该课程主要介绍了深度学习是国际上非常活跃、非常多产的研究领域，它被广泛应用于计算机视觉、图像分析、语音识别和自然语言处理等诸多领域。在多个领域上，深度神经网络已大幅超越了已有算法的性能。该课程对深度神经网络尤其是卷积神经网络进行介绍，且注重深度学习的实际应用。而且，该课程还对深度学习研发现状进行总结和阐述，包括Google 和Facebook。该课程通过示例的方式详解深度学习的具体应用，包括手写数字识别，物体识别，及以人为中心的计算（包括人脸识别、人脸表情识别、年龄估计、人脸关键点定位等）。该课程也介绍了深度学习Caffe 和Pylearn2 两个平台，并给出具体示例，介绍如何使用。同时全面、系统地介绍深度学习相关的技术，包括人工神经网络，卷积神经网络，深度学习平台及源代码分析。   1.课程研发环境   课程基于深度学习，讲解过程中使用的是office2010(32位)版工具 Office工具：2007、2010 Visual Studio 工具： 2013    2.内容简介   深度学习是国际上非常活跃、非常多产的研究领域，它被广泛应用于计算机视觉、图像分析、语音识别和自然语言处理等诸多领域。在多个领域上，深度神经网络已大幅超越了已有算法的性能。该课程对深度神经网络尤其是卷积神经网络进行介绍，且注重深度学习的实际应用。而且，该课程还对深度学习研发现状进行总结和阐述，包括Google 和Facebook。该课程通过示例的方式详解深度学习的具体应用，包括手写数字识别，物体识别，及以人为中心的计算（包括人脸识别、人脸表情识别、年龄估计、人脸关键点定位等）。该课程也介绍了深度学习Caffe 和Pylearn2 两个平台，并给出具体示例，介绍如何使用。同时全面、系统地介绍深度学习相关的技术，包括人工神经网络，卷积神经网络，深度学习平台及源代码分析。 第1章 深度学习 1.1-深度学习的历史与简介 1.2-深度学习 基础概念 核心思想主要技术 1.3-递归神经网络 1.4-循环神经网络 1.5-机器翻译 1.6-深度学习与自然语言处理 第2章 开源平台 2.1-监督学习 2.2-语音识别 2.3-基于HMM声学模型 2.4-隐马尔科夫模型 2.5-基于HMM的语音识别声学模型 第3章 深度学习的应用 3.1-光学字符识别 3.2-深度学习与图像识别 3.3-图像识别 3.4-人脸识别 3.5-语音识别 第4章 传统区分性训练以及区分性训练统一准则框架 4.1-以图搜图 4.2-传统区分性训练以及区分性训练统一准则框架 4.3-大户信息量估计MMLE准则 4.4-小分类错误MCE准则 4.5-其他一些区分性训练准则 4.6-区分性统一准则 第5章 MVCE准则及其在连续语音识别中的应用 5.1-MWCE准则与其在连续语音中的应用 5.2-MCE准则 5.3-区分性训练准则 5.4-人脸表情识别 第6章 TensorFlow 实战 6.1-主流深度学习框架对比 6.2-TensorFlow 6.3-Caffe 6.4-Theano 6.5-Torch 6.6-Lasagne以及Keras 6.7-MXNet DIGITS CNTK 6.8-DL4J Chainer Leaf 目标1、了解深度学习的概念 目标2、了解深度学习的应用 目标3、熟悉主流框架