该课程在图像分类的基础上介绍了其他的计算机视觉任务，如语义分割、目标检测和实例分割等，同时还详细介绍了其它如 R-CNN、Fast R-CNN、Mask R-CNN 等架构。

Lecture 12：可视化和理解（Visualizing and Understanding）

该部分不仅讲述了特征可视化和转置，同时还描述了对抗性样本和像 DeepDream 那样的风格迁移系统。

Lecture 13：生成模型（Generative Models）

该章节从 PixelRNN 和 PixelCNN 开始，j2直播，再到变分自编码器和生成对抗网络详细地讲解了生成模型。

Lecture 14：强化学习（Reinforcement Learning）

该章节先从基本概念解释了什么是强化学习，再解释了马尔可夫决策过程如何形式化强化学习的基本概念。最后对 Q 学习和策略梯度进行了详细的刻画，包括架构、优化策略和训练方案等等。

Lecture 15：深度学习高效的方法和硬件（Efficient Methods and Hardware for Deep Learning）

该章节首先展示了深度学习的三大挑战：即模型规模、训练速度和能源效率。而解决方案可以通过联合设计算法-硬件以提高深度学习效率，构建更高效的推断算法等，

Lecture 16：对抗性样本和对抗性训练（Adversarial Examples and Adversarial Training）

该章节由 Ian Goodfellow 于 5 月 30 日主讲，主要从什么事对抗性样本、对抗性样本产生的原因、如何将对抗性样本应用到企业机器学习系统中、及对抗性样本会如何提升机器学习的性能等方面详细描述对抗性样本和对抗性训练。

IJCAI 2017期间，腾讯联合机器之心在墨尔本举办↓↓↓