随着数据集数量的增长以及芯片处理能力的显著提高，深度学习为计算机视觉、语音识别、自然语言处理等领域带来了突破性的进展。谷歌已有100+种服务使用了深度学习，翻译功能就是其中一种。
目前，深度学习已成为人工智能领域从业者必修知识，算法工程师的薪资也是极为可观的。
网上的深度学习代码和视频教程数不胜数，但是刚入门的小伙伴大多停留在似懂非懂的阶段。比如：卡在公式的推导，导致模型懂了却没法实现，此时很多人就会开始怀疑人生：深度学习到底该从哪下手才算正确？
其实，比起努力，明确学习路线更为重要。
1、做深度学习，代码和数学是最基础的。无论是做应用还是做研究，必须依靠代码来实现你的idea，否则你的idea是无效的。
2、要学习经典的神经网络模型（CNN、RNN和LSTM等）和主流的深度学习框架（pytorch）。很多初学者一上手就是复杂的深度学习模型和算法，如AlexNet、ResNet。结果还没开始就被劝退......
下面这张图简直就是道出了很多伙伴的心声......
怎样才能拥有扎实的理论基础做后盾？最终实现落地实际应用?
深蓝学院为想要深入深度又苦于摸不清门路的小伙伴们，强烈推荐『深度学习：理论与实践』课程，由中科院博士担任主讲老师，老师将会带领大家从基础的数学模型以及算法实现出发，为学员详细讲解 CNN 、 RNN 、 LSTM 等常见的深度神经网络模型，以及深度学习在图像分类、物体检测、语义分割等经典任务中的应用。不局限于简单的讲解，深蓝学院坚持理论结合实践的教学方式，课程包括丰富的实践项目，力求学员即学即练，扎实掌握所学知识。
以下附课程实践项目：
元春 算法工程师 中科院大数据挖掘与知识管理重点实验室博士
主要研究方向为机器学习、自然语言处理。在国际会议与期刊中发表多篇论文，研究课题包括文本多语境表示学习和文本情感分析算法研究，以及利用文本情感分析方法与动态情感复杂网络对股市的研究。曾与考拉征信、春雨医生、北京大学大数据研究院进行项目合作，先后在华为诺亚实验室和微软亚洲研究院实习。
洪振 高级研究员 中科院自动化所模式识别国家重点实验室博士
主要研究领域包括深度学习、目标识别、语义分割、 OCR 等。曾获2016RAC目标识别亚军，17年 ISPR 2D图像分割冠军，发表论文近10篇。1. 本课程首先从人工智能发展简史引入，按照时间顺序讲述了各个重要的人工智能方法；之后从机器学习方法逐渐精炼至神经网络方法。2. 本课程在对神经网络的讲解中从极大似然估计开始，对逻辑回归、感知机进行详细讲解，由浅入深得对神经网络方法进行引入，之后对神经网络的概念（如：神经元、多层神经网络）进行了详细的解读。对神经网络中的前向传播、反向传播进行了极为详细的数学推导。
3. 本课程对卷积神经网络进行深入推导，并配合pytorch框架实现调用自己的数据集文件夹进行训练。
4. 本课程不但针对深度学习的基础进行了解，而且也从当前热门的深度学习框架中选择了几个最具有代表性的框架，如：ImageNet，faster RCNN等。这样的讲解可使学员对于整个深度学习的理解再次加深。
2.
计划将现有工作和深度学习结合的工程师或科研人员
1.充分理解相比于经典的神经网络，深度神经网络强大的表示学习能力；2.掌握经典的深度神经网络模型（ CNN , RNN , LSTM ）思想原理；
3.学会使用深度学习解决实际任务，及解决任务的整体流程；
4.熟悉当下主流的深度学习框架 Pytorch ，并通过该框架做 CV 领域的实践。
