机器视觉、GAN、深度强化学习直播课程介绍了当今深度学习中三个最令人兴奋的主题。现代机器视觉涉及在图像识别、目标检测和图像分割任务方面优于人类的自动化系统。生成对抗网络将两个深度学习网络以“伪造者-侦探”关系相互对抗，从而能够利用灵活的、用户可指定的元素制作令人惊叹的、逼真的图像。深度强化学习也取得了同样令人惊讶的进步，包括大部分广为人知的“人工智能”突破。深度强化学习涉及训练“代理”以适应特定的“环境”，使算法能够在各种复杂的挑战中达到或超越人类水平的表现，包括 Atari 视频游戏、棋盘游戏围棋和微妙的手动操作任务。在这些课程中，通过直观的解释和交互式的动手 Jupyter 笔记本演示，将基本理论带入生活。示例采用最流行的深度学习库 TensorFlow 2 中的 Python 和简单的 Keras 层。

 关于导师

Jon Krohn是机器学习公司 Untapt 的首席数据科学家。他介绍了 Addison-Wesley 出版的一系列流行的深度学习教程，并且是畅销书《深度学习图解》的作者。 Jon 在纽约市数据科学研究所的课堂上教授深度学习课程，并在哥伦比亚大学和纽约大学进行客座讲座。他拥有牛津大学神经科学博士学位，自 2010 年以来一直在领先期刊上发表有关机器学习的文章。

 技能等级

•  中间的

 学习方法

• 了解机器视觉、深度强化学习和生成对抗网络的高级理论和关键语言
• 创建最先进的图像识别、对象检测和图像分割模型
• 建筑师 GAN 以手绘插图的风格创建令人信服的图像
• 构建擅长在各种环境中执行的深度 RL 代理，例如 OpenAI Gym 提供的环境
• 运行自动化实验来优化深度强化学习代理超参数，例如其人工神经网络配置
• 了解“人工智能”目前的局限性以及在不久的将来如何克服它们

谁应该学习本课程

• 非常适合有兴趣将深度学习应用于自然语言数据的软件工程师、数据科学家、分析师和统计学家
• 代码示例是用 Python 提供的，因此熟悉它或其他面向对象的编程语言会很有帮助

 课程要求

• 作者的先决条件是使用 TensorFlow、Keras 和 PyTorch 进行深度学习 LiveLessons ，或者熟悉他的《深度学习图解》一书第 5 章到第 9 章中涵盖的主题。

 课程描述

 第 1 课：方向
第 1 课首先快速回顾如何运行课程中的代码。然后回顾了对于构建机器视觉、GAN 和深度强化学习专业至关重要的基础深度学习理论。本课程最后简要介绍了将在所有五个直播课程中开发的尖端功能。

第 2 课：用于机器视觉的卷积神经网络
第 2 课介绍了卷积层。卷积层首先用于在 TensorFlow 中创建 ConvNet。然后，本课程涵盖了机器学习应用的各个方面，包括残差网络、图像分割、对象检测、迁移学习和胶囊网络。

第 3 课：创造力的生成对抗网络
第 3 课从生成对抗网络 (GAN) 的应用和背后的基本理论开始。然后您将看到快速抽奖！游戏，用作来自单个类别的数十万张手绘图像的来源，供 GAN 学习如何模仿。本课程的其余部分用于为 GAN 的三个主要组件开发复杂的代码：鉴别器网络、生成器网络以及使它们相互竞争的对抗网络。

第 4 课：深度强化学习
第 4 课从深度强化学习的定义开始，然后概述其应用。本课程最后讨论了深度强化学习与人工智能的关系。

第 5 课：深度 Q 学习及其他
第 5 课从车杆游戏开始，该游戏在课程中用于训练深度强化学习算法。然后转向深度强化学习以及深度 Q 学习（一种流行的深度强化学习代理类型）背后的理论。

掌握了这一理论，您将能够直观地理解随后定义自己的 DQN 代理并使其在 Cart-Pole 游戏中表现出色的代码。本课程最后探索了一种优化深度强化学习代理超参数的工具，介绍了 DQN 代理之外的代理，概述了一些可能的项目想法，并返回到人工智能的讨论，以解决当代深度学习方法的局限性。