该课程旨在教授深度学习基础知识，包括经典模型、优化方法和训练技巧。内容涵盖pytorch、机器学习基础、CNN、RNN等。课程强调实践，如动态人脸识别和表情识别，并设有实践作业和期末论文。推荐书籍包括《动手学深度学习》pytorch版和《深入浅出pytorch》。此外，介绍了AI的发展历程、深度学习的成功因素以及常见应用，课程基于pytorch环境进行开发。
1、课程目标
- 学习深度学习基础知识，包括经典模型、优化方法、训练技巧。
- 很多知识已经被研究过了，多动手训练。
- Keywords：
基础：pytorch基础、机器学习基础、感知器、前馈神经网络、误差反向传播…
近代网络：卷积神经网络、常用CNN模型、视觉目标分类、监测、分割.
其他：生成式神经网络、循环神经网络、LSTM、GRU、注意力机制.
应用实践：“动态人脸识别系统比拼”、“基于注意力网络的人脸表情识别”. - 成绩评估：实践作业(35%，共7次) > 期末课程论文(30%，4-6页) > PPT展示presentation(20%) > 随堂测试(10%) > 考勤(5%).
- 推荐书籍：《动手学深度学习》pytorch版本（原作为MXNet框架），与课程PPT契合度高，有 网页版
《深入浅出pytorch——从模型到源码》——pytorch基础 - 前提知识：python编程、高等数学（矩阵运算、求导）、机器学习基础.
2、基础知识
- 概述：AI有可塑性、可调性（仅阈值）
- AI历程：达特茅斯会议（起源，1956.8），三起两落，阿尔法狗（2016.3）
- 深度学习：逐层抽象（处理方式）
- 现代深度学习发展历程：Hinton发明深
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
