深度“深度学习”读书会 | 你敢来吗？
你是否察觉到了未来世界发出的讯号？
作为从事学术研究、享受科学乐趣的探索者的团体集智俱乐部一直走在知识的前沿，对人工智能的研究由来已久。回顾我们的时间轴，我们在人工智能方向已经走了很远。早在2012年2月深度学习革命刚刚开始的时候，我们已经组织过相关内容的读书会。而2013年7月到2014年1月的一期“探索脑与深度学习”读书会，更是孕育出了彩云天气这样的创业项目。2015年4月到2015年5月的“高级认知相关的深度学习”读书会更是将深度学习这个主题推向了高潮，追踪了当前的前沿进展。
现在，我们站在了2016年人工智能的风口。经过长期筹划，我们将举办一期全新的深度学习读书会。本次读书会以回顾经典模型、研读最新进展为主。我们希望通过这次读书会活动，能够汇集江湖中的各路英雄，让知识的碰撞擦出创意的火花，并最终催生更多的人工智能产品创意。
那么，你准备好接收未来世界对你发出的邀请了吗？
| 读书会主题 | 主要内容 |
深度学习概览 （1次） | 从系统科学的角度概览综述深度学习进展（主讲人：张江-北京师范大学复杂系统学院） |
深度卷积神经网络 （1~2次） | 卷积神经网络（Convolutional Neural Networks）介绍，在图像处理、自然语言处理中的应用。扩展主题：图卷积神经网络（Graphics Convolutional Neural Network） |
深度回归神经网络 （1~3次） | 回归神经网络（Recurrent Neural Network）、LSTM等内容介绍，在机器翻译、自然语言处理方面的应用 |
相关理论专题研讨 （2~5次） | 注意力机制、记忆机制、神经图灵机、强化学习、对抗生成网络等 |
相关理论专题研讨 （2~5次） | 机器视觉、自然语言处理、复杂网络、计算创造性等 |
你会成为下一个袁行远吗？你会是未来人工智能创业公司的CEO吗？
故事还得从四年前说起。2012年，有个叫袁行远的大男孩，傲娇地辞掉了阿里算法工程师的工作。他辞职前加入了一个叫作集智俱乐部的神奇组织，也就是这个地方成为了他人生的新起点。当时，这个组织正在举办一期深度学习读书会，一群有着共同兴趣、理想、追求的青年聚集在一起，疯狂地读论文，推公式，堆代码，汲取着知识的能量。
然后，故事开始发展了，袁行远和肖达就碰撞出了火花（请勿YY，这是灵感的火花），他们想到，为什么不用深度学习来预测天气？让每个人都有自己的随身天气预报员？然后，他们开始将创意付诸实践。
于是，2013年，彩云天气上线了，局部有雨滚蛋了，普通大众也可以拥有自己的AI天气预报员了。经过三年的发展，彩云天气已经成长为一家实力型人工智能公司，袁行远也由当初那个腼腆男生成长为现在的霸道总裁！（广告：加入我们，下一个霸道总裁就是你！）
如今，早就走在人工智能前沿的集智，又开始了更加深度的深度学习读书会，而且是张江大大亲自上阵带着大家一起探索人工智能！为了防止太多水军混进来冲淡学习气氛，也为激励小伙伴们坚持学习，本次读书会采用缴纳保证金的方式，圆满参与完读书会并有相应产出，我们会退还保证金。详情请看下面的读书会报名方式。
参与方式
鉴于集智俱乐部该主题的读书会一向很火，预计参与人数会瞬间爆满。为了过滤一些非专业人士，甄选出真正对深度学习感兴趣、有相关研究经验的专业人士，也为激励小伙伴们坚持学习，本期读书会将采取收费 - 退款的保证金模式。
具体规则如下：
1、 读书会（10期）保证金共计800元/人。
2、 满足以下条件之一的可全额退款：
由读书会内容启发，产生了靠谱的新产品创意，并在读书会结束2个月内提交了详细的产品策划方案，并通过了集智俱乐部组织的相应考核答辩的；
由读书会内容启发，萌发了科研论文创意，并在读书会结束2个月内完成初稿，并通过了集智俱乐部组织的相应考核答辩的；
3、满足如下条件之一者可退款80%：
贡献了一次讲座（1个小时以上）内容的（如若讲座需要提前向主持人申请，通过试讲者可演讲）；
完成了三篇以上读书笔记写作的（读书笔记标准：字数在4千字并以上，图文并茂，具体请参照此文：“基于大数据预测地区发展”http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=100000162&idx=1&sn=88d7d101f647468e3deb1d3dc21424c7&scene=19#wechat_redirect）；
有超额完成上述任务者可考虑全额退款。
4、读书会允许分期参加，单期读书会学费为100元/人。但无法享受退款。
上述规则的最终解释权归集智俱乐部所有。
时间：2016/11/13-2017/04/30 每两周一期，共10期
地点：北京（具体地址见读书会群通知）
形式：线下活动
报名二维码：
l Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in Neural Information Processing Systems, 2012, 25(2):2012. l Kalchbrenner N, Grefenstette E, Blunsom P. A Convolutional Neural Network for Modelling Sentences[J]. Eprint Arxiv, 2014, 1. l Alexey Dosovitskiy, Thomas Brox. Inverting Visual Representations with Convolutional Networks. 2015. arXiv preprint. l Michael Edwards and Xianghua Xie: Graph Convolutional Neural Network, http://www.bmva.org/bmvc/2016/papers/paper114/paper114.pdf l Alexey Dosovitskiy, Thomas Brox. Inverting Visual Representations with Convolutional Networks. 2015. arXiv preprint. l Lipton Z C, Berkowitz J, Elkan C. A Critical Review of Recurrent Neural Networks for Sequence Learning[J]. Computer Science, 2015. l Andrej Karpathy, Justin Johnson, Li Fei-Fei. Visualizing and Understanding Recurrent Networks. NIPS 2015. l A Graves, G Wayne: Hybrid computing using a neural network with dynamic external memory, Nature 2016 l Andrychowicz, M., & Kurach, K. (2016). Learning Efficient Algorithms with Hierarchical Attentive Memory. arXiv preprint arXiv:1602.03218. l Graves, A., Wayne, G., & Danihelka, I. (2014). Neural turing machines. arXiv preprint arXiv:1410.5401. l Graves, A. (2016). Adaptive Computation Time for Recurrent Neural Networks. arXiv preprint arXiv:1603.08983. l Xu, K., Ba, J., Kiros, R., Cho, K., Courville, A., Salakhutdinov, R., Zemel, R.S. & Bengio, Y., 2015. (2015). Show, attend and tell: Neural image caption generation with visual attention. arXiv preprint arXiv:1502.03044, 2(3), 5. l Zaremba, W., & Sutskever, I. (2015). Reinforcement learning neural Turing machines. arXiv preprint arXiv:1505.00521, 362. l Kumar, A., Irsoy, O., Su, J., Bradbury, J., English, R., Pierce, B., Ondruska, P., Gulrajani, I. & Socher, R., (2015). Ask me anything: Dynamic memory networks for natural language processing. arXiv preprint arXiv:1506.07285. l Kurach, K., Andrychowicz, M., & Sutskever, I. (2015). Neural random-access machines. arXiv preprint arXiv:1511.06392. l Neelakantan, A., Le, Q. V., & Sutskever, I. (2015). Neural programmer: Inducing latent programs with gradient descent. arXiv preprint arXiv:1511.04834. l Olah, C. (2015). Understanding LSTM Networks. l Geoffrey Hinton, Oriol Vinyals, Jeff Dean. Distilling the Knowledge in a Neural Network. NIPS 2014. l Goodfellow I, Pougetabadie J, Mirza M, et al. Generative Adversarial Nets[J]. Advances in Neural Information Processing Systems, 2014:2672-2680. l Bryan Perozzi, Rami Al-Rfou', Steven Skiena. DeepWalk: online learning of social representations. KDD 2014. l Memory Network: https://arxiv.org/abs/1410.3916 l + End-to-End Memory Networks: https://arxiv.org/abs/1503.08895 l + Towards ai-complete question answering: https://arxiv.org/abs/1502.05698 l + Large-scale Simple Question Answering with Memory Networks: https://arxiv.org/abs/1506.02075 l + Ask me anyting: Dynamic Memory Networks for Natural Language Processing: https://arxiv.org/abs/1506.07285 l + The Goldlocks Principle: Reading Children's Book with Explicit Memory Representations: https://arxiv.org/abs/1511.02301 l + Dialog-based Language Learning: https://arxiv.org/abs/1604.06045 l + Learning End-to-End Goal-Oriented Dialog: https://arxiv.org/abs/1605.07683 l + Key-Value Memory Networks for Directly Reading Documents: https://arxiv.org/abs/1606.03126 l + Hierarchical Memory Networks for Answer Selection on Unknown Words: https://arxiv.org/abs/1609.08843
长按识别二维码，关注集智Club，
让我们离科学探索更近一步。