一、深度学习Deep Learning基础和基本思想
1，人工智能概述、计算智能、类脑智能
2，机器学习概述、记忆学习、归纳学习、统计学习
3，深度学习的前生今世、发展趋势
4，人工神经网络、前馈神经网络、BP算法 、Hessian矩阵、结构性特征表示
二、深度学习Deep Learning基本框架结构
1，Caffe 2，Tensorflow
3，Torch 4，MXNet
三，深度学习Deep Learning-卷积神经网络
1，CNN卷积神经网络
卷积层(一维卷积、二维卷积)、池化层(均值池化、最大池化)
全连接层激活函数层 Softmax层
2，CNN卷积神经网络改进
R-CNN (SPPNET) Fast-R-CNN Faster-R-CNN (YOLO、SSD)
3，深度学习的模型训练技巧
4，梯度下降的优化方法详解
四，深度学习Deep Learning-循环神经网络
1，RNN循环神经网络
梯度计算 BPTT
2，RNN循环神经网络改进
LSTM GRU Bi-RNN Attention based RNN
3，RNN实际应用 Seq2Seq的原理与实现
五、强化学习
1，强化学习的理论知识
2，经典模型DQN讲解
2，AlphaGo原理讲解
3，RL实际应用;实现一个AlphaGo
六，对抗性生成网络
1，GAN的理论知识
2，GAN经典模型CGAN，LAPGAN，DCGAN
3，GAN经典模型 INFOGAN，WGAN，S2-GAN
4，GAN实际应用 DCGAN提高模糊图片分辨率
5，GAN实际应用 InfoGAN做特定的样本生成
七、迁移学习
1，迁移学习的理论概述
2，迁移学习的常见方法
特征、实例、数据、深度迁移、强化迁移、研究案例
八、CNN应用案例
1，CNN与手写数字集分类
2，YOLO实现目标检测
3，PixelNet原理与实现
4，利用卷积神经网络做图像风格结合
九、深度学习Deep Learning的常用模型或者方法
1，AutoEncoder自动编码器
2，Sparse Coding稀疏编码
3，Restricted Boltzmann Machine(RBM)限制波尔兹曼机
4，Deep BeliefNetworks深信度网络
5，Convolutional Neural Networks卷积神经网络