catalog客户要求dli学院的课程名及相关说明用这上面文字

1、目录I.培训班课程基础课程深度学习基础课之计算机视觉深度学习基础课之多数据类型深度学习基础课之自然语言处理开发与数字课程4. 使用 GAN 和自动编创建数字内容医疗医学课程5. 深度学习实现医学影像分析6. 深度学习应用于医学组学自动驾驶汽车课程7. 自动驾驶汽车感知II. 其他课程基础课程通过 Caffe、Theano 和 Torch 进行深度学习应用使用 TensorFlow、MXNet 和 NVIDIA-Docker 的深度学习工作流程3. 通过Cognitive Toolkit 进行图像分类通过 TensorFlow 进行线性分类通过 NVIDIA DIGITS 进行信号处理通过 Ca

2、ffe2 加速神经网络训练开发与数字课程7. 使用相位神经网络制作角色动画8. 基于 TensorFlow 通过深度强化学习来玩 Atari金融课程9. 使用 LSTM 提供金融交易策略10. 采用基于统计的深度自动编的算法交易机器人 /11. 在机器课程应用程序中部署神经网络III. 讲座揭开深度学习的神秘面纱开启一个深度学习项目的最佳实践I.培训班课程基础课程深度学习基础课之计算机视觉行业 所有 | 预备知识 无 | 框架 - Caffe、DIGITS通过训练神经网络和利用训练成果性能和能力，了解深度学习的基础知识。在本动手实验课程中，您将通过训练和部署神经网络来了解深度学习的基础知识。您

3、将：实施常用的深度学习工作流程，例如图像分类和目标检测针对数据、训练参数、网络结构和其他策略进行试验，以便部署您的网络，开始解决实际问题性能和能力完成本课程后，您将能够通过深度学习解决自己。深度学习基础课之多数据类型行业 所有 | 预备知识 - 深度学习基础课之计算机视觉 | 框架 - TensorFlow本课程将探讨如何结合卷积和循环神经网络在图像和片段中生成有效的内容描述。了解如何使用 TensorFlow 和 MSCOCO 数据集训练网络以通过以下方法从图像和中生成描述：实施强大的深度学习工作流程，例如图像分割和文本生成比较与对照数据类型、工作流程和框架将计算机视觉与自然语言处理结合起来

4、完成本课程后，您将能够解决需要多种输入类型的深度学习问题。深度学习基础课之自然语言处理行业 所有 | 预备知识 深度学习应用于图像的基础知识或相应的背景经验 | 框架 -TensorFlow、Keras在本课程中，参加者将接受有关使用自然语言处理理解文本输入的学会如何：技术的实践训练。您将分类词语，以准确理解其含义处理事实性查询及其语义训练机器将一种语言翻译成另一种语言完成本课程后，您将能够在任何应用中通过神经网络实现自然语言处理。开发与数字课程使用 GAN 和自动编创建数字内容| 预备知识 - 基础知识或相应背景和经验 | 框架 - TensorFlow、行业 -开发与数字Theano、DI

5、GITS在本课程中，参与者将接受有关面向数字内容创建设计、训练和部署神经网络的践训练。您将学会如何：技术的实训练生成式对抗网络 (GAN) 生成图像探索用于任意风格传输的架构创新和训练技术训练您自己的渲染图像降噪器完成本课程后，您将能够使用深度学习方法创建数字资产。医疗医学课程深度学习实现医学影像分析行业 医疗医学 | 预备知识 基础知识或相应深度学习经验 | 框架 Caffe、MXNet、 TensorFlow本课程涵盖使用 DIGITS 进行医学影像分割、使用 R 和 MXNet 进行医学影像分析，以及如何使用 Keras 和 Tensorflow 进行放射组学。您将了解如何在 MRI 扫

6、描中应用卷积神经网络() 执行各种医疗任务和计算。您将：在 MRI 影像上执行影像分割以定位通过使用应用于 MRI 扫描的而检测心脏病测量心脏舒张和收缩之间的压差来计算射血分数，从在 MRI 扫描中应用来检测 LGG 以确定 1p/19q的联合缺失状态完成本课程后，您将能够在 MRI 扫描中应用执行各种医疗医学任务。深度学习应用于医学组学行业 医疗医学 | 预备知识 基础知识或相应深度学习经验 | 框架 Caffe、TensorFlow、Theano本课程涵盖使用 DIGITS 进行影像分类、如何使用 Keras 和 TensorFlow 进行放射组学，以及如何使用 DragoNN 工具包评估

7、组学数据。您将了解深度学习的基础知识，以及如何应用深度学习检测的联合缺失和在组序列中寻找基序。您将：理解卷积神经网络 (在 MRI 扫描中应用) 的基础知识及其工作原理来检测 LGG 以确定 1p/19q的联合缺失状态使用 DragoNN 工具包模拟组数据并寻找基序完成本课程后，您将理解的工作原理，能够使用评估 MRI 影像，以及使用真实的调控组数据研究新的基序。自动驾驶汽车课程自动驾驶汽车感知行业 汽车 | 预备知识 - 基础知识或相应背景经验 | 框架 - TensorFlow、DIGITS、TensorRT在本课程中，您将接受有关使用 Drive PX2 开发面向自动驾驶汽车接入、设计、

8、训练和部署神经网络的技术的动手实验训练。您将学会如何：为 Drive PX2 上的传感器接入 DriveWorks训练面向 Drive PX2 的语义分割神经网络堆栈使用 TensorRT 在 Drive PX2 上优化、验证和部署经过训练的神经网络完成本课程后，您将能够开始在 Drive PX2 上进行开发，以创建和优化自动驾驶汽车感知组件。II. 其他课程基础课程1. 通过 Caffe、Theano 和 Torch 进行深度学习应用行业 所有 | 预备知识 无 | 框架 - Caffe、Theano、Torch了解深度学习将如何改变计算的未来。在本动手实验中（不需要任何技术背景），您将：将

9、深度学习与传统方法进行比较使用三种不同的深度学习框架运行训练和推理了解深度学习的工作原理以及为什么使用 GPU完成实验后，您将更有能力决定您或您的组织将如何着手深度学习。2. 使用 TensorFlow、MXNet 和 NVIDIA-Docker 的深度学习工作流程行业 所有 | 预备知识 - 熟悉 Bash 终端 | 框架 - TensorFlow、MXNetNVIDIA Docker 插件使得使用 GPU 容器化生产级深度学习工作流程成为可能。了解如何通过以下方法大幅减少主机配置和管理：学习利用 Docker 镜像和管理容器运行公共 Docker 镜像服务器 DockerHub 中的镜像，

10、以便创建可组合的轻巧容器时尽可能重复利用这些镜像同时使用 TensorFlow 和 MXNet 框架训练神经网络完成实验后，您将能够容器化和分配预配置镜像以进行深度学习。3. 通过Cognitive Toolkit 进行图像分类行业 所有 | 预备知识 无 | 框架 -Cognitive Toolkit学习使用帮助您：Cognitive Toolkit 框架训练神经网络。您将创建并训练日益复杂的网络来使用 BrainScript 的“Simple Network Builder”（简单网络构建工具）和更为通用的“Network Builder”（网络构建工具）比较神经网络的表达形式可视化神经网

11、络图形训练并测试神经网络对手写数字的分类完成实验后，您将对卷积神经网络的基本知识有所了解，并准备好进一步使用Cognitive Toolkit 的高级用法。4. 通过 TensorFlow 进行线性分类行业 所有 | 预备知识 无 | 框架 - TensorFlow学习使用 TensorFlow 的 TFLearn API 对结构性数据进行。根据提供的普查数据，通过尝试个人收入，您将学到：为机器学习载入、查看和整理 CSV 数据将现有数据集拆分为神经网络的特征和（输入和输出）经由线性数据构建深度模型并评估性能差异完成实验后，您将能够利用您的结构性数据进行。5. 通过 NVIDIA DIGITS

12、 进行信号处理行业 所有 | 预备知识 深度学习基础知识 | 框架 - Caffe、DIGITS深度神经网络比人类更擅长图像分类，其深远意义已经了通常对计算机视觉的认识。在本中，您将把射频 (RF) 信号转换为图像，用以检测被噪音破坏的弱信号，并学到：如何视非图像数据如同图像数据如何在 DIGITS 中执行深度学习工作流程（载入、训练、测试、调整）测试性能并指导性能的程序化方法完成实验后，您将能够利用深度学习对图像和类似图像的数据进行分类。6. 通过 Caffe2 加速神经网络训练行业 所有 | 预备知识 基础知识 | 框架 - Caffe2在本中，您将了解到如何利用 Caffe2 多 GPU

13、 加速在 1 小时内完成ImageNet 训练。您将通过动手练习来整理数据、分配您的训练工作负载至多个 GPU，并测定性能。您将：使用数据并行模型快速训练 ImageNet 数据库使用 Caffe2 高效地管理您的图像管道使用多 GPU 训练、优化和并行化您的模型完成实验后，您将能够使用多 GPU 加速训练您的应用程序。开发与数字课程7. 使用相位神经网络制作角色动画行业 -开发栩栩如生的动画很难描述，但容易识别。在本画角色，以学到：中，您将训练一个相位神经网络来制作动在多种地形中保持动画流畅通过使用动作捕捉数据以准备训练数据训练高级网络理解动画序列，并将角色动作分解为几个阶段以平滑过渡完成实

14、验后，您将具备使用全新的神经网络高级技术来训练 3D 角色的技能。8. 基于 TensorFlow 通过深度强化学习来玩 Atari行业 TensorFlow开发与数字| 预备知识 - 深度学习基础知识（架构）| 框架 通过尝试 OpenAI馆，了解深度强化学习的基本原理。借助经典 Atari，您将学到：试验一个简单的来学习 OpenAI API 调用通过在作中体验来训练神经网络，依据屏幕的原始像素和当前得分选择下一个最佳动可视化训练进度，继续训练一个已经训练了 20 个小时的“中级”完成实验后，您将能够与您的最好的网络相互对抗，并可以保存代码用以训练其他 Atari。金融课程9. 使用 LS

15、TM 提供金融交易策略行业 金融 | 预备知识 - SciPy 和 TensorFlow 基础知识 | 框架 TensorFlow学习构建和训练 LSTM 深度神经网络，以时间序列行为和财务收益。通过使用 Kaggle“Two Sigma Finan将学到:l Ming Challenge”（二金融建模）的数据集，您使用数据科学工具 Pandas 载入、清除和可视化数据使用 TensorFlow 构建和训练递归神经网络 (RNN)，以最大限度地之间的关联性投资组合经理人如何解释输出的受训模型收益与实际收益完成实验后，您将拥有一个可从时间序列数据获得见解的框架，以及一个适用于财务数据的模型。10

16、.采用基于统计的深度自动编的算法交易行业 金融 | 框架 - 具备 TensorFlow 后端的 Keras学习重建安全收益数据，并将其误差中的异常偏差（差额）作为建立长期或短期市场定位的信号。使用具有 TensorFlow 后端的 Keras 和，您将学到：构建和训练深度自动编使用自动编通过自动编作为异常检测器来创建执行超参数搜索。策略完成实验后，您能够将深度学习策略应用于算法训练并计算其损益。机器人 /机器课程11.在应用程序中部署神经网络行业 机器人 | 预备知识 - 通过 DIGITS 进行图像分类 | 框架 Caffe在本模型以中，您将在 Jetson TX2 上部署深度学习应用程序。您将学到定制和优化神经网络推理性能。您将通过动手实验学到：使用机载机获取图像应用神经网络模型来检测物体、分类图像和分割图像运行 TensorRT 来自定义模型并将您的模型集成到应用程序中优化 TensorRT 参数以应用程序性能完成实验后，您将学会如何在应用中部署您的高