神经网络新手入门（1）目录

神经网络新手入门目录

第一阶段：基础认知

1. 神经网络发展简史

   • 从生物神经元到MP模型（1943）
   • 感知机与AI寒冬
   • 深度学习的复兴

2. 核心概念解析

   • 神经元结构：输入/权重/激活函数/输出
   • 网络层级：输入层/隐藏层/输出层
   • 前向传播与反向传播初探

第二阶段：数学工具准备
3. 必备数学基础

• 线性代数：向量运算/矩阵乘法
• 微积分基础：导数/梯度概念
• 概率统计：均值/方差基础

第三阶段：网络结构演进
4. 单层神经网络

• 感知机原理与局限性
• 逻辑门实现示例（AND/OR）
• 激活函数：Sigmoid vs ReLU

5. 多层神经网络
   • 隐藏层的革命性意义
   • 万能近似定理
   • 深度神经网络架构图解

第四阶段：训练方法论
6. 学习机制详解

• 损失函数：MSE/交叉熵
• 梯度下降算法可视化
• 反向传播的链式法则

7. 实战调优技巧
   • 过拟合对策：Dropout/正则化
   • 学习率衰减策略
   • Batch Normalization原理

第五阶段：项目实践
8. 经典案例实战

• MNIST手写数字识别（Python+TensorFlow）
• 简单图像分类项目
• 调参日志记录与分析

第六阶段：拓展提升
9. 现代网络架构

• CNN卷积神经网络入门
• RNN循环神经网络概览
• Transformer基础认知

10. 学习资源导航
    • 推荐书籍：《深度学习》(花书)
    • 优质课程：Andrew Ng深度学习专项
    • 开发工具：Colab/Jupyter环境配置

学习建议：每个章节建议配合代码实践（如用NumPy实现简单网络），推荐使用Kaggle进行数据集练习，遇到问题可参考电子工程世界论坛的技术讨论。