课程大纲：

重点介绍三个网络模型，用于自动驾驶中双目摄像头或单目摄像头的距离预估，经过一定的调研和简要实践，双目测量技术更稳健可靠，模型如下：

a)     Stereo-RCNN (Stereo 3D Object Detection via Shape Prior Guide Instance Disparity Estimation).

b)    Disp-RCNN (Stereo 3D Object Detection via Shape Prior Guide Instance Disparity Estimation)

c)     DSGN (Deep Stereo Geometry Network for 3D Object Detection)

分享三个模型结束后；如果时间允许，摘取下面大纲中的若干感兴趣点进行技术分享：

第一节：卷积神经网络与高阶应用

Inception-V3/V4

ResNet、DenseNet

使用迁移学习实现蒙古文识别

获取中间隐层的特征及可视化

隐层特征的意义和使用

迁移学习的trick

学习率、衰减、冻结等问题

代码和案例实践：

数字图片分类

卷积核与特征提取

以图搜图

人证合一

卷积神经网络调参经验分享

猫狗大战详解

海量蒙古文识别

隐特征可视化及其应用

第二节：图像分割与视频分类

视频关键帧处理

卷积的位置不变形与图像定位的关系

物体检测与定位

RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN

YOLOv4、SSD

UNet及其与残差网络的结合

FaceNet与特征

EfficientNet、EfficientDet

视频帧的目标定位

时空卷积网络

SlowFast

代码和案例实践：

人脸检测

OCR字体定位和识别

睿客识云

气象识别

视频分类的trick

政务大厅视频监控的真实系统

第三节：时间序列分析

ARIMA、时间序列分析

一维卷积、指数平均和滑动平均、

Prophet模型

MaxPooling做光滑

Attention

CNN+LSTM模型

Bi-LSTM双向循环网络

Keras函数式API与回调函数

代码和案例实践：

时间序列算法：自回归、移动平均和整合模型

股票走势可视化

突变点分析

股票预测模型建立

模型训练

预测与评估

第四节：循环神经网络RNN

语言模型Bi-Gram/Tri-Gram/N-Gram

分词算法的原理及类似应用

词性标注

语义关系抽取

词向量

文本分类：基于CNN和基于LSTM的方法比较

机器翻译：Seq2Seq的典型应用

Transformer、BERT等模型原理

文本摘要与信息抽取

阅读理解

问答系统

情感分析

代码和案例实践：

知识图谱：命名实体识别的实践

知识图谱：实体关系的判定与分类

HMM分词及CRF的异同

文本摘要的生成

智能对话系统和SeqSeq模型

阅读理解的实现与Attention

机器翻译

使用LSTM生成文本

第五节：生成对抗网络GAN

       生成与判别

       生成模型：贝叶斯、HMM到深度生成模型

       GAN对抗生成神经网络

       DCGAN

       Conditional GAN

       InfoGan

       Wasserstein GAN

代码和案例实践：

       图片生成

       看图说话

       哪些场景不适合用GAN？

       指静脉识别与GAN的关系

       对抗生成神经网络调参经验分享

第六节：强化学习RL

       马尔科夫决策过程

       贝尔曼方程、最优策略

       策略迭代、值迭代

       Q Learning

       SarsaLamda

       DQN，DoubleDQN

       DuelingDQN

       AC、A2C、A3C

       策略梯度、DDPG、PPO

代码和案例实践：

OpenAI

       飞翔的小鸟游戏

       超级玛丽强化学习实现

       吃豆人的强化学习实现

       DQN的实现

       AlphaGo、AlphaZero的算法原理

       工业控制领域的真实强化学习案例（未公开）