想要成为一名优秀的深度学习工程师并不容易，研究 AI 有着天然的高门槛和高要求。很多人都是理论上的王者，实践上的青铜，自以为对框架、算法的理解足够，但因为缺乏应用场景和实践机会，遇到实际问题仍然不知道该怎么抽象问题然后用模型解决。
而本门课程将会从理论基础、工具使用、实战上手三个方面，带领你从理论开始，一步步认识和了解深度学习，并学会打造深度学习模型。
模块一：深度学习的基础概念。这个模块就像是打地基，老师会带你了解深度学习会用到的基础知识，主要是数学知识和理论知识。还会对深度学习中常用的结构进行详细的介绍，比如你经常听到的 CNN、DNN、GAN 等，从零开始，逐步深入。通过这一部分的学习，你会了解深度学习必备的基础知识。
模块二：深度学习的工具与框架。这个模块就像是盖楼的砖瓦，有了理论知识，就可以将理论知识转化成代码，并用合适的框架、工具协助你开展工作。框架方面，目前常用的深度学习框架很多，有 TensorFlow、PyTorch 等，老师会以其中使用最广泛的 TensorFlow 作为切入点，带你熟悉图像处理工具、模型训练记录工具、交互工具等工具的使用。通过这一部分的学习，你就可以着手准备开发实战项目了。
模块三：深度学习经典问题的落地实战。这个模块就开始教你盖楼了，老师会选择几个常见的深度学习应用场景，包括图像分类、语义分割和自然语言处理，教你如何从零开始做模型、如何优化已有模型，一步步教你打造项目模型。通过这一部分的学习，你就可以打造属于你自己的深度学习模型。
课程目录
文档
[4974] 开篇词 掌握深度学习，畅游 AI 时代.mp4
[4975] 01 从神经元说起：数学篇.mp4
[4976] 02 从神经元说起：结构篇.mp4
[4977] 03 AI 术语：让你变得更加专业.mp4
[4978] 04 函数与优化方法：模型的自我学习（上）.mp4
[4979] 05 前馈网络与反向传播：模型的自我学习（下）.mp4
[4980] 06 线性回归模型：在问题中回顾与了解基础概念.mp4
[4981] 07 卷积神经网络：给你的模型一双可以看到世界的眼睛.mp4
[4982] 08 RNN 与 LSTM：模型也可以持续不断地思考.mp4
[4983] 09 自编码器：让模型拥有属于自己的表达和语言.mp4
[4984] 10 生成式对抗网络：艺术创造也可以成为深度学习的拿手好戏.mp4
[4985] 11 集成、共享、敏捷：Jupyter Notebook 的使用.mp4
[4986] 12 数据预处理：让模型学得更好.mp4
[4987] 13 张量、数据流图与概念：初步了解 TenorFlow.mp4
[4988] 14 工作机制与流程：通过手写识别深入了解 TenorFlow.mp4
[4989] 15 TenorBoard：实验统计分析助手.mp4
[4990] 16 图像分类：技术背景与常用模型解析.mp4
[4991] 17 图像分类：实现你的第一个图像分类实战项目.mp4
[4992] 18 语义分割：技术背景与算法剖析.mp4
[4993] 19 语义分割：打造简单高效的人像分割模型.mp4
[4994] 20 文本分类：技术背景与经典网络结构介绍.mp4
[4995] 21 文本分类：用 Bert 做出一个优秀的文本分类模型.mp4
[4996] 结束语 掌握深度学习，搭上 AI 快车.mp4
