深度学习是利用神经网络的力量来解决复杂的业务问题，并成为即将到来的深度学习专家浪潮的一部分，用人工智能塑造未来。

提升您作为数字原生代的技能和资格
我们的未来技能课程与业界最优秀的企业合作，着眼于未来的工作，提供最好的结构化、导师支持的 100% 在线教育。

为什么选择这门课程？
深度学习是人工智能 (AI) 中的一种方法，它受人脑启发，教会计算机处理数据。深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，以产生准确的见解和预测 (AWS)。在整个课程中，您将深入了解人工智能世界。深入研究神经网络、卷积神经网络、循环神经网络和生成对抗网络等前沿学科。
在整个计划中，您还将有机会使用 PyTorch 从事项目，进一步增强您的实践知识。成为即将到来的深度学习专家浪潮的一部分，他们将塑造人工智能驱动的未来。
该深度学习课程将与 Udacity 合作向您提供，这意味着您将可以通过我们的学习者成功团队获得 Udacity 的学习和职业服务以及 RMIT Online 的课程支持支持。

本课程适合谁？
本深度学习课程非常适合：
• 现有的数据专家希望了解人工智能和机器学习解决方案的潜力，利用神经网络并构建复杂的学习模型。
• 拥有 Python 基础技能、有抱负的 AI 开发人员，希望利用自己的技术技能来开发和定义由 AI 驱动的尖端解决方案。 

你将学到什么？
完成本课程后，您将能够：
• 使用 PyTorch 创建一个简单的神经网络 (NN)，以根据实际数据预测模式。
• 构建卷积神经网络 (CNN)，根据其中出现的模式和对象对地标图像进行分类。
• 使用 PyTorch 实现循环神经网络 (RNN) 及其变体（LSTM、GRU）来构建客户服务聊天机器人。

它是如何运作的？
在本课程中，您将使用新获得的深度学习技能来完成 4 个项目。
您的第一个项目将着眼于使用 PyTourch 开发手写数字分类器。您的第二个项目侧重于社交媒体的地标分类和标记。您的第三个项目是 LSTM Seq2Seq 聊天机器人，您的最后一个项目是 Face Generation 项目，您将在 CelebA 数据集上构建和训练自定义 GAN 架构。
完成本课程后，您将获得皇家墨尔本理工大学 (RMIT) 证书，该证书可以在社交媒体平台上进行验证、认可和分享。

先决条件？
对于深度学习，学生应具有以下主题的工作经验和/或知识：
• 衍生品
• 线性代数
• 纳姆皮、熊猫
• 中级Python
• Jupyter 笔记本

课程结构
模块1 ：深度学习简介
• 深度学习简介
• 通过梯度下降最小化误差函数
• 神经网络简介
• 训练神经网络
项目： 使用 PyTorch 开发手写数字分类器

模块 2：卷积神经网络
• CNN 简介
• CNN 概念
• 深度学习 CNN
• 迁移学习
• 汽车编码员
• 物体检测和分割
项目： 社交媒体地标分类和标记

模块 3：RNN 和 Transformer
• 循环神经网络
• 长短期记忆网络 (LSTM)
• RNN 和 LSTM 的实现
• 微调 RNN 模型
• Seq2Seq架构
• RNN 的局限性
项目： LSTM Seq2Seq 聊天机器人

模块 4：构建生成对抗网络
• 一般对抗网络
• 训练深度卷积 GAN
• 图像到图像翻译
• 现代 GAN
项目： 人脸生成