近日， 百度上線 PaddlePaddle 公開課， 以提供豐富的深度學習課程資源， 線上說明開發者從零開始掌握 PaddlePaddle 深度學習框架。 這也是業內第一套由深度學習教育聯盟合作夥伴製作完成， 包含理論和實戰的PaddlePaddle 深度學習中文視頻課程。
深度學習教育聯盟由百度牽頭成立， 旨在全方位支持深度學習人才培養。 深度學習教育聯盟將為開發者提供包括內容、管道、平臺、科研、賽事、資金等多方面支援， 幫助感興趣的開發者快速轉型為合格的深度學習工程師。
有意向成為深度學習教育聯盟的合作夥伴可以線上申請加入百度 AI 開放平臺生態夥伴計畫。
據瞭解， 首期深度學習視頻課程是由深度學習教育聯盟合作夥伴 University AI 製作完成， 並率先推出包含原理、演算法和實戰等乾貨內容。 University AI 以百度 PaddlePaddle 深度學習框架為基礎， 針對普通工程師向演算法工程師轉型， 全方位打造從入門到進階的人工智慧課程。
University AI 作為中國最早的深度學習以及深度強化學習課程和知識的“傳道者”， 在 PaddlePaddle 公開課中創造了具備完整人工智慧視野的“全方位人工智慧課程”。
同時， 課程包含了大量從未在人工智慧教育產品中露面的技術領域， 包括生成式對抗網路、深度強化學習、深度多 agent 系統和邏輯學等，
目前， 該視頻課程已在 PaddlePaddle 訓練營上線推出。 除此之外， 深度學習教育聯盟其他合作夥伴也在陸續製作深度學習入門與實踐、PaddlePaddle 實戰、PaddlePaddle 應用場景、AI 趣味課堂等五大部分上百小時的視頻課程， 且所有內容均免費向開發者開放， 充分滿足開發者全方位的學習需求。
作為百度自主研發的深度學習平臺， PaddlePaddle 的易學易用和靈活高效極大地降低了開發者的研發門檻。 如今， PaddlePaddle 已開放近20種工業級模型， 包括點擊率預估、語音辨識、文本分類、圖像分類等， 不僅滿足了大批協力廠商開發者的個性化需求， 也加速了協力廠商 AI 產品的落地。
PaddlePaddle 還被業界譽為最符合中國開發者需要的深度學習開源平臺，
為了幫助開發者打造一條深度學習快速進階之路， 百度還線上下全新開設了“深度學習公開課”， 從 PaddlePaddle 開發基礎與功能、深度學習工程師的職業規劃以及 PaddlePaddle 應用解析等方面， 為開發者全面介紹深度學習技術與 PaddlePaddle 的最新進展。
百度希望 PaddlePaddle 能幫助更多不同領域的合作夥伴， 加速AI產品的落地， 也希望以此擴大PaddlePaddle 的“朋友圈”， 將它打造成推動中國各行業實現 AI 轉型的重要力量。
感興趣的開發者可登陸訓練營網站http://ai.baidu.com/paddlepaddle/ PaddlePaddle， 學習更多與深度學習相關的乾貨內容！
附：課程目錄
一、邁入現代人工智慧的大門
Modern AI 你知多少
Modern AI 骨架脈絡
深度學習簡介
關鍵突破——多層感知機網路模型
深度學習的基礎演算法——反向傳播演算法簡介
PaddlePaddle 框架簡介和幾個案例
二、讓機器能“看”的現代技術
電腦視覺小普及
電腦視覺深入認知
源自視覺神經原理的卷積網路簡介
卷積網路深入理解
AlexNet 深度學習關鍵突破
VGG 網路更深的架構嘗試
ResNet 深度學習模型的深度究竟能有多深
PaddlePaddle 加持下的卷積網路實現
三、迴圈網路原理、模型及應用 (語音辨識， 自然語言處理）
課程導引
序列場景分析
初識迴圈神經網路
突破障礙的 LSTM
新式的簡化變體 GRU 網路
神經圖靈機整體結構
神經圖靈機——定址
神經圖靈機——控制器
PaddlePaddle 實現 LSTM 和 GRU
四、CNN 和 RNN 應用
文本資料究竟能夠幹什麼——典型場景分析
文本分類的神器——卷積神經網路
情感分析的強大武器——迴圈神經網路
機器也可寫寫詩——中文詩歌生成網路初探
PaddlePaddle 實現
五、神經自然語言處理
自然語言理解概述
神經語言模型
語義模型——深度結構化語義模型
序列標注——命名實體識別
PaddlePaddle 實現
六、搜索排序應用
排序學習簡介
排序學習不同類別和 Pointwise 方法
Pairwise 方法和 Listwise 方法
Pairwise 方法的神經網路模型 RankNet
Listwise 方法的神經網路模型 LambdaRank
PaddlePaddle 實現 RankNet 和LambdaRank
七、強化學習
強化學習導引
基於值的強化學習方法
基於策略的強化學習方法
基於模型的強化學習方法
強化學習實驗環境
八、可解釋的模型及應用
可解釋的模型簡介
概率圖模型
貝葉斯推斷
貝葉斯深度學習
常用的實踐環境
九、生成式模型的基本概念、方法和應用
生成式模型方法
變分自編碼器
生成式對抗網路
PaddlePaddle 實現 VAE 和 GAN
十、深度強化學習演算法及應用
深度強化學習簡介
DQN 技術
DDPG 技術
AlphaGo 相關技術
實踐環境
十一、多智慧體系統及學習技術
多智慧體系統簡介
多智慧體博弈和協同
多智慧體系統機器學習
多智慧體深度強化學習
多智慧體實驗環境簡介
十二、基於邏輯的深度學習技術
符號學派簡介
歸納邏輯程式設計 ILP
結合深度學習的邏輯方法
常用的邏輯程式設計工具
課程的總結和對未來的展望
情感分析的強大武器——迴圈神經網路
機器也可寫寫詩——中文詩歌生成網路初探
PaddlePaddle 實現
五、神經自然語言處理
自然語言理解概述
神經語言模型
語義模型——深度結構化語義模型
序列標注——命名實體識別
PaddlePaddle 實現
六、搜索排序應用
排序學習簡介
排序學習不同類別和 Pointwise 方法
Pairwise 方法和 Listwise 方法
Pairwise 方法的神經網路模型 RankNet
Listwise 方法的神經網路模型 LambdaRank
PaddlePaddle 實現 RankNet 和LambdaRank
七、強化學習
強化學習導引
基於值的強化學習方法
基於策略的強化學習方法
基於模型的強化學習方法
強化學習實驗環境
八、可解釋的模型及應用
可解釋的模型簡介
概率圖模型
貝葉斯推斷
貝葉斯深度學習
常用的實踐環境
九、生成式模型的基本概念、方法和應用
生成式模型方法
變分自編碼器
生成式對抗網路
PaddlePaddle 實現 VAE 和 GAN
十、深度強化學習演算法及應用
深度強化學習簡介
DQN 技術
DDPG 技術
AlphaGo 相關技術
實踐環境
十一、多智慧體系統及學習技術
多智慧體系統簡介
多智慧體博弈和協同
多智慧體系統機器學習
多智慧體深度強化學習
多智慧體實驗環境簡介
十二、基於邏輯的深度學習技術
符號學派簡介
歸納邏輯程式設計 ILP
結合深度學習的邏輯方法
常用的邏輯程式設計工具
課程的總結和對未來的展望