深度學習有多熱門根本不需多說， 但是對於程式師群體， 如果對深度學習的理解還停留在阿爾法狗戰勝人類圍棋高手， 酷炫無人機無人駕駛這些振奮人心的新聞， 或者是理解一堆深奧的數學公式和數學論證上， 你可能離真正的深度學習有點遠。
深度學習不僅僅是一個人人熱捧的“高大上“的概念， 每天擼代碼的程式師其實是離他最近的一群人；如何將機器學習、即時資料處理、伺服器和用戶端開發有機結合在一起， 而不是片面地瞭解其中一個部分， 通過深度學習拓寬視野並將理論快速落地到實際工作中的研發，
好劍拿來舞， 不是束之高閣僅供瞻仰。 國內其實已經有企業開始真正應用深度學習技術用在業務發展中；比如美團點評這兩年在深度學習方面進行了一些探索。
摘選舉例 1：深度學習用來做跟美團業務特點相關的語義匹配。 比如說使用者狀態， 一個在北京和另一個在武漢的用戶， 在百度或淘寶上搜索任何一個詞條， 得到的結果不會差太多；但是在美團這樣與地理位置強相關的場景下就會完全不一樣。 比如在武漢搜“黃鶴樓”， 用戶找的可能是景點門票， 而在北京搜索“黃鶴樓”， 用戶找的很可能是一家飯店。 這樣就需要結合語言層資訊和使用者意圖、狀態來做語義匹配；
摘選舉例 2：在美團點評上 App 上的廣告首圖宣傳時， 如果傳統的圖像品質排序方法主要從美學角度進行品質評價， 通過顏色統計、主體分佈、構圖等來分析圖片的美感。 但在實際業務場景中， 使用者對圖片品質優劣的判斷主觀性很強， 難以形成統一的評價標準。 如何選擇首圖才能更好地吸引用戶呢？圖像品質排序演算法目標就是做到自動選擇更優質的首圖， 以吸引用戶點擊。
如何將深度學習真正應用到開發和具體業務， 需要扎實， 深入， 系統地學習深度學習的應用；StuQ 推出 60 課時（長達 40 小時）《深度神經網路實戰——從 0 到 1 構建深度學習、海量資料即時分析系統》大課， 在 3－4 個月學習週期內集中系統學習深度學習的思想方法和編碼應用；20 小時講方法，
課程簡介
開班時間：2017 年 7 月 1 日
上課週期：10 周共 60 課時（1 課時 =40 分鐘）
上課時間：暫定每週二 & 週六 20:30-22:30
學習形式：直播視頻講解 + QQ 學員群交流答疑
課程大綱
模組 1：深度學習的思想與方法
掌握規律和本質才會事半功倍， 真正的授之以漁！
一、基礎篇（8 小時）
1、機器學習基礎
機器學習簡介
機器學習的主要任務
基本演算法介紹
2、常用軟體集合和環境配置
為什麼選擇用 Python
Python
NumPy
sckit-learn
3、資料分組和關聯分析演算法
通過 Python 實現 K-means 演算法
通過 Python 實現 Apriori 演算法
通過 Python 實現 FP-growth 演算法
4、分類器
決策樹（包含實戰優化方法）
K- 鄰近演算法（KNN）
支援向量機（SVM）
貝葉斯網路
樸素貝葉斯演算法
貝葉斯網路
二、神經網路篇（3 小時）
1、神經網路
神經網路簡介
正向傳播演算法
向量化程式設計
神經網路向量化（有實際寫代碼部分內容）
2、稀疏自編碼器
稀疏自編碼器簡介
反向傳播演算法
自編碼演算法與稀疏性
訓練結果視覺化
實踐
3、資料預處理
主成分分析（PCA）
白化
實踐
4、Softmax 回歸
Softmax 回歸
實踐
5、 自我學習
三、深度學習篇（3 小時）
1、深度網路簡介
簡介
深度網路優勢
訓練的困難
逐層貪婪訓練方法
2、自編碼演算法（AE）
棧式自編碼演算法
微調多層自編碼演算法
3、大型圖片處理
線性解碼器
全聯通與部分聯通網路
卷積（Convolution）
池化（Pooling）
卷積神經網路（CNN）
四、C++ 程式設計篇（6 小時）
1、C++11 與 C++14
基於 Socket 的通信
C++ 中的記憶體與資源管理
編碼
C++ 98 的編碼缺陷
C++ 14 編碼支援（包含實戰）
進程間通信
2、高性能 C++ 伺服器程式設計 基礎 - 高效的記憶體管理和資料調度
羽量級分身——執行緒
C++14 執行緒
競爭問題與解決方案
多執行緒優化
非同步 I/O
記憶體分配與記憶體碎片
tcmalloc
記憶體池
3、高性能 C++ 伺服器程式設計 進階 - 如何充分利用 CPU 和 GPU
OpenMP
OpenBLAS
OpenCL
CUDA
模組 2：深度學習的程式設計實戰模組
20 小時代碼實戰演練， 上手做比聽再多都有用
五、程式設計實戰篇（20 小時）
1、雲端伺服器架構設計
2、通信系統設計
3、通過 Caffe 實現深度神經網路
為什麼是 Caffe？
準備 Caffe 依賴
編譯 Caffe（Linux 和 macOS）
使用 Caffe 訓練手寫數位識別
使用 Caffe 訓練 AutoEncoder
調用 Caffe 使用訓練後的模型
4、通過 Hurricane 即時處理系統實現分散式網路拓撲
實現 Spout：獲取資料
實現 Bolt：預處理
實現 Bolt：調用 Caffe
5、實戰：基於迴圈神經網路的圖片全解析度壓縮
再看 AutoEncoder
利用 AutoEncoder 實現圖像壓縮
RNN（迴圈神經網路）介紹
利用 RNN 優化圖像壓縮
實踐：編寫收集訓練資料的高性能分散式爬蟲
實踐：整理訓練資料集
實踐：在 Caffe 中實現 RNN
實踐：訓練與測試
實踐：壓縮介面設計與封裝
實踐：Web 伺服器搭建
實踐：計算服務搭建
實踐：完成深度學習服務
6、 基於 macOS 開發的雲服務用戶端
送你價值 200元 本課程優惠碼【FCXTG3BGYX】，僅限使用 10 次
瞭解課程詳情請諮詢人工小助手
搶座點 「 閱讀原文 」！
4、通過 Hurricane 即時處理系統實現分散式網路拓撲
實現 Spout：獲取資料
實現 Bolt：預處理
實現 Bolt：調用 Caffe
5、實戰：基於迴圈神經網路的圖片全解析度壓縮
再看 AutoEncoder
利用 AutoEncoder 實現圖像壓縮
RNN（迴圈神經網路）介紹
利用 RNN 優化圖像壓縮
實踐：編寫收集訓練資料的高性能分散式爬蟲
實踐：整理訓練資料集
實踐：在 Caffe 中實現 RNN
實踐：訓練與測試
實踐：壓縮介面設計與封裝
實踐：Web 伺服器搭建
實踐：計算服務搭建
實踐：完成深度學習服務
6、 基於 macOS 開發的雲服務用戶端
送你價值 200元 本課程優惠碼【FCXTG3BGYX】，僅限使用 10 次
瞭解課程詳情請諮詢人工小助手
搶座點 「 閱讀原文 」！