了解基本统计知识，具备初步的IT基础知识和基本数学理论，可使用python，Scala编程
1、人工智能和机器学习概述
人工智能发展史
应用场景概述：如图像识别，文本分析，推荐系统
最近成果概述：如强化学习，生成式对抗网络，基于低能量的网络，one-shot leaning
软件框架概述，如sparkML，sklean，tensorflow，caffe，Theano
2、卷积神经网络CNN
卷积神经网络历史
AlexNet,ResNet,googleNet介绍
卷积层介绍
池化层
全连接层
Visualizing ConvNet
BP算法
DropOut正则化
TensorFlow编写CNN
常用参数介绍和CNN调优
3、循环神经网络RNN
RNN应用概述
时间序列LSTM模型
自然语言处理基础
双向RNN与深度RNN
RNN实现案例
4、深度信念网络
贝叶斯概率论
贝叶斯分类器
贝叶斯信念网络
Word2Vec Network
Auto-encoder/PCA
5、基于能量的网络
Hopfield Network
玻尔兹曼机
受限波尔兹曼机
深度玻尔兹曼机
Spare Coding
6、其他热门深度学习算法
GAN对抗生成网络
强化学习概述
Transfer Learning
7、大数据,云计算与机器学习
大数据平台与云计算平台
机器学习与大数据平台
并行执行算法
批量梯度下降算法
随机梯度下降算法
小批量梯度下降算法
梯度下降算法的监控与比较
