深度学习基础
深度学习基础
7万+ 人选课
更新日期:2024/05/22
开课时间2024/02/20 - 2024/07/31
课程周期24 周
开课状态开课中
每周学时-
课程简介

各位同学,大家好:

       欢迎学习《深度学习基础》慕课。本慕课的配套教材为授课团队主编、由高等教育出版社出版的《深度学习基础》教材。该教材入选工信部十四五规划教材、国家人工智能战略咨询委员会推出的新一代人工智能系列教材、教育部战略性新兴领域(人工智能)“十四五”高等教育教材体系

       随着人工智能的再次火热,深度学习成为其中关键技术之一,并为业界关注。本课程是一门侧重在深度学习相关理论基础的课程,并对深度学习的典型模型框架如循环神经网络、卷积神经网络、预训练模型、Transformer等的基本原理进行了介绍。课程同时还包括若干关键内容的相关代码及运行效果演示,从而便于同学们获得理性和感性的认识。如果你想亲密接触深度学习、人工智能等并愿意付诸实践,请加入进来吧!

      本期课程我们提供了以下内容:

      (1)课程视频。常规的基础教学内容总计8讲视频,每周发布一讲;对于相关代码及演示,课程以目前流行的Python作为主编程语言。第9讲内容为新增加的可选的高级内容,考试暂不做要求。

     (2)测验考核题。每讲会随机产生10道题,在限定时间内提交,总分10分。如果你没有开始测试,则你可在测验发布之日至截止日期之间的任何时间内完成即可。一旦你开始测试,则需在限定时间内(如30分钟内)完成提交。到限定时间结束时系统会自动提交,无论你是否回答了问题。其结果将计入最终成绩。每讲,你可以有两次测验机会(但两次未必是同一张卷),两次测验成绩最高分数为本讲你获得的成绩分数。

     (3)期末考试。期末会有一个考试,20道题20分。

       课程的思维导图如下:   

     

                          

       关于课程的实践案例教学方面,在CMOOC联盟—华为“智能基座”慕课建设项目的支持下,课程若干章节还给出了Mindspore框架下的案例分析等内容。

      在学习过程中有任何问题,请随时联系任课教师或者在课程论坛里发出问题。我们将尽最大的努力辅助你们的学习,解答你们的疑问。

       祝大家学习愉快,有所收获!

                                                                                                                《深度学习基础》课程组     

课程大纲

第一讲 深度学习概述

1.1 深度学习的引出

1.2 数据集及其拆分

1.3 分类及其性能度量

1.4 回归问题及其性能评价

1.5 一致性的评价方法

1.6 程序讲解:使用Sklearn进行精确率-召回率曲线的绘制

第一讲讲义

(附)使用Sklearn进行精确率-召回率曲线的绘制程序

1.7 深度学习芯片及常用框架介绍

第一讲测验

第二讲 特征工程概述

2.1 特征工程

2.2 向量空间模型及文本相似度计算

2.3 特征处理(特征缩放、选择及降维)

2.4 程序讲解:使用sklearn对文档进行向量化的程序示例

2.5 程序讲解:使用sklearn进行量纲缩放的程序示例

第二讲讲义

(附)使用sklearn对文档进行向量化的程序

(附)使用sklearn进行量纲缩放的程序

第二讲测验

第三讲 回归问题及正则化

3.1 线性回归模型及其求解方法

3.2 多元回归与多项式回归

3.3 损失函数的正则化

3.4 逻辑回归

3.5 程序讲解:使用sklearn进行线性回归和二次回归的比较的程序示例

第三讲讲义

(附)使用sklearn进行线性回归和二次回归的比较程序

3.6 案例分析:(MindSpore框架下)线性回归模型及动态绘图实践示例

第三讲测验

第四讲 信息熵及梯度计算

4.1 信息熵

4.2 反向传播中的梯度

4.3 感知机

4.4 程序讲解:正向传播和反向传播的程序示例

4.5 程序讲解:信息熵和互信息的计算程序示例

(附)信息熵和互信息的计算程序

第四讲讲义

第四讲测验

4.6 反向传播算法

4.7 提升神经网络模型泛化能力

第五讲 循环神经网络及其变体

5.1 循环神经网络

5.2 长短时记忆网络

5.3 双向循环神经网络和注意力机制

5.4 程序讲解:循环神经网络的程序示例

第五讲讲义

(附)循环神经网络的程序

第五讲测验

第六讲 卷积神经网络

6.1 卷积与卷积神经网络

6.2 LeNet-5 模型分析

6.3 程序讲解:卷积神经网络的程序示例

第六讲讲义

(附)卷积神经网络的程序

6.4 案例分析:(MindSpore框架下)基于lenet5的手写数字识别实践示例

第六讲测验

第七讲 递归神经网络

7.1 情感分析及传统求解方法

7.2 词向量

7.3 递归神经网络及其变体

第七讲讲义

7.4 案例分析:(MindSpore框架下)基于LSTM的情感分类实践示例

第七讲测验

第八讲 生成式神经网络

8.1 自动编码器

8.2 变分自动编码器

8.3 生成对抗网络

8.4 程序讲解:自动编码器程序示例

第八讲讲义

(附)自动编码器程序

8.5 案例分析:(MindSpore框架下)基于Cyclegan的图像风格迁移实践示例

第八讲测验

第九讲 预训练模型及其应用

9.1 Transformer模型

9.2 预训练模型

9.3 案例分析:(Mindspore框架下)基于BERT网络实现智能写诗的实践示例

9.4 案例分析:(MindSpore框架下)transformer机器翻译实践示例

第九讲讲义(1)-Transformer

第九讲讲义(2)-预训练模型