深度学习是一门前沿的计算机科学课程,专注于研究和应用人工神经网络的高级算法。随着大数据和计算能力的迅猛发展,深度学习在图像识别、自然语言处理、自动驾驶等领域取得了突破性进展。课程内容涵盖神经网络的基本结构、卷积神经网络、循环神经网络以及深度强化学习等核心技术。通过理论讲解与实践操作,学生将学习如何设计、训练和优化深度学习模型。掌握这门课程的知识,不仅能提升学生在人工智能领域的竞争力,还能为他们在科技创新和应用开发中提供强有力的支持。
Overview
Coursera Flash Sale
40% Off Coursera Plus for 3 Months!
Grab it
Syllabus
- 第一章 人工智能导论
- 1.1 人工智能概论
- 1.2 理解人工智能、机器学习、深度学习
- 1.3 了解深度学习的发展与应用情况
- 第二章 Keras 与环境配置
- 2.1 配置深度学习开发环境
- 2.2 快速入门 Keras
- 第三章 机器学习基础
- 3.1 机器学习基础
- 3.2 理解回归与分类(上、下)
- 3.3 损失函数
- 3.4 梯度下降算法
- 3.5 机器学习通用工作流程
- 第四章 神经网络基础
- 4.1 神经网络的基础
- 4.2 基础的神经网络结构(上)
- 4.3 基础的神经网络结构(下)
- 4.4 激活函数
- 第五章 反向传播原理
- 5.1 计算神经网络的输出
- 5.2 掌握反向传播算法
- 5.3 使用 Python 实现反向传播算法
- 第六章 深度神经网络手写体识别
- 6.1 基于 Keras 框架构建神经网络的模型 1
- 6.2 手写体识别数据集 MNIST 的使用
- 6.3 手写体识别的实现
- 第七章 神经网络优化
- 7.1 模型评估
- 7.2 范数正则化避免过拟合
- 7.3 丢弃法避免过拟合
- 7.4 掌握改进的优化算法
- 第八章 卷积神经网络
- 8.1 初识卷积神经网络
- 8.2 卷积运算
- 8.3 LeNet 实现图像分类
- 第九章 卷积神经网络基本结构
- 9.1 训练深度卷积神经网络
- 9.2 进一步增加卷积神经网络的深度
- 9.3 认识并行结构的卷积神经网络
- 9.4 把网络深度提升至上百层
- 第十章 循环神经网络
- 10.1 对时序数据建模
- 10.2 增加循环神经网络的记忆
- 10.3 优化长期记忆网络
- 期末测试
Taught by
Hainan Vocational University of Science and Technology