课程介绍

这门课根据ACM和HGOE最新版人工智能体系的一百多个知识点，对深度学习理论进行了重新的梳理，内容囊括了从90年代到目前最新几乎所有主流模型，让你一课在手就能够建立全局的知识框架哦。而且还把算法和代码紧密结合，手把手教学习者用深度学习的方法解决实际问题，可以带你快速进入深度学习算法工程师的角色

课程目录

• 深度学习必修课：进击算法工程师
• 001.1-1 课程内容和理念_
• 002.1-2 初识深度学习_
• 003.1-3 课程使用的技术栈_
• 007.3-1 CUDA+Anaconda深度学习环境搭建_
• 010.3-4 深度学习库PyTorch安装_
• 011.4-1 神经网络原理_
• 012.4-2 多层感知机_
• 013.4-3 前向传播和反向传播_
• 014.4-4 多层感知机代码实现_
• 015.4-5 回归问题_
• 016.4-6 线性回归代码实现_
• 017.4-7 分类问题_
• 018.4-8 多分类问题代码实现_
• 019.5-1 训练的常见问题_
• 020.5-2 过拟合欠拟合应对策略_
• 021.5-3 过拟合和欠拟合示例_
• 023.5-5 Dropout_
• 024.5-6 Dropout代码实现_
• 027.6-1 最优化与深度学习_
• 028.6-2 损失函数_
• 029.6-3 损失函数性质_
• 031.6-5 随机梯度下降法_
• 033.6-7 动量法_
• 037.6-11 梯度下降代码实现_
• 038.6-12 学习率调节器_
• 039.7-1 全连接层问题_
• 040.7-2 图像卷积_
• 041.7-3 卷积层_
• 042.7-4 卷积层常见操作_
• 044.7-6 卷积神经网络代码实现（LeNet）_
• 045.8-1 AlexNet_
• 046.8-2 VGGNet_
• 047.8-3 批量规范化_
• 048.8-4 GoogLeNet_
• 049.8-5 ResNet_
• 050.8-6 DenseNet_
• 052.9-2 文本数据预处理_
• 053.9-3 循环神经网络_
• 054.9-4 随时间反向传播算法_
• 055.9-5 循环神经网络代码实现_
• 056.9-6 RNN的长期依赖问题_
• 057.10-1 深度循环神经网络_
• 058.10-2 双向循环神经网络_
• 059.10-3 门控循环单元_
• 060.10-4 长短期记忆网络_
• 061.10-5 复杂循环神经网络代码实现_
• 062.10-6 编码器-解码器网络_
• 063.10-7 序列到序列模型代码实现_
• 065.10-9 机器翻译简单代码实现_
• 066.11-1 什么是注意力机制_
• 067.11-2 注意力的计算_
• 068.11-3 键值对注意力和多头注意力_
• 069.11-4 自注意力机制_
• 070.11-5 注意力池化及代码实现_
• 072.11-7 Transformer代码实现_
• 073.12-1BERT模型_
• 078.12-6 GPT模型代码实现_
• 081.13-3 变分自编码器_
• 082.13-4 生成对抗网络_
• 085.14-1 自定义数据加载_
• 086.14-2 图像数据增强_
• 087.14-3 迁移学习_
• 088.14-4 经典视觉数据集_
• 089.14-5 项目实战：猫狗大战_
• 091.15-2 词义搜索和句意表示_
• 092.15-3 预训练模型_
• 094.15-5 经典NLP数据集_
• 095.15-6 项目实战：电影评论情感分析_
• 099.16-4 深度学习最新发展趋势分析_
• 100.16-5 下一步学习的建议_