近日,百度上线PaddlePaddle公开课,以提供丰富的深度学习课程资源,在线帮助开发者从零开始掌握PaddlePaddle深度学习框架。这也是业内第一套由深度学习教育联盟合作伙伴制作完成,包含理论和实战的PaddlePaddle深度学习中文视频课程。

深度学习教育联盟由百度牵头成立,旨在全方位支持深度学习人才培养。深度学习教育联盟将为开发者提供包括内容、渠道、平台、科研、赛事、资金等多方面支持,帮助感兴趣的开发者快速转型为合格的深度学习工程师。有意向成为深度学习教育联盟的合作伙伴可以在线申请加入百度AI开放平台生态伙伴计划。

据了解,首期深度学习视频课程是由深度学习教育联盟合作伙伴University AI制作完成,并率先推出包含原理、算法和实战等干货内容。University AI以百度PaddlePaddle深度学习框架为基础,针对普通工程师向算法工程师转型,全方位打造从入门到进阶的人工智能课程。

University AI作为中国最早的深度学习以及深度强化学习课程和知识的“传道者”,在PaddlePaddle公开课中创造了具备完整人工智能视野的“全方位人工智能课程”。同时,课程包含了大量从未在人工智能教育产品中露面的技术领域,包括生成式对抗网络、深度强化学习、深度多agent系统和逻辑学等,这也是国内人工智能领域首次出现如此深度的教育产品。

目前,该视频课程已在PaddlePaddle训练营上线推出。除此之外,深度学习教育联盟其他合作伙伴也在陆续制作深度学习入门与实践、PaddlePaddle实战、PaddlePaddle应用场景、AI趣味课堂等五大部分上百小时的视频课程,且所有内容均免费向开发者开放,充分满足开发者全方位的学习需求。

作为百度自主研发的深度学习平台,PaddlePaddle的易学易用和灵活高效极大地降低了开发者的研发门槛。如今,PaddlePaddle已开放近20种工业级模型,包括点击率预估、语音识别、文本分类、图像分类等,不仅满足了大批第三方开发者的个性化需求,也加速了第三方AI产品的落地。PaddlePaddle还被业界誉为最符合中国开发者需要的深度学习开源平台,目前已成为全球开发热度(用Github pull request数量衡量)增速最高的深度学习开源平台。

为了帮助开发者打造了一条深度学习快速进阶之路,百度还在线下全新开设了“深度学习公开课”,从PaddlePaddle开发基础与功能、深度学习工程师的职业规划以及PaddlePaddle应用解析等方面,为开发者全面介绍深度学习技术与PaddlePaddle的最新进展。百度希望PaddlePaddle能帮助更多不同领域的合作伙伴,加速AI产品的落地,也希望以此扩大PaddlePaddle的“朋友圈”,将它打造成推动中国各行业实现AI转型的重要力量。

感兴趣的开发者可登陆PaddlePaddle训练营,学习更多与深度学习相关的干货内容!

附:课程目录

一、迈入现代人工智能的大门

Modern AI你知多少

Modern AI骨架脉络

深度学习简介

关键突破——多层感知机网络模型

深度学习的基础算法——反向传播算法简介

PaddlePaddle框架简介和几个案例

二、让机器能“看”的现代技术

计算机视觉小普及

计算机视觉深入认知

源自视觉神经原理的卷积网络简介

卷积网络深入理解

AlexNet 深度学习关键突破

VGG网络 更深的架构尝试

ResNet 深度学习模型的深度究竟能有多深

PaddlePaddle 加持下的卷积网络实现

三、循环网络原理、模型及应用 (语音识别,自然语言处理)

课程导引

序列场景分析

初识循环神经网络

突破障碍的LSTM

新式的简化变体GRU网络

神经图灵机整体结构

神经图灵机——寻址

神经图灵机——控制器

PaddlePaddle实现LSTM和GRU

四、CNN和RNN应用

文本数据究竟能够干什么——典型场景分析

文本分类的神器——卷积神经网络

情感分析的强大武器——循环神经网络

机器也可写写诗——中文诗歌生成网络初探

PaddlePaddle 实现

五、神经自然语言处理

自然语言理解概述

神经语言模型

语义模型——深度结构化语义模型

序列标注——命名实体识别

PaddlePaddle实现

六、搜索排序应用

排序学习简介

排序学习不同类别和Pointwise方法

Pairwise方法和Listwise方法

Pairwise 方法的神经网络模型 RankNet

Listwise 方法的神经网络模型 LambdaRank

PaddlePaddle 实现 RankNet 和 LambdaRank

七、强化学习

强化学习导引

基于值的强化学习方法

基于策略的强化学习方法

基于模型的强化学习方法

强化学习实验环境

八、可解释的模型及应用

可解释的模型简介

概率图模型

贝叶斯推断

贝叶斯深度学习

常用的实践环境

九、生成式模型的基本概念、方法和应用

生成式模型方法

变分自编码器

生成式对抗网络

PaddlePaddle 实现 VAE 和 GAN

十、深度强化学习算法及应用

深度强化学习简介

DQN技术

DDPG技术

AlphaGo相关技术

实践环境

十一、多智能体系统及学习技术

多智能体系统简介

多智能体博弈和协同

多智能体系统机器学习

多智能体深度强化学习

多智能体实验环境简介

十二、基于逻辑的深度学习技术

符号学派简介

归纳逻辑编程 ILP

结合深度学习的逻辑方法

常用的逻辑编程工具

课程的总结和对未来的展望