Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Xidian University

神经网络基础与应用

Xidian University via XuetangX

Overview

Google, IBM & Meta Certificates – 40% Off
One Coursera Plus subscription covers most Professional Certificates on Coursera.
Unlock All Certificates





我们正处在一个由人工智能重新定义未来的时代。从推动科研范式的革新,到赋能千行百业的智能化转型,以神经网络为代表的深度学习技术,已成为驱动这场变革的核心引擎。对于站在学术前沿的研究生而言,理解并掌握神经网络,已不仅仅是一项技能,更是开启未来科研探索与产业创新的关键钥匙。

《神经网络基础与应用》课程,正是为立志于前沿探索的你精心设计。我们深知,研究生阶段的学习,不应止步于对技术应用的浅尝辄止,而应深入到思想演进的脉络与技术范式的变革之中。因此,本课程将带你完成一次从“根基”到“前沿”的思维构建:

  • 夯实根基,理解“为何如此”:我们将从智能本质与思想源头讲起,剖析感知机到深度网络的突破,阐释优化算法与设计哲学,建立坚实的认知框架。

  • 贯通脉络,洞察演进逻辑:课程将从经典CNN梳理至Vision Transformer,理解局部感知与全局注意力机制的演进,把握深度学习发展主脉。

  • 培养能力,直面真实挑战:通过系统性知识的学习,你将获得拆解模型、评判架构及融合前沿思想的能力,完成从学习者到创新者的过渡。

选择这门课,意味着你选择站在巨人的肩膀上,以更清晰的视野眺望AI的未来。无论你的目标是深入学术研究,投身尖端产业,还是将AI赋能于交叉学科,这里所建立的基础与视野,都将是你最宝贵的智识资产。

 




Syllabus

  • 第一章 人工智能
    • 1.1 人工智能的基础概念
    • 1.2 人工神经网络的概念
    • 1.3 人工神经网络的历史
    • 1.4 人工神经网络的应用领域和前沿方向
  • 第二章 生物神经网络
    • 2.1 人工神经网络的基本概念
    • 2.2 大脑的功能
    • 2.3 生物神经元
  • 第三章 感知机
    • 3.1 人工神经网络
    • 3.2 损失函数
    • 3.3 罗森布拉特感知机
    • 3.4 学习
    • 3.5 无监督学习
  • 第四章 优化
    • 4.1 梯度下降
    • 4.2 批量梯度下降
    • 4.3 神经网络中的优化方法
    • 4.4 反向传播算法
  • 第五章 卷积神经网络
    • 5.1 生物视觉感受野
    • 5.2 机器感受野
    • 5.3 卷积神经网络的拓扑结构
    • 5.4 局部连接和参数共享
    • 5.5 卷积神经网络计算流程
    • 5.6 LeNet-5和AlexNet
    • 5.7 VGG和GoogleNet
    • 5.8 ResNet
    • 5.9 DenseNet
  • 第六章 循环神经网络
    • 6.1 序列数据
    • 6.2 循环神经网络
    • 6.3 沿时间反向传播
    • 6.4 LSTM
    • 6.5 GRU
    • 6.6 Seq2Seq模型
  • 第七章 注意力机制与Transformer模型
    • 7.1 Attention
    • 7.2 Transformer
    • 7.3 BERT
    • 7.4 ViT
  • 期末测试

    Taught by

    Gu Yu and Feng Jie

    Tags

    Reviews

    Start your review of 神经网络基础与应用

    Never Stop Learning.

    Get personalized course recommendations, track subjects and courses with reminders, and more.

    Someone learning on their laptop while sitting on the floor.