- 1.1.1]--深度学习的引出
- [1.2.1]--数据集及其拆分
- [1.3.1]--分类及其性能度量
- [1.4.1]--回归问题及其性能评价
- [1.5.1]--一致性的评价方法
- [1.6.1]--使用Sklearn进行精确率-召回率曲线的绘制
- [2.1.1]--特征工程
- [2.2.1]--向量空间模型及文本相似度计算
- [2.3.1]--特征处理(特征缩放、选择及降维)
- [2.4.1]--程序示例:(使用sklearn)基于词频的文档向量化
- [2.5.1]--使用sklearn进行量纲的缩放
- [3.1.1]--线性回归模型及其求解方法
- [3.2.1]--多元回归与多项式回归
- [3.3.1]--损失函数的正则化
- [3.4.1]--逻辑回归
- [3.5.1]--使用sklearn进行线性回归和二次回归的比较
- [4.1.1]--信息熵
- [4.2.1]--反向传播中的梯度
- [4.3.1]--感知机
- [4.4.1]--程序示例:正向传播和反向传播
- [4.5.1]--程序讲解:信息熵和互信息的计算程序示例
- [5.1.1]--循环神经网络
- [5.2.1]--长短时记忆网络
- [5.3.1]--双向循环神经网络和注意力机制
- [5.4.1]--程序示例:循环神经网络的应用示例
- [6.1.1]--卷积与卷积神经网络
- [6.2.1]--LeNet-5模型分析
- [6.3.1]--程序示例:卷积神经网络
- [7.1.1]--情感分析及传统求解方法
- [7.2.1]--词向量
- [7.3.1]--递归神经网络及其变体
- [8.1.1]--自动编码器
- [8.2.1]--变分自动编码器
- [8.3.1]--生成对抗网络
- [8.4.1]--程序讲解:自动编码器程序示例
随着人工智能的再次火热,深度学习成为其中关键技术之一,并为业界关注。本课程是一门侧重在深度学习相关理论基础的课程,并对深度学习的典型模型框架如循环神经网络、卷积神经网络等的基本原理进行了介绍。课程同时还包括若干关键内容的相关代码及运行效果演示,从而便于同学们获得理性和感性的认识。如果你想亲密接触深度学习、人工智能等并愿意付诸实践,请加入进来吧!
本课程将全面的介绍近年发展起来的基于神经网络的深度学习技术的基本概念,主要
结构,核心方法和关键应用。主要内容包括:(1)机器学习和神经网络的基本概念和
算法及其背后概率论、线性代数、优化理论相关基础;(2)深度学习的主流结构、激
活函数、正则化技术,实用算法细节和应用案例;(3)计算机视觉与自然语言处理技
术原理与应用;(4)包括模型压缩、生成对抗网络技术在内的新兴技术简介;(5)前
沿论文与技术探讨。
通过课程的学习,使同学们巩固基础数学及机器学习的基本概念和算法;掌握神经网
络基本概念;掌握深度学习中的主要网络结构的基本概念和相关算法;了解具体应用
领域的背景知识、应用相关的深度学习技术;并了解生成对抗网络、深度神经网络模
型压缩等新兴技术。
This course will give a full picture of recently developed deep learning techniques. Basic
concepts, main structures, core algorithms and key applications will be introduced in detail.
Content includes: (1) basic concepts and algorithms of machine learning and neural
networks and its behind mathematics foundations of probability, linear algebra and
optimization theory; (2) popular network structures, activation functions, and regularization
techniques, as well as algorithm details and typical application cases; (3) principle and
applications of computer vision and natural language processing. (4) a brief introduction to