深度学习作为机器学习的一个分支，旨在通过构建和训练深度神经网络来模拟和解决复杂的问题，利用多层次的神经网络学习数据的层次性表示。本课程全面涵盖了深度学习领域的多个主题，包括计算机视觉、自然语言处理、生成模型等。从基础概念到先进技术，通过系统而完整的知识框架，帮助学习者建立对深度学习的全面认识。本课程采用视频+课后题+作业的形式，以知识点为基础进行教授。学习者可以方便地定位并深入学习自己不明白的知识点，使其更易于理解。这种形式非常适合初学者，能够由浅入深，从理论出发深入了解深度学习。课程共分为十章，涵盖了深度前馈神经网络、卷积神经网络、优化方法、循环神经网络、注意力机制、词嵌入模型、深度生成网络和自监督学习等模块。通过这些内容，学习者将获得对深度学习理论和实践的全面认识，为深入研究和应用深度学习打下坚实基础。
（AlphaZero）
（回归损失函数-对数余弦损失）
（Attention机制）
（BERT）
（目标函数）
一章 深度学习概述
1.1 深度学习最新发展
1.2 深度学习的概念和特征
1.3 深度学习的发展历程
1.4 深度学习应用
二章 深度前馈神经网络
2.1 多层感知机
2.2 激活函数
2.3 损失函数
2.4 反向传播
三章 卷积神经网络
3.1 卷积神经网络概述
3.2 卷积操作
3.3 池化操作
3.4 卷积神经网络的训练
3.5 卷积神经网络在实际中的应用
四章 典型卷积神经网络
4.1 find方法
4.2 条件查询
4.3 特定类型查询
4.4 游标的概念
4.5 随机选取文档与文档排序
4.6 ResNet
4.7 空间可分离卷积和深度可分离卷积
4.8 Xception、MobileNet
4.9 SENet
4.10 其他常见卷积形式
五章 深度学习的优化方法
5.1 梯度下降法
5.2 自适应学习率算法
六章 循环神经网络
6.1 循环神经网络模型原理
6.2 循环神经网络的训练和应用
6.3 LSTM 和 GRU
七章 注意力机制
7.1 Seq2Seq 模型
7.2 Attention 机制
7.3 Self-attention
八章 词嵌入模型概述
8.1 Word2Vec
8.2 GloVe和ELMo
8.3 Transformer
8.4 BERT
九章 深度生成网络
9.1 生成模型
9.2 生成对抗网络
9.3 生成对抗网络的改进
十章 自监督学习概述
10.1 自监督学习概述
10.2 对比学习
10.3 SimCLR&MoCo
10.4 SwAV&BYOL&SimSiam
可复制平台的NoSQL课程的内容，在平台开设自己的课程。面向本校学生开展教学。
课程由几十个知识点组成，根据需要可以选择不同的知识点建课。也可以根据需要上传自己的课件或视频组建新的课程。
（复制课程）
（复制知识点）
（复制课件）
（在知识点库查看课程知识点）
（创建知识点）
.png)
.png)
公司公众号
数据科学人工智能
Chat