深度学习基础入门指南 / 开启智能时代的大门，掌握深度学习的基石

课程介绍

限时活动

讲师介绍

王然，众微科技 AI Lab 技术负责人。

王然本科毕业于北京大学，后于阿姆斯特丹大学攻读数学和计量经济学双学位，并在蒂尔堡大学攻读营销模型专业。他的研究方向主要为贝叶斯理论以及泛函分析理论和应用，主要参与的项目方向包括图像、语音、NLP、强化学习、知识图谱的理论和应用等。

王然还曾担任百分点认知智能实验室技术负责人，他带领开发了百分点的人机对话机器人和文书校对系统，其中，文书校对系统无论就准确性还是召回率来说，均达到了业界前沿水平。

课程介绍

在人工智能的浪潮中，深度学习以其强大的数据处理能力和广泛的应用前景，成为了许多领域的关键技术。无论是图像识别、自然语言处理还是复杂的数据分析，深度学习都扮演着不可或缺的角色。然而，对于初学者来说，深度学习的复杂性和多样性可能会让人感到望而却步。

本课程旨在为你提供一个全面的深度学习入门指南。通过本课程的学习，你将能够掌握深度学习的基础知识，理解并应用常见的网络设计模式，为进一步的深度学习研究和实践打下坚实的基础。

课程目录

教学目标

1.掌握深度学习的基础概念
2.掌握常见的网络设计模式

难点

1.常见的网络设计模式的应用
2.不同的 Embedding 设计方法
3.Attention 机制的灵活应用

详细内容

1.深度学习的基本概念:神经网络的数学形式、后向传递、神经网络的经典优化算法、神经网络优化过程的注意事项
2.神经网络构成的基本要素:全连接层、激活函数、Normalization、Dropout 及四者的关系3.常见的神经网络设计模式:Embedding、Attention、Memory、Residual/Dense Connection等结构的数学形式及其适用性和改变形式
4.预训练的各种形式:Autoencoder、Multi-task Training、Contrast Learning、TripletMining、Bert Type Mask、Consistency Regularization、 Self-training
5.经典神经网络:MLP、CNN、RNN 常见结构的数学形式及使用范畴6.Transformer: Transformer 结构的数学形式、Embedding 和 Transformer 在表征学习当中的应用、Transformer 的结构改进方式、Performer、Mixture of Experts 及 Switch Transformer
7.推荐系统经典模型介绍:Neural FM 系列模型的数学形式及其适用

订阅须知