深度学习及其应用
深度学习及其应用
10万+ 人选课
更新日期:2024/05/22
开课平台爱课程(中国大学MOOC)
开课高校复旦大学
开课教师赵卫东董亮
学科专业工学计算机类
开课时间2024/03/05 - 2024/07/20
课程周期20 周
开课状态开课中
每周学时-
课程简介

1.我为什么要学习这门课?

机器学习是人工智能的重要组成和技术基础,伴随着人工智能几十年的发展,期间几次大起大落。作为机器学习的高级阶段,最近几年深度学习算法在自然语言处理、语音识别、图像处理等领域的突破应用和广泛接受。这也标志着机器学习已经迈出实验室大门,走向实践,推动着人工智能向更高阶段发展。数据分析和人工智能发展已经引起了全球关注。企业对机器学习的人才需求增大,与之密切相关的数据科学家、数据挖掘工程师、大数据分析师、机器学习工程师等数据分析类人才成为本世纪最有吸引力的职业。根据相关企业估计,上述人才的增长高峰将持续6-8年。本课程就是对深度学习感兴趣的学员准备的。

2.这门课的主题是什么?

讨论深度学习的典型算法原理与应用(具体内容请参考下面课程大纲),为实践打下坚实的基础。

3.学习这门课可以获得什么?

课程目标:理解深度学习的基本原理、精选的深度学习基本算法及其典型应用,并使用主流的机器学习开源平台实现深度学习在典型领域的应用过程,能否对一般难度的应用问题进行分析和代码实现。

4.这门课有什么特色和亮点?

深度学习是一门理论和实践并重的课程,其中的内容比较多,很多算法也有一定的难度。深度学习的应用也需要一定的经验和技巧。本课程参阅了大量文献资料,结合过去多年的数据分析研究和项目实践,深入浅出,学生在可以钻研深度学习的算法以及应用。课程通过大量的选择题、填空和判断题检验和巩固学员对基本知识的理解。

5.这门课的学习方法建议

建议结合教材机器学习(第2版)》(人民邮电出版社,2022)、《机器学习案例实战(第2版)》(人民邮电出版社,2021)、《Python机器学习实战案例(第2版)》(清华大学出版社,2022学习,先结合视频了解基本算法,然后通过各单元的测试题和作业巩固基本概念和算法,再通过具体的案例解读思路和代码,巩固算法。线下还要参考实战教材动手实验和实践练习,循序渐进。

6.课程守则(建议)

欢迎大家选修课程,请各位按照课程首页大纲的内容,根据课程内容的顺序,每周结合视频和推荐的配套教材,按时完成基本算法内容学习,并结合单元测试和章节练习,巩固基本概念和算法。在此基础上,完成每单元的实验,并可以进一步阅读推荐教材的实战案例,理解机器学习的思路以及每个步骤可能遇到的问题和技巧。有问题欢迎在课程讨论区讨论。

课程大纲
神经网络基础
1.1 神经网络简介
1.2 BP神经网络
1.3 银行客户流失预测
1.4 银行客户流失实验
1.5 新闻分类实验
1.6 阿里摩搭实验平台
深度学习在人工智能中的应用
2.1 深度学习在人工智能中的应用(一)
2.2 深度学习在人工智能中的应用(二)
2.3 深度学习在人工智能中的应用(三)
2.4 深度学习在人工智能中的应用(四)
卷积神经网络
3.1 卷积神经网络的发展
3.2 卷积与感受野机制
3.3 卷积的概念和特征
3.4 图像编码与卷积
3.5 卷积操作
3.6 卷积特征图及计算
3.7 多通道卷积
3.8 池化操作
3.9 Lenet5卷积神经网络—TensorFlow和MindSpore实现
3.10 完整的卷积神经网络过程
3.11 卷积神经网络训练
3.12 图像分类—TensorFlow和MindSpore实现
3.13 股票预测实验(卷积版)
3.14 手势体识别实验
典型卷积神经网络算法
4.1 AlexNet卷积神经网络模型
4.2 VGG卷积神经网络模型—TensorFlow和MindSpore实现
4.3 GoogLeNet卷积神经网络模型
4.4 ResNet卷积神经网络模型
4.5 动物识别实验—TensorFlow和MindSpore实现
4.6 颜值打分(女生版)
循环神经网络
5.1 循环神经网络基本原理
5.2 循环神经网络模型——使用字符级RNN生成名称MinSpore实现
5.3 长短期记忆神经网络模型
5.4 股票预测实验(LSTM版)
5.5 情感识别分类实验—TensorFlow和MindSpore实现
目标检测
6.1 目标检测概况
6.2 目标检测的基本概念
6.3 目标检测发展
6.4 基于候选区域的目标检测
6.5 Fast R-CNN目标检测算法
6.6 Faster R-CNN目标检测算法(MindSpore框架实现)
6.7 Yolov1-v5算法
6.8 目标检测案例解析
6.9 RetinaNet和UNet算法
6.10 物体检测实验
6.11 车道检测实验
生成对抗网络
7.1 生成对抗网络基本原理
7.2 Encoder-Decoder模型
7.2 生成对抗网络算法DCGAN
7.4 生成对抗网络算法应用
7.5 手写体生成—TensorFlow和MindSpore实现
7.6 CycleGAN算法
7.7 DCGAN和WGAN算法—MindSpore实现
7.8 画风转移实验
7.9 超分辨率图像重建实验
注意力机制
8.1 Seq2Seq模型
8.2 (自)注意力机制模型
8.3 Transformer模型*(选读)
8.4 BERT模型*(选读)
8.5 机器翻译实验
8.6 情感分类和机器写诗实验—MindSpore实现
深度学习应用
9.1 声音质量评价
9.2 编码解码器
9.3 情感识别分类
9.4 编码解码器实验
9.5 性别年龄识别实验