江苏开放大学•点石网 - 点石网|江苏终身学习资源库

神经网络与深度学习

《神经网络与深度学习》是江苏开放大学人工智能（本科）专业的必修课程。本课程系统地介绍深度学习的理论、应用和实践工具。首先，介绍深度学习的历史起源和发展、核心思想、主要问题等；其次，介绍深度学习所必备的机器学习基础知识，包括有监督学习、无监督学习、过度拟合、方差偏差分析等；然后，介绍深度学习的典型网络结构和优化方法，包括深度前馈神经网络、常用的优化方法和正则化、卷积神经网络（CNN）、序列模型（RNN和LSTM等）、深度生成网络（GAN等）和深度强化学习（DQN等）；最后，介绍深度学习框架Pytorch的使用，带领学生动手实现基本的深度学习模型。要求学生具备高等数学和线性代数的基础知识；了解数据科学和机器学习的基本概念和算法；熟悉Python编程语言。

共151个素材 17776 1 0

资源(54)	时长( 00:00:00)	播放量(114941)
1-1 深度学习介绍	/	2132
1-2 深度学习的核心思想	/	2213
1-3 典型的网络结构	/	2107
1-4 应用概览	/	2182
2-1 数据科学简介	/	2220
2-2 有监督学习	/	2092
2-3 无监督学习	/	2093
2-4 过拟合	/	2108
2-5 模型选择	/	2144
3-1 神经网络与MLP	/	2114
3-3 反向传播算法	/	2072
3-2 神经元模型	/	2074
4-1 梯度	/	2119
3-4 计算图与自动求导	/	2190
4-2 动量法	/	2154
4-3 自适应学习率算法	/	2146
4-4 参数范数惩罚	/	2123
4-5 dropout	/	2183
4-6 参数初始化和参数调优	/	2073
5-1 CNN概述与基本原理	/	2228
5-2 典型CNN网络	/	2095
5-3 可视化卷积	/	2209
5-4 CNN在实际中的应用	/	2086
6-1 序列数据	/	2086
6-2 展开计算图	/	2162
6-3 RNN的设计模式	/	2138
6-4 RNN的反向传播	/	2070
6-5 各种RNN结构	/	2067
6-6 RNN的应用	/	2080
6-7 LSTM和GRU	/	2136
6-8 注意力机制	/	2076
7-1 生成模型	/	2094
7-2 基于能量的模型和玻尔兹曼机	/	2078
7-3 受限玻尔兹曼机和深度玻尔兹曼机	/	2189
7-4 自编码器和变分自编码器	/	2242
7-5 生成对抗网络	/	2166
7-6 DCGAN和WGAN	/	2058
7-7 CycleGAN	/	2063
8-1 强化学习概述	/	2064
8-2 强化学习的基本元素	/	2054
8-3 值函数	/	2063
8-4 MDP	/	2076
8-5 Bellman方程	/	2060
8-6 Q-learning	/	2055
8-7 DNQ	/	2054
8-8 策略梯度和AC框架	/	2043
8-9 model-based	/	2045
9-1 深度学习的硬件	/	2388
9-2 深度学习的框架	/	2352
9-3 Tensor操作和自动求导	/	2066
9-4 神经网络训练实例	/	2083
9-5 动态计算图和静态计算图	/	2167
9-6 数据集加载与转换	/	2370
9-7 预训练模型和总结	/	2139