| 授课时间 |
课程内容 |
在线资源 |
作业及资料 |
|
|
- 《深度学习》课程导学 （0课时）
- 1. 课程基本信息
- 2. 课程组织形式
- 3. 课程作业与考核
- 4. 学习建议
|
|
|
|
|
|
|
|
|
|
- 第1章 人工智能概述 （5课时）
- 1.1 人工智能概述
-
- 1.2 机器学习简史
- 1.3 深度学习概述
- 1.4 初识神经网络
- 1.5 常用工具软件和开发环境
- 1.6 深度学习的应用（链接未来 未来已来）
|
|
|
|
|
- 第2章 神经网络的数学基础 （0课时）
- 2.1 神经网络的基础：线性代数
- 2.2 神经网络的引擎：微积分
- 2.3 神经网络的灵魂：概率论与数理统计
|
|
|
|
|
- 第3章 机器学习基础（0课时）
- 3.1 机器学习的分支
- 3.2 数据预处理
- 3.3 特征工程
- 3.4 机器学习模型的评估
- 3.5 模型的泛化能力（训练误差和泛化误差、模型选择、欠拟合与过拟合、提前停止、权重衰减）
- 3.6 数值稳定性（梯度消失和梯度爆炸、参数初始化）
- 3.7 机器学习的通用工作流程
|
|
|
|
|
- 第4章 图像数据集和数据预处理
- 4.1 经典图像数据集简介
- 4.2 数据准备
- 4.3 数据读取
- 4.4 数据增广
|
|
|
|
|
|
|
|
|
|
- 第5章 前馈神经网络（10课时）
- 5.1 神经网络的发展历程
- 5.2 线性回归
- 5.3 Softmax回归
- 5.4 多层感知机
|
|
|
|
|
- 第6章 卷积神经网络（0课时）
- 6.1 卷积神经网络概述
- 6.2 整体框架
- 6.3 卷积的基本原理
- 6.4 填充和步幅
- 6.5 多输入通道和多输出通道
- 6.6 池化层
- 6.7 经典卷积神经网络LeNet
|
|
|
|
|
|
|
|
|
|
- 第7章 现代卷积神经网络（0课时）
- 7.1 深度神经网络（AlexNet）
- 7.2 网络的模块化（VGGNet）
- 7.3 多分支网络（GoogLeNet）
- 7.4 残差网络（ResNet）
- 7.5 迁移学习技术
|
|
|
|
|
|
|
|
|
|
- 第8章 循环神经网络（0课时）
- 8.1 序列模型
- 8.2 语言模型
- 8.3 训练神经网络（RNN）
- 8.4 门控循环单元（GRU）
- 8.5 长短记忆网络（LSTM）
- 8.6 序列到序列模型（seq2seq）
- 8.7 机器翻译
|
|
|
|
|
- 第9章 深度生成模型（0课时）
- 9.1 生成模型
- 9.2 自动编码机
- 9.3 生成对抗网络
- 9.4 深度卷积生成对抗网络
|
|
|
|
|
- 第10章 深度强化模型（0课时）
- 1. 强化学习模型简介
- 2. 强化学习分类
- 3. 深度强化学习
- 4. 深度Q网络
- 5. 强化学习的应用
- 6. AlphaGo和AlphaZero
|
|
|
|
|
- 第11章 注意力机制（0课时）
- 11.1 注意力机制的基础
- 11.3 注意力评分函数
- 11.4 多头注意力
- 11.5 自注意力机制
- 11.6 Transformer架构
- 11.7 视觉Transformer
- 11.8 基于Transformer的大规模预训练
|
|
|
|
|
- 第12章 优化算法（0课时）
- 12.1 深度学习的凸性及优化问题
- 12.2 随机梯度下降算法（梯度下降、随机梯度下降、小批量随机梯度下降）
- 12.3 动量法
- 12.4 AdaGrad算法
- 12.5 RMSProp算法
- 12.6 Adam算法
- 12.7 Adadelta算法
- 12.8 学习率调度算法
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- 第13章 计算机视觉（0课时）
- 13.1 计算机视觉概述
- 13.2 目标检测
- 13.3 图像分割
- 13.4 图像检索
- 13.5 风格迁移
- 13.6 其他经典图像分析任务
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- 第15章 深度学习的工程应用（0课时）
- 15.1 视觉应用场景与部署
- 15.2 嵌入式系统开发及应用史
- 15.3 垂直领域工程应用开发
|
|
|
|
|
|
|
|
