1p/19q的聯(lián)合缺失狀態(tài)使用 DragoNN 工具包模擬組數(shù)據(jù)并尋找基序完成本課程后，您將理解的工作原理，能夠使用評(píng)估 MRI 影像，以及使用真實(shí)的調(diào)控組數(shù)據(jù)研究新的基序。自動(dòng)駕駛汽車課程自動(dòng)駕駛汽車感知行業(yè) 汽車 | 預(yù)備知識(shí) - 基礎(chǔ)知識(shí)或相應(yīng)背景經(jīng)驗(yàn) | 框架 - TensorFlow、DIGITS、TensorRT在本課程中，您將接受有關(guān)使用 Drive PX2 開發(fā)面向自動(dòng)駕駛汽車接入、設(shè)計(jì)、

8、訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)的技術(shù)的動(dòng)手實(shí)驗(yàn)訓(xùn)練。您將學(xué)會(huì)如何：為 Drive PX2 上的傳感器接入 DriveWorks訓(xùn)練面向 Drive PX2 的語義分割神經(jīng)網(wǎng)絡(luò)堆棧使用 TensorRT 在 Drive PX2 上優(yōu)化、驗(yàn)證和部署經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)完成本課程后，您將能夠開始在 Drive PX2 上進(jìn)行開發(fā)，以創(chuàng)建和優(yōu)化自動(dòng)駕駛汽車感知組件。II. 其他課程基礎(chǔ)課程1. 通過 Caffe、Theano 和 Torch 進(jìn)行深度學(xué)習(xí)應(yīng)用行業(yè) 所有 | 預(yù)備知識(shí) 無 | 框架 - Caffe、Theano、Torch了解深度學(xué)習(xí)將如何改變計(jì)算的未來。在本動(dòng)手實(shí)驗(yàn)中（不需要任何技術(shù)背景），您將：將

9、深度學(xué)習(xí)與傳統(tǒng)方法進(jìn)行比較使用三種不同的深度學(xué)習(xí)框架運(yùn)行訓(xùn)練和推理了解深度學(xué)習(xí)的工作原理以及為什么使用 GPU完成實(shí)驗(yàn)后，您將更有能力決定您或您的組織將如何著手深度學(xué)習(xí)。2. 使用 TensorFlow、MXNet 和 NVIDIA-Docker 的深度學(xué)習(xí)工作流程行業(yè) 所有 | 預(yù)備知識(shí) - 熟悉 Bash 終端 | 框架 - TensorFlow、MXNetNVIDIA Docker 插件使得使用 GPU 容器化生產(chǎn)級(jí)深度學(xué)習(xí)工作流程成為可能。了解如何通過以下方法大幅減少主機(jī)配置和管理：學(xué)習(xí)利用 Docker 鏡像和管理容器運(yùn)行公共 Docker 鏡像服務(wù)器 DockerHub 中的鏡像，

10、以便創(chuàng)建可組合的輕巧容器時(shí)盡可能重復(fù)利用這些鏡像同時(shí)使用 TensorFlow 和 MXNet 框架訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成實(shí)驗(yàn)后，您將能夠容器化和分配預(yù)配置鏡像以進(jìn)行深度學(xué)習(xí)。3. 通過Cognitive Toolkit 進(jìn)行圖像分類行業(yè) 所有 | 預(yù)備知識(shí) 無 | 框架 -Cognitive Toolkit學(xué)習(xí)使用幫助您：Cognitive Toolkit 框架訓(xùn)練神經(jīng)網(wǎng)絡(luò)。您將創(chuàng)建并訓(xùn)練日益復(fù)雜的網(wǎng)絡(luò)來使用 BrainScript 的“Simple Network Builder”（簡(jiǎn)單網(wǎng)絡(luò)構(gòu)建工具）和更為通用的“Network Builder”（網(wǎng)絡(luò)構(gòu)建工具）比較神經(jīng)網(wǎng)絡(luò)的表達(dá)形式可視化神經(jīng)網(wǎng)

11、絡(luò)圖形訓(xùn)練并測(cè)試神經(jīng)網(wǎng)絡(luò)對(duì)手寫數(shù)字的分類完成實(shí)驗(yàn)后，您將對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基本知識(shí)有所了解，并準(zhǔn)備好進(jìn)一步使用Cognitive Toolkit 的高級(jí)用法。4. 通過 TensorFlow 進(jìn)行線性分類行業(yè) 所有 | 預(yù)備知識(shí) 無 | 框架 - TensorFlow學(xué)習(xí)使用 TensorFlow 的 TFLearn API 對(duì)結(jié)構(gòu)性數(shù)據(jù)進(jìn)行。根據(jù)提供的普查數(shù)據(jù)，通過嘗試個(gè)人收入，您將學(xué)到：為機(jī)器學(xué)習(xí)載入、查看和整理 CSV 數(shù)據(jù)將現(xiàn)有數(shù)據(jù)集拆分為神經(jīng)網(wǎng)絡(luò)的特征和（輸入和輸出）經(jīng)由線性數(shù)據(jù)構(gòu)建深度模型并評(píng)估性能差異完成實(shí)驗(yàn)后，您將能夠利用您的結(jié)構(gòu)性數(shù)據(jù)進(jìn)行。5. 通過 NVIDIA DIGITS

12、 進(jìn)行信號(hào)處理行業(yè) 所有 | 預(yù)備知識(shí) 深度學(xué)習(xí)基礎(chǔ)知識(shí) | 框架 - Caffe、DIGITS深度神經(jīng)網(wǎng)絡(luò)比人類更擅長(zhǎng)圖像分類，其深遠(yuǎn)意義已經(jīng)了通常對(duì)計(jì)算機(jī)視覺的認(rèn)識(shí)。在本中，您將把射頻 (RF) 信號(hào)轉(zhuǎn)換為圖像，用以檢測(cè)被噪音破壞的弱信號(hào)，并學(xué)到：如何視非圖像數(shù)據(jù)如同圖像數(shù)據(jù)如何在 DIGITS 中執(zhí)行深度學(xué)習(xí)工作流程（載入、訓(xùn)練、測(cè)試、調(diào)整）測(cè)試性能并指導(dǎo)性能的程序化方法完成實(shí)驗(yàn)后，您將能夠利用深度學(xué)習(xí)對(duì)圖像和類似圖像的數(shù)據(jù)進(jìn)行分類。6. 通過 Caffe2 加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練行業(yè) 所有 | 預(yù)備知識(shí) 基礎(chǔ)知識(shí) | 框架 - Caffe2在本中，您將了解到如何利用 Caffe2 多 GPU

13、 加速在 1 小時(shí)內(nèi)完成ImageNet 訓(xùn)練。您將通過動(dòng)手練習(xí)來整理數(shù)據(jù)、分配您的訓(xùn)練工作負(fù)載至多個(gè) GPU，并測(cè)定性能。您將：使用數(shù)據(jù)并行模型快速訓(xùn)練 ImageNet 數(shù)據(jù)庫使用 Caffe2 高效地管理您的圖像管道使用多 GPU 訓(xùn)練、優(yōu)化和并行化您的模型完成實(shí)驗(yàn)后，您將能夠使用多 GPU 加速訓(xùn)練您的應(yīng)用程序。開發(fā)與數(shù)字課程7. 使用相位神經(jīng)網(wǎng)絡(luò)制作角色動(dòng)畫行業(yè) -開發(fā)栩栩如生的動(dòng)畫很難描述，但容易識(shí)別。在本畫角色，以學(xué)到：中，您將訓(xùn)練一個(gè)相位神經(jīng)網(wǎng)絡(luò)來制作動(dòng)在多種地形中保持動(dòng)畫流暢通過使用動(dòng)作捕捉數(shù)據(jù)以準(zhǔn)備訓(xùn)練數(shù)據(jù)訓(xùn)練高級(jí)網(wǎng)絡(luò)理解動(dòng)畫序列，并將角色動(dòng)作分解為幾個(gè)階段以平滑過渡完成實(shí)

14、驗(yàn)后，您將具備使用全新的神經(jīng)網(wǎng)絡(luò)高級(jí)技術(shù)來訓(xùn)練 3D 角色的技能。8. 基于 TensorFlow 通過深度強(qiáng)化學(xué)習(xí)來玩 Atari行業(yè) TensorFlow開發(fā)與數(shù)字| 預(yù)備知識(shí) - 深度學(xué)習(xí)基礎(chǔ)知識(shí)（架構(gòu)）| 框架 通過嘗試 OpenAI館，了解深度強(qiáng)化學(xué)習(xí)的基本原理。借助經(jīng)典 Atari，您將學(xué)到：試驗(yàn)一個(gè)簡(jiǎn)單的來學(xué)習(xí) OpenAI API 調(diào)用通過在作中體驗(yàn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，依據(jù)屏幕的原始像素和當(dāng)前得分選擇下一個(gè)最佳動(dòng)可視化訓(xùn)練進(jìn)度，繼續(xù)訓(xùn)練一個(gè)已經(jīng)訓(xùn)練了 20 個(gè)小時(shí)的“中級(jí)”完成實(shí)驗(yàn)后，您將能夠與您的最好的網(wǎng)絡(luò)相互對(duì)抗，并可以保存代碼用以訓(xùn)練其他 Atari。金融課程9. 使用 LS

15、TM 提供金融交易策略行業(yè) 金融 | 預(yù)備知識(shí) - SciPy 和 TensorFlow 基礎(chǔ)知識(shí) | 框架 TensorFlow學(xué)習(xí)構(gòu)建和訓(xùn)練 LSTM 深度神經(jīng)網(wǎng)絡(luò)，以時(shí)間序列行為和財(cái)務(wù)收益。通過使用 Kaggle“Two Sigma Finan將學(xué)到:l Ming Challenge”（二金融建模）的數(shù)據(jù)集，您使用數(shù)據(jù)科學(xué)工具 Pandas 載入、清除和可視化數(shù)據(jù)使用 TensorFlow 構(gòu)建和訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò) (RNN)，以最大限度地之間的關(guān)聯(lián)性投資組合經(jīng)理人如何解釋輸出的受訓(xùn)模型收益與實(shí)際收益完成實(shí)驗(yàn)后，您將擁有一個(gè)可從時(shí)間序列數(shù)據(jù)獲得見解的框架，以及一個(gè)適用于財(cái)務(wù)數(shù)據(jù)的模型。10

16、.采用基于統(tǒng)計(jì)的深度自動(dòng)編的算法交易行業(yè) 金融 | 框架 - 具備 TensorFlow 后端的 Keras學(xué)習(xí)重建安全收益數(shù)據(jù)，并將其誤差中的異常偏差（差額）作為建立長(zhǎng)期或短期市場(chǎng)定位的信號(hào)。使用具有 TensorFlow 后端的 Keras 和，您將學(xué)到：構(gòu)建和訓(xùn)練深度自動(dòng)編使用自動(dòng)編通過自動(dòng)編作為異常檢測(cè)器來創(chuàng)建執(zhí)行超參數(shù)搜索。策略完成實(shí)驗(yàn)后，您能夠?qū)⑸疃葘W(xué)習(xí)策略應(yīng)用于算法訓(xùn)練并計(jì)算其損益。機(jī)器人 /機(jī)器課程11.在應(yīng)用程序中部署神經(jīng)網(wǎng)絡(luò)行業(yè) 機(jī)器人 | 預(yù)備知識(shí) - 通過 DIGITS 進(jìn)行圖像分類 | 框架 Caffe在本模型以中，您將在 Jetson TX2 上部署深度學(xué)習(xí)應(yīng)用程序。您將學(xué)到定制和優(yōu)化神經(jīng)網(wǎng)絡(luò)推理性能。您將通過動(dòng)手實(shí)驗(yàn)學(xué)到：使用機(jī)載機(jī)獲取圖像應(yīng)用神經(jīng)網(wǎng)絡(luò)模型來檢測(cè)物體、分類圖像和分割圖像運(yùn)行 TensorRT 來自定義模型并將您的模型集成到應(yīng)用程序中優(yōu)化 TensorRT 參數(shù)以應(yīng)用程序性能完成實(shí)驗(yàn)后，您將學(xué)會(huì)如何在應(yīng)用中部署您的高