某公的AI深度学习课程是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术，主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工程师 AI研发工程师、AI架构师等，课程是与中科院合作的，整个行业发展前景还是不错的。

课程介绍伴随人工智能时代的到来，越来越多的人开始关注深度学习，且希望能够入行深度学习，其中不乏一些行业小白、非计算机专业的人士。本达人课，共计11篇文章，涵盖了入行深度学习所涉及到的大多数疑问，以及行业介绍、前景展望和实战Demo，作者希望通过最朴实、通俗的语言，从一个入门者的角度，分享自己曾经遇到的那些坑和学习经验，帮助那些希望转行、找不到方向的朋友走进深度学习的世界。本课程共包含三大部分：第一部分（第1篇）带您初步认识深度学习，了解行业背景、优势、前景以及入行深度学习需要的一些准备工作，为那些准备入行的人答疑、解惑。第二部分（第2-7篇）带您具体了解深度学习技术在不同行业的应用，并分享学习深度学习的经验，帮助大家找到研究方向。第三部分（第8-11篇）熟悉深度学习的两种框架Caffe和TensorFlow，通过简单的Demo引导大家开始深度学习实战。作者介绍王学宽，曾就职于海康威视研究院担任计算机视觉方向算法工程师，发表多篇学术论文、申请多项国家专利，参与多项图像、自然语言项目相关课题研发工作，在计算机视觉领域具有深厚的专业知识和工程开发经验。运营有公众号：白话机器学习（微信号：simpleml90hou），开设有知乎专栏：《深度学习干货铺》。课程内容第01课：深度学习行业概述目前，“深度学习”这一词已经变得越来越普及，生活中也是到处都充斥着这一词汇，同时也有越来越多的人开始想要从事这一行的相关工作，尝试着接触、了解这一行业。当然，关于这一行业的相关介绍很多，也很杂乱，初学者往往很容易被各种各样的概念搞得很迷惑，即便是计算机从业者有时候也分不清很多涉及到深度学习的很多问题和概念。因此，本文希望通过一些通俗的语言来系统的介绍下关于深度学习行业的一些相关知识，引导一些初学者，建立一个相对比较完整的全局观，明白自己到底在学什么，以及学习这些知识，能够对社会的发展和人们的生活带来哪些便利。更实际一点来讲，对于一个深度学习算法工程师，在以后就业会主要从事哪些工作？这里我们先了解下深度学习的发展历程。对于深度学习的框架，可以最早追溯到1980年福岛邦彦提出的新认知机，然而，受限于当时的计算能力，而且缺少有效的训练手段来解决其中涉及到的梯度消失的问题，因此，这一技术也就在20世纪90年代到21世纪初的时候遇到了寒冬期。而在此期间，SVM（支持向量机）处于统治地位，此外，还有随机森林、稀疏表示、判别分析等方法。这个阶段的机器学习方法，主要是多种方法的集成，虽然在小规模样本上具有较好的性能，但是对于大规模样本却并没有表现出太好的优势。然而，大数据时代的到来，这些传统的机器学习方法难以满足数据处理、表达的新时代需求，不管是工业届还是学术届，都需要一种处理大规模数据的机器学习方法。恰恰在这个时候，杰弗里·辛顿（GeoffreyHinton）和鲁斯兰·萨拉赫丁诺夫（RuslanSalakhutdinov）提出了一种在前馈神经网络中进行有效训练的算法，为深度学习方法带来了新的研究曙光，并在各个领域得到迅速的发展，尤其是在自然语言处理、计算机视觉和语音识别中，成为各种领先系统的一部分。接下来，我们看下深度学习发展中的大事件。2007年，杰弗里·辛顿（GeoffreyHinton）和鲁斯兰·萨拉赫丁诺夫（RuslanSalakhutdinov）提出了一种在前馈神经网络中进行有效训练的算法；2009年，在ICDAR2009举办的连笔手写识别竞赛中，在没有任何先验知识的情况下，深度多维长短期记忆神经网络取得了其中三场比赛的胜利；2010年，在于尔根·施密德胡伯位于瑞士人工智能实验室IDSIA的研究组中，丹·奇雷尚（DanCiresan）和他的同事展示了利用GPU直接执行反向传播算法而忽视梯度消失问题的存在。这一方法在燕乐存等人给出的手写识别MNIST数据集上战胜了已有的其他方法；2011年，前馈神经网络深度学习中最新的方法是交替使用卷积层（ConvolutionalLayers）和最大值池化层（Max-poolingLayers）并加入单纯的分类层作为顶端。训练过程也无需引入无监督的预训练。从2011年起，这一方法的GPU实现多次赢得了各类模式识别竞赛的胜利，包括IJCNN2011交通标志识别竞赛和其他比赛；2011年，语音识别领域凭借深度学习取得重大突破；2012年，AlexNet，一个8层的神经网络，以超越第二名10个百分点的成绩在ImageNet竞赛中夺冠（图像分类的Top5错误率为16.4%），深度学习终迎来包括学术探索与工业应用中的热潮。不断提升的层数逐步提升计算机分类视觉的准确率；2013年，Zfnet，获得ILSVRC冠军；2014年，VGGNet、GoogleNet、DeepFace、RCNN，在分类、人脸识别、目标检测等领域取得优异的性能；2015年，夺冠的ResNet深达152层，以3.57%的错误率超越人类视觉的5.1%；2016年-至今，Fast-Rcnn、Faster-Rcnn、Yolo、SSD等目标检测算法突破。2016年，AlphaGo击败人类。目前，深度学习技术已经在图像、语音、自然语言、推荐算法等这些常见的领域中，得到重大突破，并且已经服务于我们的日常生产、生活中。比如：安防领域的人脸识别、ADAS系统中目标检测与跟踪、OCR识别、语音识别与合成、文本情感分析、主题挖掘等等。谈了这么多深度学习的历程，那到底什么是深度学习呢？其实，关于深度学习的解释非常多，总结来说，它是一种具有多层结构的神经网络算法，属于机器学习算法一种，而机器学习则是实现AI的一种技术手段。换言之，深度学习对于人工智能技术的发展具有重大意义。我们看一下，如下图所示的深度学习结构：一个完整的度网络，主要包括了输入层、输出层和中间的隐层，每一层网络由一个个节点组成，而不同层之间则通过节点和节点之间的线连接起来，而这些点和连接就表达为线性组合关系。当然，目前深度学习网路结构的多样性，也存在很多类似的非线性组合的网络层。深度学习就是通过这些节点和节点之间的关系来表达客观世界中的事物、逻辑关系等等。关于深度学习的概念，已经足够火热，当然我们在认识它的时候，依然需要保持冷静的头脑，必须认识到：深度学习并不是万能的，尤其对于工程上的实际分析，有时候，单纯的使用深度学习的方案并不能有效的解决问题，对于一个实际的项目而言，往往需要考虑到各个方面的问题，一个好的项目，一定是一个无比细致工作的体现。深度学习不会取代所有其他机器学习算法和数据科学技术，至少还没有被证明是这样。深度学习能够解决的任务目前主要集中在分类、识别、检测、回归等这些可定义的、比较明确的任务上，并没有扩大到非常复杂的问题，例如“解决世界和平”。深度学习与大数据的关系“大数据”在几年前刚出现的时候，也存在各种各样的文章来定义大数据，我也不打算在这个概念上花太多的精力。简单来讲，大数据通常被定义为“超出常用软件工具捕获，管理和处理能力”的数据集。它不是具体的方法，甚至不算具体的研究学科，而只是对某一类问题，或需处理的数据的描述。通常，大数据的“大”主要体现在Volume（数据量）,Velocity（数据速度）还有variety（数据类别）。大数据问题（Big-dataProblem）可以指那种在这三个“V”上因为大而带来的挑战。在之前我们也提到了，传统的机器学习方法的表达能力有限，在小规模数据上能够表现较好的性能，但是在大数据背景下则显得很无力。而深度学习则不同，通过增加节点数目、网络深度等，它能够表达更多的数据，针对大数据的背景，它的数据拟合能力远远优于传统的机器学习方法。从这个角度上来看，二者的关系则是相辅相成的，没有大数据的存在，深度学习的方法也很难得到有效的训练和优化，而没有深度学习方法，大数据本身也就没有了价值。深度学习与人工智能的关系1956年，在达特茅斯会议（DartmouthConferences）上，计算机科学家首次提出了“AI”术语，AI由此诞生，在随后的日子里，AI成为实验室的“幻想对象”。几十年过去了，人们对AI的看法不断改变，有时会认为AI是预兆，是未来人类文明的关键，有时认为它只是技术垃圾，只是一个轻率的概念，野心过大，注定要失败。直到今天，深度学习技术的发展，才使得AI变得越来越可能。其实，对于大多数人工智能从业者而言，很难去对其进行一个精确的定义。如果非要对其进行定义的话，我觉得这个概念更加合适“它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能体，它必然会经历从模仿人类智能到超越人类智能的过程。”而深度学习则是机器学习的一种，它属于实现人工智能的一种技术手段。今天，越来越多的人经常会提到“我想学习人工智能”，其实这是一个非常大的概念。从数据存在的形态来看，主要包括了文本、语音、数字图像，而人工智能需要智能体对这些客观世界存在信息进行理解、表达，并学会利用这些信息进行决策、分析。这些行为的实现，单纯的依靠数据是无法实现的，需要一个框架来完成存储、表达、理解、分析、决策的过程，而深度学习则是这些任务实现的一种关键技术，它能够有效的完整对大数据的刻画和理解，特征抽取与表达，对人工智能的发展起到了核心关键作用。深度学习行业现状深度学习作为一种技术，在行业中的体现，依然要依托于智能化的产品和相应的人工智能企业。根据2016年乌镇智库推出《全球人工智能发展报告产业篇》，该报告详实的描绘出全球人工智能发展的最新趋势，展示出各国在人工智能领域的竞争态势。报告指出，在2000-2016年，美国累积新增人工智能企业3033家，占全球累积总数的37.41%。中国在同年段间，人工智能企业数累积增长1477家，占全球人工智能总数的12.91%。虽然在数量上不及美国，但三组数据值得关注：美国每年新增人工智能企业数占当年全球新增人工智能企业总数的比例一直在下降，2000年时这一比例为45%，2016年时下降至26%。而中国每年新增人工智能企业数占全球当年新增企业总数的比例保持上升趋势，2015年达到近17年来的最高值，超过25%。近五年来看，美国新增人工智能企业数占全国人工智能总数的59.38%，中国新增人工智能企业数占全国人工智能总数则为72.71%。在人工智能专利数上，最近五年，中国专利数平均每年增速为43%，美国增数为21.7%。透过这三组数据，可以看到中国近年来在人工智能上发展迅猛。下图，给出了2017年，人工智能公司的排名，当然，此排名可能存在一些不准确的情况，仅供参考。从这些人工智能公司来看，目前深度学习的应用领域十分广泛，涉及到了安防领域、搜索引擎、智能推荐、语音识别、自然语言处理、人机交互、智慧医疗、生物信息识别、机器人、3D视觉、智慧教育、智能图像理解与分析等等。另外，从政策的角度来看，2016年7月，在国务院印发的《“十三五”国家科技创新规划》中，人工智能被作为新一代信息技术中的一项列入规划。2017年3月，“人工智能”首度被列入政府工作报告。2017年，国务院又下发了《新一代人工智能发展规划的通知》，通知中写道，“到2020年人工智能总体技术和应用与世界先进水平同步，到2025年人工智能基础理论实现重大突破，到2030年人工智能理论、技术与应用总体达到世界领先水平”。可以预计，中国的人工智能产业将迎来“大跃进”的时代。综上，智能社会的到来，必须依赖于人工智能技术的发展，而深度学习则是目前能够实现人工智能的最有效的手段之一，甚至在很多领