本課程將全面的介紹近年發(fā)展起來的基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)的基本概念，主要結(jié)構(gòu)，核心方法和關(guān)鍵應(yīng)用。主要內(nèi)容包括：（1）機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基本概念和算法及其背后概率論、線性代數(shù)、優(yōu)化理論相關(guān)基礎(chǔ)；（2）深度學(xué)習(xí)的主流結(jié)構(gòu)、激活函數(shù)、正則化技術(shù)，實(shí)用算法細(xì)節(jié)和應(yīng)用案例；（3）計算機(jī)視覺與白然語言處理技術(shù)原理與應(yīng)用；（4）包括模型壓縮、生成對抗網(wǎng)絡(luò)技術(shù)在內(nèi)的新興技術(shù)簡介；（5）前沿論文與技術(shù)探討。

通過課程的學(xué)習(xí)，使同學(xué)們鞏固基礎(chǔ)數(shù)學(xué)及機(jī)器學(xué)習(xí)的基本概念和算法；掌握神經(jīng)網(wǎng)絡(luò)基本概念；掌握深度學(xué)習(xí)中的主要網(wǎng)絡(luò)結(jié)構(gòu)的基本概念和相關(guān)算法；了解具體應(yīng)用領(lǐng)域的背景知識、應(yīng)用相關(guān)的深度學(xué)習(xí)技術(shù)；并了解生成對抗網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)模型壓縮等新興技術(shù)。

深度學(xué)習(xí)是目前人工智能、機(jī)器學(xué)習(xí)領(lǐng)域異常火熱的研究方向，受到了學(xué)術(shù)界和

工業(yè)界的高度關(guān)注，被《麻省理工學(xué)院技術(shù)評論》（MIT Technology Review）評為2013年十大突破性技術(shù)之首。深度學(xué)習(xí)已經(jīng)在語音識別、圖像識別、自然語言處理等諸多

領(lǐng)域取得了突破性進(jìn)展，對學(xué)術(shù)界和工業(yè)界產(chǎn)生了深遠(yuǎn)的影響。本課程采用google開源軟件TensorFlow作為深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)平臺，講解了全連接神經(jīng)網(wǎng)絡(luò)、自編碼器

和多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等的設(shè)計與實(shí)現(xiàn)，以及網(wǎng)絡(luò)訓(xùn)練過程中的數(shù)據(jù)處理、網(wǎng)絡(luò)優(yōu)調(diào)與超參數(shù)設(shè)計，并介紹深度強(qiáng)化學(xué)習(xí)和網(wǎng)絡(luò)模型的可視化、多

GPU并行與分布式處理技術(shù)。通過本課程的學(xué)習(xí)使學(xué)生掌握深度學(xué)習(xí)技術(shù)并應(yīng)用該技

術(shù)解決實(shí)際問題，了解應(yīng)用領(lǐng)域的背景知識。

Deep learning is currently an extremely hot research direction in the field of artificial intelligence and machine learning.It has received great attention from academia and industry.It was rated as one of the top ten breakthrough technologies in 2013 by the MIT Technology Review.The first.Deep learning has made breakthroughs in many fields such as speech recognition，image recognition，and natural language processing，and has had a profound impact on academia and industry.This course uses Google's open source software TensorFlow as the deep learning technology implementation platform，and explains the design and implementation of fully connected neural networks，autoencoders and multilayer perceptrons，convolutional neural networks，recurrent neural networks，etc.，as well as the network training process Data processing，network optimization and hyperparameter design，and introduction of deep reinforcement learning and network model visualization，