0. 课程信息

WU Xiaokun 吴晓堃

2021/03/01

课程信息

计算机科学专业选修课
人工智能专业核心课
课程名称 深度学习基础
授课时间 2021年春
考试形式 考试/考查
学分 3
讲者 吴晓堃
总计时长 48学时（12周）

课程简介

本课程会对更广范围的人工智能和机器学习进行简要历史回顾，但核心讲授内容是深度学习。

 

因此主要主题就是处理深度神经网络的一些现代技术：

  • 如何设计？
  • 如何训练？
  • 如何评价？

课程内容

本课程涉及到的一些问题与概念：

  • 什么是深度学习，及其怎样从人工智能和机器学习衍生出来？
  • 张量，多层感知机，前向、后向传播
  • 广义神经网络，自动微分，批处理，卷积神经网络
  • 初始化，优化，正则化，drop-out，resnet
  • 计算机视觉中的深度学习模型
  • 深入理解与分析深度学习原理
  • 序列化模型，自然语言处理
  • 自动编码器，生成模型

建议先修课程

必修

  • 线性代数（向量，矩阵计算，仿射变换）
  • 微分学（Jacobian, Hessian，链式法则）
  • 概率与统计（常见分布，大数定律，条件概率，贝叶斯定理）
  • Python 编程.

 

选修

  • 数值优化（极小值，梯度下降）
  • 算法分析（计算复杂度）
  • 可视计算（图像处理）

教学方法

以解决实际问题为导向，教学与实践并重。

 

选用教材：《Python深度学习》

课程计划

  • 导论：什么是深度学习
  • 深度学习工作站的基本配置（实践）
  • 神经网络的数学基础
  • Python及深度学习编程基础（实践）
  • 神经网络入门
  • 二分类问题、多分类问题和回归问题（实践）
  • 机器学习基础
  • 过拟合与欠拟合（实践）
  • 深度学习用于计算机视觉
  • 卷积神经网络及其可视化（实践）
  • 深度学习用于文本和序列
  • 用卷积神经网络处理序列（实践）
  • 生成式深度学习
  • 深度学习的一些实践技巧与总结

考核标准

  • 最终考试/考查：60%
  • 听讲与参与：40%
  • 项目(加分）：10%

资源