神經網絡與深度學習（附微課視頻）（線上實訓版）

張杲峰，蘭州大學，蘭州大學信息科學與工程學院講師，擔任“計算思維課程群基層教學組織”團隊成員，主要從事深度學習與人工智能、計算機建模領域研究。主持國家重點實驗室開放基金項目1項，參與“計算機科學拔尖創新人才培養模式的構建與實踐”等教改項目。

第　一章 緒論（15-20頁）

1.1　人工智能

1.1.1　人工智能的起源

1.1.2　人工智能的發展與流派

1.1.3　人工智能的社會、倫理問題

1.2　機器學習

1.3　人工神經網絡

1.3.1　人腦神經網絡

1.3.2　人工神經網絡的產生

1.3.3　人工神經網絡的發展

1.4　深度學習

1.4.1　深度學習的產生和發展

1.4.2　深度學習主要開發框架

1.4.3　深度學習的應用現狀

1.5　本書的知識結構

1.6　關鍵知識梳理

1.7　問題與實踐

第二章　機器學習（20頁）

2.1　基本概念

2.2　機器學習的類型和常見任務

2.2.1　機器學習的類型

2.2.2　機器學習的常見任務

2.3　機器學習任務的基本流程

2.4　模型評估與性能度量

2.4.1　誤差

2.4.2　性能度量

2.4.3　模型評估

2.5　關鍵知識梳理

2.6　問題與實踐

第三章　人工神經網絡（20頁）

3.1　大腦與人工神經網絡

3.1.1　大腦

3.1.2　人工神經網絡

3.2　感知機模型

3.2.1　可學習的感知機

3.2.2　利用感知機進行鳶尾花分類

3.3　關鍵知識梳理

3.4　問題與實踐

第四章　多層感知機（MLP）（25頁）

4.1　MLP的結構

4.1.1　輸入層

4.1.2　輸出層

4.1.3　隱含層

4.2　前饋算法

4.3　反向傳播算法

4.3.1　梯度下降

4.3.2　鏈式求導

4.4　利用MLP進行手寫字符識別

4.5　關鍵知識梳理

4.6　問題與實踐

第五章　卷積神經網絡（CNN）（20頁）

5.1　全連接網絡的弱點

5.2　感受野與卷積

5.2.1　感受野

5.2.2　平移不變性與卷積

5.2.3　尺度不變性與匯聚

5.3　CNN的結構

5.3.1　CNN的一般結構

5.3.2　LeNet-5網絡

5.4　利用LeNet-5進行Cifar 10分類

5.5　關鍵知識梳理

5.6　問題與實踐

第六章　CNN的不同變體及應用（30頁）

6.1　VGG及其應用

6.1.1　VGG的結構與特點

6.1.2　VGG的應用案例

6.2　GoogleNet及其應用

6.2.1　Inception及GoogleNet的結構

6.2.2　GoogleNet的應用案例

6.3　ResNet及其應用

6.3.1　ResNet的結構

6.3.2　LResNet的應用案例

6.4　關鍵知識梳理

6.5　問題與實踐

第七章　循環神經網絡（20頁）

7.1　序列數據與循環神經網絡

7.2　長程依賴與長短期記憶網絡（LSTM）

7.2.1　長程依賴

7.2.2　LSTM

7.3　LSTM應用案例

7.4　關鍵知識梳理

7.5　問題與實踐

第八章　深度生成模型（30頁）

8.1　生成模型

8.2　自編碼器（AE）

8.3　變分自編碼器（VAE）

8.3.1　VAE的結構與原理

8.3.2　VAE的應用案例

8.4　對抗生成網絡（GAN）

8.4.1　GAN的結構與原理

8.4.2　GAN的應用案例——風格遷移

8.5　序列生成模型（seq2seq）及其應用案例

8.6　關鍵知識梳理

8.7　問題與實踐

第九章　註意力機制與Transformer（20頁）

9.1　註意力機制

9.2　Transformer

9.2.1　Transformer的原理

9.2.2　Transformer的應用案例

9.3　ViT

9.3.1　ViT的原理

9.3.2　ViT的應用案例

9.4　關鍵知識梳理

9.5　問題與實踐