PaddlePaddle是百度以多年的深度学习技术研究和业务应用为基础，研发出的集深度学习核心训练和推理框架、基础模型库、端到端开发套件和丰富的工具组件于一体的开源开放的产业级深度学习平台。 本章节将对PaddlePaddle的基本概念、使用教程、核心模块进行介绍，并且讲解了使用PaddlePaddle如何建立线性回归和KNN的模型
近年来人工智能、机器学习和深度学习的概念十分流行，但很多从业者却很难说清它们之间的定义和关系，新手更是雾里看花。因此在研究深度学习之前，我们先从三个概念的正本清源开始。 本章节将对这三个概念的定义、历史和关系进行介绍。深度学习离不开模型，本章节将以波士顿房价预测问题为例讲解建模的过程。
梯度下降法是一个最优化算法，它是求解无约束优化问题最简单和最古老的方法之一，虽然现在已经不具有实用性，但是许多的优秀算法都是以它为基础进行改进而得到的。 本章节我们将进一步学习建模的方式，以最简单、最经典的梯度下降算法为例，介绍了算法原理、模型训练过程以及代码实现。
通过前几个章节的学习，我们以及了解了飞桨（PaddlePaddle）的使用方式以及房价预测模型的建立。 本章节将介绍飞桨的开源深度学习平台，比较飞桨在深度学习方面的优势，并使用飞桨对房价预测模型进行重写，最后介绍了经典Python库——numpy，为后续的学习打基础。
上一章我们详细介绍了数值数据的深度学习模型建立过程，这一章我们将对图像数据的深度学习模型建立过程进行介绍。手写数字识别是一个经典的图像分类问题，被广泛应用于单号识别、邮政编码识别等领域，大大提升了工作效率和质量。 本章节使用飞桨平台对手写数字数据集的处理、读取和拆分进行了介绍。
前面我们讲述了图像数据的处理，本节我们将讲述图像数据集分类模型算法的建立过程。 本章节将使用经典的多层全连接神经网络和卷积神经网络来解决手写数字识别问题。并探讨损失函数的优化对模型训练效果的影响、使得损失达到最小的参数取值的实现方法。
前面我们对手写数字识别问题模型的建立和优化进行了介绍，本节我们将对模型训练过程中可能出现的问题以及解决办法进行介绍。 本章节将介绍通过资源配置的优化来提升模型训练效率的方法、在模型训练时对模型进行一些调试和优化的方法、动态图与静态图之间转化的方法。
计算机视觉是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。 本章节将对计算机视觉中最经典的卷积神经网络进行介绍。
本节进一步介绍了卷积神经网络的激活函数、批归一化以及丢弃法，同时针对所学知识布置相应作业，并对其答案进行讲解。
图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。 本章节将介绍图像分类，并以眼疾识别数据集为例进行详细介绍。
目标检测是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。 本章节将对目标检测的边界框和锚框、图像增广的过程进行详细介绍。
通过上一章节的介绍，我们对目标检测的基本概念有了一定的了解，本章节我们将继续对目标检测的生产锚框、生产候选区域、特征提取、关联、建立损失函数等过程进行详细介绍。
通过前面的学习我们对目标检测过程有了一定的了解，本章节我们将学习使用YOLOv3算法对目标检测的过程进行实现。并以AI识虫比赛这个计算机视觉在产业应用的案例进行详细介绍。
语言模型可以说是现代 NLP 核心之一，无处不在。语言模型就是计算一句话的概率，这个概率值表示这个本文有多大概率是一段正常的文本。本章节讲述了自然语言处理的简介、发展史及技术前景，方便大家了解自然语言处理。
词向量又叫Word嵌入式自然语言处理（NLP）中的一组语言建模和特征学习技术的统称，其中来自词汇表的单词或短语被映射到实数的向量。 从概念上讲，它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。本章节讲述了词向量基础概念及词向量算法-CBOW和Skip-gram，并通过具体的作业案例使大家更深入理解词向量。
情感分析，也叫观点挖掘，是自然语言处理领域研究的主要问题之一。它主要研究人们针对实体（包括产品、服务、组织、机构、事件、话题等）表达出来的主观观点、情感、评价、态度和情绪。本章节主要基于文本情感倾向性分析和基于THUCNews数据集的文本类比赛两个项目讲解。
推荐系统首先收集用户的历史行为数据,然后通过预处理的方法得到用户-评价矩阵，再利用机器学习领域中相关推荐技术形成对用户的个性化推荐。本章节讲解什么是推荐系统及推荐系统的基本概念、建模分析、具体案例的数据分析。
实时计算与离线计算应用于推荐系统上最大的不同在于实时计算推荐结果应该反映最近一段时间用户近期的偏好，而离线计算推荐结果则是根据用户从第一次评分起的所有评分记录来计算用户总体的偏好。本章节讲解以电影推荐案例讲解实时推荐系统。
在前面章节中，我们首先学习了神经网络模型的基本知识和使用飞桨编写深度学习模型的方法，再学习了计算机视觉、自然语言处理和推荐系统的模型实现方法。深度学习的高级内容包括模型资源、设计思想与二次开发、工业部署、飞桨全流程研发工具、行业应用与项目案例，本章节讲述基础预备知识，帮助大家初步地了解深度学习。
如今深度学习应用已经在诸多领域落地，研发人员建模的首选方案往往不是自己编写，而是使用现成的模型，或者在现成的模型上优化。这一方面会极大地减少研发人员的工作量，另一方面现成的模型一般在精度和性能上经过精进打磨，效果更好。本章节主要讲解去哪里找现成的模型资源。
当我们挑战一些最新的模型时，少数情况下会碰到模型需要的算子飞桨没有实现的情况。本章节会告诉大家为飞桨框架增加自定义算子的方法，并通过讲述动态图和静态图的实现原理，让大家对飞桨框架的设计思路有一个更深入的认知。
与模型的科研和教学不同，工业应用中的模型是需要部署在非常丰富的硬件环境上的，比如将模型嵌入用C++语言写的业务系统，将模型作为单独的Web服务，或将模型放到摄像头上等等。本章节会介绍Paddle Inference、Paddle Serving和Paddle Lite来满足上面这些需求场景，并介绍模型压缩工具Paddle Slim，可以让模型在有限条件的硬件上以更快的速度运行。
飞桨为大家提供了这么多的模型资源和工具组件，如何串联这些组件，并研发一个适合读者所在行业的可视化建模工具？ 本章节会以一个官方出品的Demo为案例，向大家展示PaddleX可以为用户提供的全流程服务，同时本章以能源行业为例，分析一家典型的电力企业在业务中可以用人工智能优化的环节，并展示基于飞桨建模的真实项目。
人工智能和深度学习是实践科学，如果这些武器不实际动手操练，是无法在战场上运用自如的。所以，本章节精心选配了6个作业比赛，可以让大家在有趣的案例实践中，真正掌握这些武器，与最顶级的深度学习专家一拼高下是前面章节内容的巩固及深入理解，更好的锻炼自己知识的运用。
本章节讲解了深度学习常用数学知识，AI Studio的基本操作，Python基础等一些基本知识点，方便大家打好基础。
