深度学习
1.
深度学习与神经网络
1.1.
深度学习介绍
1.2.
神经网络基础
1.3.
浅层神经网络
1.4.
深层神经网络
1.5.
总结
1.6.
每日作业
2.
深度学习进阶
2.1.
多分类与TensorFlow
2.2.
梯度下降算法改进
2.3.
深度学习正则化
2.4.
神经网络调优与BN
2.5.
总结
2.6.
每日作业
3.
卷积神经网络
3.1.
图像数据与边缘检测
3.2.
卷积神经网络(CNN)原理
3.3.
经典分类网络结构
3.4.
CNN网络实战技巧
3.5.
总结
3.6.
每日作业
4.
循环神经网络
4.1.
循环神经网络
4.2.
词嵌入与NLP
4.3.
seq2seq与Attention机制
4.4.
总结
4.5.
每日作业
5.
高级主题
5.1.
生成对抗网络(GAN)
5.2.
自动编码器
5.3.
CapsuleNet
5.4.
总结
5.5.
每日作业
Published with GitBook
深度学习
深度学习
要求
需要一定的数学基础,高数、线性代数、概率论
需要掌握机器学习基础,分类、回归等算法
需要会使用相关工具,Scikit-learn、Numpy、TensorFlow
目标
算法
掌握神经网络的数学原理
使用工具动手实现神经网络结构
应用
使用TensorFlow编写神经网络案例
课程安排
环境要求
tensorflow==1.8.0 h5py==2.8.0 numpy==1.14.2 scikit-learn==0.18.1 matplotlib==2.2.2