收藏复旦大学机器学习、深度学习公开课，附PDF课件下载.pdf

收藏复旦大学机器学习、深度学习公开课，附PDF课件下载

授课目标

掌握深度学习的基本原理、常用算法，并在此基础上应用于机器

视觉、自然语言处理等相关领域，培养一定的分析和解决实际问题的

能力。

01神经网络基础

理解前馈神经网络的结构、梯度下降法以及网络训练调优的基本

方法，并能应用前馈神经网络解决实际问题。建议5个学时。打*的内

容属于高级版，后面陆续推出。

课时

1.1神经网络简介

1.2神经网络相关概念

1.3神经网络效果评价

1.4神经网络优化

1.5银行客户流失预测

1.6练习题

02深度学习在人工智能系统的应用

通过众多的案例，了解深度学习的典型应用场景。建议2个学时。

课时

2.1深度学习典型应用场景

2.2深度学习应用案例分析

2.3练习题

03卷积神经网络

理解卷积的内涵，熟悉常用的10几种卷积神经网络的结构、训练

方法以及典型场景的应用。建议10个学时。

课时

3.1卷积的理解—卷积和池化

3.2常见的卷积模型

@Lenet-5、AlexNet、VGGNet、GoogleLeNet、ResNet等

@Inceptionv2-v4、DarkNet、DenseNet、SSD等*

@MobileNet，ShuffleNet*

3.3胶囊网络*

3.4CNN卷积神经网络应用案例

3.5目标检测常用算法

@R-CNN、FastRCNN、FasterRCNN、YOLOv1-v3等

3.5图像分类

3.6动物识别

3.7物体检测

3.8人脸表情年龄特征识别*

3.9练习题

04循环神经神经网络

理解循环神经网络以及变种LSTM、GRU的结构、训练方法以及

典型场景的应用。建议6个学时。

课时

4.1RNN基本原理

4.2LSTM

4.3GRU

4.4CNN+LSTM模型

4.5Bi-LSTM双向循环神经网络结构

4.6Seq2seq模型

4.7注意力机制

4.8自注意力机制*

4.9ELMo、Transformer等*

4.10BERT、EPT、XLNet、ALBERT等*

4.11机器翻译

4.12练习题

05生成对抗网络

理解生成对抗网络的结构、训练方法以及典型场景的应用。建议5

个学时。

课时

5.1生成对抗网络模型

5.2GAN的理论知识

5.3DCGAN

5.4自动生成手写体

5.5CycleGAN*

5.6WGAN*

5.7练习题

06深度学习神经网络应用

学会使用卷积神经网络、循环神经网络、生成对抗网络的常用算

法的应用，解决实际问题，并能做创新性的应用。建议5个学时。

课时

6.1股票走势预测

6.2文本情感分类

6.3图像风格转移*

6.4机器翻译

6.5练习题

07强化学习

理解强化学习的基本概念和原理，了解强化学习的典型应用场景。

建议2个学时。

课时

7.1强化学习基本原理

7.2强化学习常用模型

7.3强化学习典型应用

7.4深度Q网络*

7.5练习题

08项目驱动的深度学习方法

理解如何结合实际项目，强化机器学习和深度学习理论知识的深

入理解，体会深度学习解决实际问题的技巧和技能。建议2个学时，

加1个学时的讨论。

课时

8.1项目驱动的深度