深度学习基础_哈尔滨工业大学

播放

深度学习基础

课程详情

课程评价

spContent=深度学习是人工智能时代的关键技术之一。本课程是一门侧重在深度学习相关理论基础的课程，并对深度学习的典型模型框架的基本原理进行了介绍。如果你想亲密接触深度学习、人工智能等并愿意付诸实践，请加入进来吧！

—— 课程团队

课程概述

各位同学，大家好：

欢迎学习《深度学习基础》课程。

随着人工智能的再次火热，深度学习成为其中关键技术之一，并为业界关注。本课程是一门侧重在深度学习相关理论基础的课程，并对深度学习的典型模型框架如循环神经网络、卷积神经网络等的基本原理进行了介绍。课程同时还包括若干关键内容的相关代码及运行效果演示，从而便于同学们获得理性和感性的认识。如果你想亲密接触深度学习、人工智能等并愿意付诸实践，请加入进来吧！

本期课程我们提供了以下内容：

(1)课程视频。常规的基础教学内容总计8讲视频，每周发布一讲；对于相关代码及演示，课程以目前流行的Python作为主编程语言。第9讲内容为新增加的可选的高级内容，考试暂不做要求。

(2)测验考核题。每讲会随机产生10道题，在限定时间内提交，总分10分。如果你没有开始测试，则你可在测验发布之日至截止日期之间的任何时间内完成即可。一旦你开始测试，则需在限定时间内(如30分钟内)完成提交。到限定时间结束时系统会自动提交，无论你是否回答了问题。其结果将计入最终成绩。每讲，你可以有两次测验机会（但两次未必是同一张卷），两次测验成绩最高分数为本讲你获得的成绩分数。

(3)期末考试。期末会有一个考试，20道题20分。

课程的思维导图如下：

关于课程的实践案例教学方面，在CMOOC联盟—华为“智能基座”慕课建设项目的支持下，课程若干章节还给出了Mindspore框架下的案例分析等内容。

在学习过程中有任何问题，请随时联系任课教师或者在课程论坛里发出问题。我们将尽最大的努力辅助你们的学习，解答你们的疑问。

祝大家学习愉快，有所收获！

《深度学习基础》课程组

课程大纲

预备知识

1. 线性代数、概率等的知识

2. python的基本编程知识

证书要求

为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。

电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。

完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。

认证证书申请注意事项：

1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。

2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。

参考资料

1. 李航.《统计学习方法》.清华大学出版社. 2012年第一版；

2. https://www.anaconda.com/download/#windows

3. https://scikit-learn.org/

4. https://en.wikipedia.org/wiki/

5. https://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html

6. https://www.nltk.org/

7. https://pypi.org/project/jieba/

8. https://colah.github.io/posts/2015-08-Understanding-LSTMs/

9. Yang Z, Yang D, Dyer C, et al. Hierarchical attention networks for document classification[C]//Proceedings of NAACL-HLT. 2016: 1480-1489

10.Cho K, Van Merrienboer B, Gulcehre C, et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[J]. Eprint Arxiv, 2014.

11. Schuster M, Paliwal K K. Bidirectional recurrent neural networks[J]. Signal Processing, IEEE Transactions on, 1997, 45(11): 2673-2681.

12.Socher et al.. Semi-Supervised Recursive Autoencoders for Predicting Sentiment Distributions, EMNLP 2011

13. Socher R, Huval B, Manning C D, et al. Semantic compositionality through recursive matrix-vector spaces[C]// Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning. 2012:1201-1211.

14. Socher, R., Perelygin, A., Wu, J. Y., Chuang, J., Manning, C. D., & Ng, A. Y., et al. (2013). Recursive deep models for semantic compositionality over a sentiment treebank. EMNLP 2013. page 1631--1642

15. Diederik P Kingma, Max Welling (2013). Auto-Encoding Variational Bayes. ICLR 2014

16. Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). Generative Adversarial Networks (PDF). Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014). pp. 2672–2680.

17. https://www.cs.uic.edu/~liub/FBS

18. 华为mindspore官网：https://mindspore.cn

19. 华为mindspore开源代码仓：https://gitee.com/mindspore/mindspore

20. 华为云官网：https://www.huaweicloud.com/

推荐阅读书籍列表：

此外，经常有同学问学习机器学习或者深度学习，还推荐哪些书阅读更好。如下列表中给出的书目是当下很受学生们欢迎的这方面的教材。

1.邱锡鹏《神经网络与深度学习》（蒲公英书）

2.Ian Goodfellow 《深度学习》(花书)

3.Aston Zhang 《动手学深度学习》

4.周志华《机器学习》（西瓜书）

5.李航《统计学习方法》

6.Francois Chollet 《Python 深度学习》