算法工程师带你读深度学习圣经《Deep Learning》

算法工程师带你读深度学习圣经《Deep Learning》

最近在学 16人 累计报名 53 好评度 100% 收藏
  • DL读书分享会
更多班级

DL读书分享会

支持随到随学,23年02月过期

免费

本班因教学质量问题暂时不能报名。查看详情

课程因违反平台规定暂时不能报名。

立即报名 咨询在线电话

课程概述

课程目录

学员评论

老师介绍

AI慕课学院-小琦老师

AI慕课学院-小琦老师

AI慕课学院助教小琦老师,专注于人工智能人才培训,擅长机器学习、模式识别、数据挖掘、自然语言处理、计算机视觉、人机交互等人工智能相关领域。
简  介本课程是『雷锋网旗下垂直 AI 领域学术交流社群——AI 研习社所发起的活动“学术青年分享会”中的内容;本次分享主要邀请国内外高校 CS 背景的优秀硕博生及硅谷、BAT 等知名企业工程师带大家一起研读《Deep Learning》这本深度学习圣经。

课程介绍


本课程是『雷锋网旗下垂直 AI 领域学术交流社群——AI 研习社所发起的活动“学术青年分享会”中的内容,AI慕课学院已获授权进行连载播放。

本次分享主要邀请国内外高校 CS 背景的优秀硕博生及硅谷、BAT 等知名企业工程师带大家一起研读《Deep Learning》这本深度学习圣经。

感谢各位嘉宾的无私分享,AI慕课学院已获授权进行连载播放,希望能帮到更多想入门人工智能的学员成为专业的AI人才。

分享人  

王奇文

江湖码农,前BAT资深工程师,先后做过推荐系统、分布式、数据挖掘、用户建模、聊天机器人。
 

孙嘉睿

迅雷人工智能图像算法工程师,北京大学信息工程学院博士,京都大学情报学硕士。
 

吴楚

数学硕士,华大基因算法工程师,典型程序猿一枚。
 

陈安宁(Jackie)

名古屋大学计算力学博士,目前从事AI 咨询和解决方案的开发。
 

只有九章是因为目前为止我们只讲了九章,在这里做一个汇总,点击下面列出的每一章的题目即可跳转到那篇文章。

课程目录
 

大家可以把本文收藏下来,这样方便回过头来向各个章节跳转。

  1.第一章:前言

这一部分主要是深度学习的一些基本介绍、一些发展历史。可以看一下这个封面,一幅漂亮的风景画,纽约中央公园遍地盛开的杜鹃花,仔细看有点不太正常,对了,这就计算机生成的,确切的说,是 Google deepmind 团队的杰作——梦幻公园。
 

  2.第二章:线性代数

今天分享的是第二章:线性代数。从 27 页到 42 页,内容不多,基本都是传统形式上的概念。同样,我只讲直观思路,尽可能的少用公式,毕竟好多人见着数学公式就头疼,更不用说在 PPT 上看了,效果不好,容易催眠,看着看着就身在朝野心在汉了。
 

  3.第三章:概率和信息论

这节课会讲到一些基本概念,常用的分布,频率学派和贝叶斯学派的差别,还有贝叶斯规则,概率图,最后是信息论。这里第四条可能很多人可能头一回见到,学了那么多概率,连这个都不知道,那你的概率真的白学了,真这样,不开玩笑。不过,老实说我也是前几年才知道这个学派的差别,因为浙大三版教材上就没提到这些,好像就提到一点,频率学派就是古典概率,没有什么其他的,这也是现行教材的缺陷。
 

  4.第四章:数值计算

其实我们大部分人在运用机器学习或者深度学习的时候是不需要考虑这一章的内容的,这章的内容更多是针对算法的数学分析,包括误差的增长以及系统的稳定性。

第一,在机器学习、包括了深度学习中数值计算的应用。

第二,数值误差的问题

第三,简单的分析机器学习系统的稳定性问题

最后,针对优化问题给出了两种不同的优化算法,一种是梯度下降法,一种是限制优化算法。
 

  5. 第五章:机器学习基础

5.1 学习算法

5.2 Capacity, 过拟合和欠拟合

5.3 超参数和验证集

5.4 估计量,偏移值和方差

5.5 最大似然估计

5.6 贝叶斯统计

5.7 监督学习算法

5.8 无监督学习算法

5.9 随机梯度下降

5.10 构建机器学习算法

5.11 挑战深度学习
 

  6.第六章:前馈神经网络

6.1 例子:学习异或

6.2 基于梯度的学习

6.3 隐藏层单元

6.4 架构设计

6.5 BP 算法和其他不同算法

6.6 历史记录?
 

  7.第七章:深度网络的正则化

7.1 参数归一化惩罚

7.2 归一化惩罚作为条件最优化

7.3 正则化和欠约束问题

7.4 数据集增大

7.5 噪声鲁棒

7.6 半监督学习

7.7 多任务学习

7.8 早期中止

7.9 参数连接和参数共享

7.10 稀疏表达

7.11 Bagging and Other Ensemble Methods?

7.12 Dropout

7.13 对抗训练

7.14 切线距离,Tangent Prop 和流行切分类器?

 
 8.第八章:深度模型中的优化

8.1学习和纯优化有什么不同

8.2神经网络优化中的挑战

8.3基本算法

8.4参数初始化策略

8.5自适应学习率算法

8.6二阶近似方法

8.7优化策略和元算法

  9.第九章:卷积网络

9.1卷积运算

9.2动机

9.3池化

9.4卷积与池化作为一种无限强的先验

9.5基本卷积函数的变体

9.6结构化输出

9.7数据类型

9.8高效的卷积算法

9.9随机或无监督的特征

9.10卷积网络的神经科学基础

9.11卷积网络与深度学习的历史

* 课程提供者:英鹏AI慕课学院

老师还为你推荐了以下几门课程