bet36网站,集合|复旦大学机器学习,深度学习最新开放课程,以及PDF课件下载

教学目标
掌握深度学习的基本原理和通用算法,并在此基础上将其应用于图像处理,自然语言处理等相关领域,并在一定程度上提高了分析和解决实际问题的能力。
复旦大学开放课程的机器学习和深度学习课程材料:
▲长按扫描,8005回复接收
课程说明
01-神经网络的基础
了解前馈神经网络的结构,梯度下降法以及网络训练和调整的基本方法,可以应用前馈神经网络解决实际问题。建议5节课。标记的内容属于扩展版本,将被逐一发布。
1.1神经网络介绍
1.2与神经网络有关的概念
1.3神经网络效果评估
1.4神经网络的优化
1.5预测银行客户流失
1.6练习题
02?深度学习在人工智能系统中的应用
在许多情况下了解深度学习的典型应用场景。建议2堂课。
2.1深度学习的典型应用场景
2.2深度学习用例分析
2.3练习题
03?卷积神经网络
了解卷积的含义,并从10个常用的卷积神经网络中了解典型场景的结构,训练方法和应用。建议10堂课。
3.1了解卷积-卷积和池化
3.2常见的折叠模型
@ Lenet-5,AlexNet,VGGNet,GoogleLeNet,ResNet等。
@ Inceptionv2-v4,DarkNet,DenseNet,SSD等。*
@ MobileNet,ShuffleNet *
3.3胶囊网络*
3.4用例CNN卷积神经网络
3.5常用的目标采集算法
@ R-CNN,FastRCNN,FasterRCNN,YOLOv1-v3等
3.5图像分类
3.6动物识别
3.7物体识别
3.8面部表情的年龄特征识别*
3.9练习题
04?循环神经网络
了解循环神经网络的结构,训练方法和典型场景以及LSTM和GRU的变体。推荐6节课。
4.1 RNN的基本原理
4.2升STM
4.3 GRU
4.4 CNN + LSTM模型
4.5双向递归Bi-LSTM神经网络结构
4.6Seq2seq模型
4.7注意机制
4.8自我关注机制*
4.9 ELMo,变压器等*
4.10BERT,EPT,XLNet,ALBERT等*
4.11机器翻译
4.12练习题
05?生成对抗网络
了解生成对抗网络的典型场景的结构,训练方法和应用。建议5课。
5.1生成对抗网络模型
5.2 GAN的理论知识
5.3 DCGAN
5.4自动生成手写
5.5CycleGAN *
5.6 WGAN *
5.7练习题
06?深度学习神经网络应用
了解如何使用卷积神经网络,递归神经网络以及流行算法的应用来创建对抗性网络,以解决实际问题并创建创新应用。建议5课。
6.1库存趋势预测
6.2文本语气分类
6.3图片风格的转移*
6.4机器翻译
6.5练习题
07?强化学习
了解增强学习的基本概念和原理,并了解典型的增强学习应用场景。建议2堂课。
7.1加强学习的基本原则
7.2强化学习的常用模型
7.3强化学习的典型应用
7.4深度Q网络*
7.5练习题
08?项目驱动的深度学习方法
了解如何结合实际项目,加深对机器学习和深度学习理论知识的深刻理解,并体验深度学习解决实际问题的技能和能力。建议讨论2课加1课。
8.1项目驱动的深度学习的方式
8.2领域问题驱动的机器学习深度教学方法
课程文件:

365betvip5