用最通俗的语言,从起点开始,由浅入深讲解这些机器领域里最深奥的知识,使即使基础不扎实,理解能力不超群的大众,也能通过课程掌握这些前沿领域的细节技术,并且应用在自己的场景里去完成某些事情。这不是一项轻松愉快的讲授任务,但按照以往在炼数成金上讲授诸多同样具有难度的课程的经验,以及各位同学的鼓励鞭策,又给我无穷的力量和信心,坚持下去把课程做完做好。
对神经网络技术和深度学习感兴趣者,潜在研究者,爱好者,职业方向准备转型高级数据分析师,迈向数据科学家的朋友。较好是学习过炼数成金上《机器学习》课程或具备类似能力。
第1课 跌宕起伏70年:神经网络发展概述;最简单的神经元仿生:单层感知器。
第2课 线性神经网络,BP神经网络,基于梯度下降的各种学习算法;BP神经网络应用:信用识别;为什么BP网络丌能支持太多的隐层数?
第3课 Imagenet介绍。BP神经网络应用:图像压缩;稀疏自动编码器与特征提取。
第4课 能联想和记忆的Hopfield神经网络,DHNN与DCNN;应用:OCR识别,解决旅行商问题。
第5课 模拟退火算法与Boltzmann机:随机版的Hopfield神经网络。
第6课 马尔科夫链;受限Boltzmann机RBM,Gibbs采样,CD学习算法。
第7课 应用RBM进行协同过滤;深度置信网络(DBN):利用堆叠的RBM进行权值预训练,应用于图像编码与解码,图像识别;生成式模型与判别式模型。
第8课 万能逼近器:径向基神经网络;PCA与SVM神经网络。
第9课 局部感受野与卷积神经网络CNN;经典应用:MNIST手写体数字识别,Imagenet图像识别;GPU计算。
第10课 计算机博弈原理,深度学习与AlphaGo,价值网络与策略网络的设计,构成和训练。
第11课 蒙特卡洛树搜索与强化学习,Deepmind通用人工智能的尝试。堆叠150层的超深度网络:深度残差网络及其在Imagenet比赛中的表现。
第12课 递归神经网络RNN;ELMAN和NARX;BPTT学习算法;对抗梯度消失;LSTM原理与结构。