这门课解决什么工作场景
这份集训资料聚焦深度学习在真实业务里的落地，不是纸上谈兵讲推导。它覆盖三个高频场景：用结构化数据做预测、用图像做分类与检索、用文本做语义匹配。具体到工作里，对应的是业务指标预测、图像识别与检索系统搭建、文本相似度计算这类实际任务。资料里从数据预处理、特征工程到模型搭建都串了一遍，核心是让你能把深度学习模型真正跑通，而不是只停留在概念层面。
适合什么基础与建议学习顺序
这套内容默认你已经有一点 Python 基础，写过简单脚本，但对 TensorFlow 和神经网络还停留在听过名字的阶段。建议先从第一阶段的数据处理和特征工程入手，因为很多人卡住不是在模型本身，而是在数据清洗和特征构造。看完这块再进入第二阶段的卷积网络，结合图像分类实战理解参数调整。第三阶段的自然语言处理部分，先把词向量和语言模型的概念理清，再看 CNN 与 LSTM 在文本分类里的具体用法。高级应用场景和底层机制放在最后，等前面跑通过几个模型再回头看，理解会扎实很多。
学完能独立做什么与资料配合练习
学完之后，你应该能独立完成几个任务：用 TensorFlow 搭建混合网络解决结构化数据的回归预测问题；用卷积网络处理图像数据并实现基础的分类与检索功能；对文本数据进行预处理并构建语义相似度匹配模型。资料里有在线直播讲原理，也有线下实战讲操作，建议配合方式是先过一遍直播内容理解思路，然后直接上手实战部分，遇到跑不通的地方再回去查对应原理讲解。整个学习过程重点放在自己动手调参和改数据上，不要只看不动手，模型细节只有自己踩过坑才能记住。
第一阶段 从数据科学比赛里看深度学习应用第二阶段 深度学习在计算机视觉中的应用第三阶段 深度学习在自然语言处理中的应用第四阶段 高级深度学习应用场景第五阶段 深
课程目录
* 第一阶段 从数据科学比赛里看深度学习应用/
* 在线直播：业务场景下机器学习/深度学习数据处理与特征工程
* 在线直播：tensorflow搭建混合网络
* 线下实战：从DNN/Wide/Wide&Deep解决房价预测问题
* 第二阶段 深度学习在计算机视觉中的应用/
* 在线直播：深度卷积神经网络原理与实践
* 在线直播：海量图像与tensorflow处理
* 线下实战：图像分类与图像检索实战
* 第三阶段 深度学习在自然语言处理中的应用/
* 在线直播：文本预处理，词袋模型，word2vec，语言模型
* 在线直播：CNN/LSTM 文本分类
* 线下实战：文本语义相似度匹配模型以及Seq2Seq模型构建
* 线下实战：图像生成文本(Image2text)
* 第四阶段 高级深度学习应用场景/
* 在线直播：当下最好的语言模型BERT介绍
* 在线实训：实战BERT模型与fine tuning
* 在线直播：生成模型之生成式对抗网络（GAN）
* 在线实训：Step by Step实现DCGAN
* 上午线下：基于深度学习的聊天机器人，看图说话与VQA
* 下午线下：大规模车辆图片搜索（Re-ID）算法原理及实践
* 第五阶段 深度学习模型优化及实践技巧/
* 在线直播：NLP方向专项项目
* 在线直播：CV方向专项项目
* 上午线下：NLP与CV数据科学比赛案例详解与实践
* 下午线下：深度学习模型优化前瞻技术 以及实践技巧
