旷视研究院联合北京大学数学科学学院机器学习实验室开设的《深度学习实践》全套课程（视频+PPT，共计28课时）已在B站首发，正式全面上线，让你足不出户也能享有高水平的教学资源。
“与其疫情宅家玩游戏，不如家里蹲大学把课上。”疫情期间，我们每日听到的最多的信息之一可能就是号召大家在线坚持学习。不过，在左有“名师授课”、右有“速成深度学习”，多重信息的围攻之下，大部分人最终还是选择了那条无数“英雄”选择的道路——“收藏+下次一定”，重回电子虚拟世界，麻痹自己，蹉跎人生。
怎么办？旷视研究院为你支招！
近日，旷视研究院联合北京大学数学科学学院机器学习实验室开设的《深度学习实践》全套课程（视频+PPT，共计28课时）全面向社会免费开放！从深度学习基础理论到计算机视觉实践，由旷视首席科学家兼研究院长孙剑，及身经百战的研发总监、资深研究员亲身授课，真正将高水平深度学习课程带给大家。知识全面、循循善诱、透彻又不枯燥是本课程最大的特点。
《深度学习实践》是旷视研究院联合顶尖高校开设的系列深度学习精品课程之一。作为旷视的研发中心，旷视研究院一直基于自研的人工智能算法平台Brain++和深度学习框架MegEngine开展最前沿学术、产业技术研究、交流，累计收获27项世界冠军；并实现在个人物联网、城市物联网、供应链物联网三大领域的应用落地。值得一提的是，旷视后续将对Brain++及其核心框架、平台进行开源、开放，强大的算力、SOTA模型、框架资源任你用，敬请期待~
此次课程录制于2017年秋季旷视研究院在北京大学授课期间，已连续开设3年，后续将开放更多精彩课程供同学们学习、研究。
课程大纲
- Lecture 1: Introduction to Computer Vision and Deep Learning
- Lecture 2: Math In Deep Learning
- Lecture 3: Neural Network Basics & Architecture Design
- Lecture 4: Introduction to Computation Technologies in Deep Learning
- Lecture 5: Neural Network Approximation
- Lecture 6: Modern Object Detection
- Lecture 7: Scene Text Detection and Recognition
- Lecture 8: Image Segmentation
- Lecture 9: Recurrent Neural Networks
- Lecture 10: Introduction to Generative Models (and GANs)
- Lecture 11: Person Re-Identification
- Lecture 12: Shape from X
- Lecture 13: Visual Object Tracking
- Lecture 14: Neural Network in Computer Graphics
课程传送门：
【公开课】旷视x北大《深度学习实践》（28课时全）_哔哩哔哩 (゜-゜)つロ 干杯~-bilibiliwww.bilibili.com
PPT：进入“旷视研究院”微信公众号后台，回复关键词“深度学习实践PPT”即可获取下载链接。
线上交流群：
关注 ↑ 旷视研究院小助手加入线上交流群 最后讲个真实的故事。
1665年，牛顿在剑桥三一学院就读期间，伦敦发生大瘟疫，造成数万人死亡。牛顿回家自我隔离，亲戚也不走，聚会也不去。
但正是这段清浄的时间，让他有机会思考数学、光学、力学的问题，硕果累累，成功创立了二项式定理和光的分解，确立了牛顿第一、第二定律和引力定律的基本思想……
恩？仿佛听到有人在谈论我？祝大家身体健康，少出门、多运动，提高免疫力的同时也不要忘了加倍努力学习思考哦~
#投 稿 通 道#
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？ 答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
📝 来稿标准：
• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志
📬 投稿方式：
• 方法一：在PaperWeekly知乎专栏页面点击“投稿”，即可递交文章
• 方法二：发送邮件至：hr@paperweekly.site ，所有文章配图，请单独在附件中发送
• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
加入社区：http://paperweek.ly
微信公众号：PaperWeekly
新浪微博：@PaperWeekly
