一、人工智能介绍与概述

1、人工智能/机器学习/神经网络/深度学习

2、深度学习应用

3、人工智能技术框架

4、机器学习算法应用分析

二、深度学习-神经网络

1、人工神经网络

2、单层感知器

3、激活函数，损失函数和梯度下降法

4、BP算法介绍

三、卷积神经网络CNN应用

1、CNN卷积神经网络

2、卷积层、池化层（均值池化、最大池化）

3、CNN手写数字案例

四、长短时记忆网络LSTM应用

1、RNN循环神经网络

2、长短时记忆网络LSTM

3、LSTM应用案例

五、预训练ResNet模型进行图像识别

1、网络结构设计介绍

2、网络可解释性介绍

3、ResNet模型讲解

4、使用训练好的模型进行图像识别

六、迁移学习-图像识别模型项目实战

1、VGG16模型讲解

2、数据增加

3、使用迁移学习完成天气现象分类

4、使用迁移学习完成场景分类

七、自然语言处理项目实战

1、自然语言处理项目介绍

2、word2vec介绍

3、用LSTM训练一个情感分类模型

八、目标检测算法

1、目标检测项目

2、R-CNN模型详解

3、SPPNET模型详解

4、Fast-RCNN模型详解

5、Faster-RCNN模型详解

九、YOLO目标检测算法和项目实践

1、yolov1-v5算法详解

2、yolo5源码架构分析

3、yolo5图像标注方法

4、yolo5模型训练方法

5、yolo5模型预测方法

十、MaskRCNN目标分割和项目实践

1、Mask-RCNN结构介绍

2、ROIAlign和ROIPooling对比

3、Mask-RCNN代价函数讲解

4、目标分割软件Labelme使用介绍

5、训练自己的图像分割模型

十一、人脸识别实战

1、人脸检测实战

2、人脸关键点提取实战

3、人脸识别实战

十二、深度强化学习

1、概率分布和抽样值

2、Environment环境

3、State状态

4、Agent智能体

5、Action动作

6、Policy策略

7、Reward奖励

8、Return

9、Action-Value Function

10、State-Value Function

11、Trajectory轨迹

12、Policy-based and Value-based

十三、深度强化学习DQN算法应用

1、Gym环境安装

2、Gym环境介绍

3、Gym环境动画演示

4、action和observation

5、DQN原理介绍

6、DQN训练过程

7、使用DQN训练强学习模型