1. 什么是神经网络？什么是深度学习？它们和人工智能有何关系？

    人工智能的发展经历了逻辑推理、专家系统、机器学习三个阶段。机器学习是人工智能领域中目前最活跃的一个分支，神经网络是机器学习中的一种方法，深度学习又是在神经网络的基础上发展起来的。在最近数年中，计算机视觉、语音识别、自然语言处理、和机器人等领域所取得的惊人的进展，都离不开深度学习，它是这一轮人工智能热潮的核心驱动力量，已经成为人工智能领域最重要的技术之一。深度学习不仅改变了计算领域，也为智能制造、交通物流、医疗健康、文化教育、金融财务、安防警戒、农业、通信、文学/艺术创作等其他多个领域提供了强大的新工具。可以说，深度学习正在、或将要改变科学和人类努力的各个领域。

2. 为什么要学习这门课？

   近年来，随着大数据的快速积累、计算资源的成熟发展、以及学习算法的发展创新，人工智能技术在多个领域取得重大突破，已经成为经济发展的新引擎，被视为推动现代社会进步的主要核心技术力量之一，它正在为农业、医疗、教育、能源、国防等诸多领域提供大量新的发展机遇。

2017年7月20日，国务院印发《新一代人工智能发展规划》，鼓励高校拓宽人工智能专业教育内容，重视人工智能与数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合，培养“人工智能×专业”复合型人才。因此，任何专业的学生，都应该掌握一些人工智能的知识。

3.这门课程所采用的深度学习框架是什么？

    这门课程主要采用目前最主流的TensorFlow和PyTorch深度学习框架作为实践平台。

    TensorFlow就是谷歌公司推出的一款高效的人工智能开源框架，自从2015年11月发布以来，已经成为全世界最广泛使用的深度学习库。很多以前难以实现的大规模人工智能任务，都可以借助它来实现。2019年10月正式发布的TensorFlow2.0版本，是对TensorFlow1.x版本彻底的、革命性的改造，它非常的简单、清晰、好用，并且容易扩展，极大地降低了深度学习编程的门槛，使得普通人也能够体验开发人工智能应用程序的乐趣。随着TensorFlow的发展，一直在更新，先后从1.x更新到2.0、2.4，目前我们课程使用的是TensorFlow2.4版本。

    PyTorch是由Facebook开源的神经网络框架，它提供了丰富的工具和库，便于深度学习模型的构建、训练和部署，主要在学术研究领域处于领先地位。同时，PyTorch 的代码很简洁、易于使用且内存使用很高效。

4. 这门课程的主要内容是什么？学习这门课程后具备什么能力？

    课程以神经网络与深度学习的理论及其实例为主线，内容包括Python编程基础、多维数组和数据可视化、TensorFlow2.0/PyTorch深度学习框架基础、回归问题、分类问题、人工神经网络和卷积神经网络。我们将循序渐进、抽丝剥茧的详细介绍算法原理，并为每个重要的理论知识点精心设计了对应的TensorFlow与PyTorch实例，使学习者具备扎实的理论基础和良好的应用能力，能够根据实际任务的需求，合理选择和使用数据，构建、训练和测试模型，并调整模型或参数，优化和改进系统；能够对实验结果进行分析和解释，评估模型精度和误差，具备人工智能应用软件的方案选择、设计和开发能力。   

5. 这门课提供哪些课程资源？

    我们全面梳理了神经网络和深度学习相关理论和方法，将核心内容精心打磨凝练为92个知识点和38个实例。目前已建设好的课程资源包括视频111小节共19小时、PPT1330余页、文档26个、编程实例33个、随堂测试题380道，单元测试题146道、作业题30道、讨论题42道，以及期中考试和期末考试。

    为了帮助大家更方便的展开实践，我们开发了远程在线实验实训平台，分别在美林数据和头歌两个平台上线，学习者无需安装Anaconda、TensorlFlow等软件，仅需使用浏览器登录在线实验平台，即可完成所有实验。链接如下：

        美林数据：https://dev2.asktempo.cn:32080/tempo-talents/#/login?redirect=%2F

        头歌实践教学平台：https://www.educoder.net/paths/10653

6.这门课程面向的学习对象？需要有什么基础？

    这门课程面向多种学科专业、多层次的学习者。只要具备以下基础，就可以尝试开始学习：

    ⑴ 高等数学、线性代数、概率论的基本知识。知道导数、梯度、向量、矩阵、概率等基本概念及运算方法。

    ⑵ 学习过“大学计算机基础”或者其他类似的课程，知道计算机系统的基础知识。

    ⑶ 学习过任何一门编程语言。了解程序设计的基本方法，能够正确的编写出基本的练习程序。

7. 每次开课的内容一样吗？如何查看课程的全部内容？

     根据每次开课过程中积累的经验和存在的问题，以及深度学习技术和工具的不断发展，我们的课程一直在持续改进中，每个新的学期，我们都会对课程内容进行适当的调整、更新和补充。其中主要的更新有：

        ⑴ TensorFlow版本的更新：在第2-6次开课中，对TensorFlow安装教程的版本进行多次更新，从1.x版本逐步更新到2.0以及2.4版本。

        ⑵ 为所有视频添加了字幕，便于对课程的理解。

        ⑶ 内容的补充和完善：在第4-6次开课中，依次补充了卷积神经网络实例、典型的卷积神经网络、AI伦理、TensorFlow.js、TensorFlow Lite、PyTorch实例等内容。

        ⑷ 不断优化测试题、讨论题和作业题，使其更加贴合课程内容，描述更加严谨规范。

    目前正在进行第七次开课，课程每周二更新，如果想要学习最新的课程内容并获得课程证书，建议大家参加第七次课程；如果想提前了解课程的全部内容，可以查看第六次开课。为了便于大家学习，已结束的课程仍然可以浏览课程视频和文档，只是无法提交作业、参与课堂讨论。 

8. 课程有哪些亮点和特色？

    ⑴ 选材先进，理论适度、注重应用实践能力的培养

深度学习是当前人工智能领域最具影响力的研究方向，在各个领域的应用中取得了良好的实践效果。本课程理论适度，并与实践紧密结合，在讲透基本原理讲透的同时，每一个基础理论方法都设计了与之高度匹配的编程实例和作业，。

    ⑵ 采用迭代式教学设计，搭建能力提升阶梯

课程遵循“两性一度”标准，采用迭代式教学设计，例如：

    ①每一个重要的知识点，都提供与之匹配的编程实例以及不断深入的作业题、讨论题和延展题。通过不断提出新的问题，从分析数据、选择属性，到设计模型、优化性能，再到研究性任务，引发学习者自主深入思考。

    ②在不同的知识点之间，通过对同一个任务的层层迭代，逐渐提升学习者综合运用知识的能力。例如，实例鸢尾花分类、手写数字识别贯穿第6~15讲多个知识点，不断优化；实例波士顿房价回归、鸢尾花分类、手写数字识别、cifar图像分类、猫狗大战等各成系列又层层堆叠优化，帮助学生逐步搭建能力提升阶梯，最终能够设计和实现复杂的人工智能应用。

    ⑶“高内聚、低耦合”的模块化的内容设计，适用于多层次、多学科专业

面向多元化的社会学习者，将课程内容凝练为高度模块化的80个知识点和25个实例，各模块之间相互独立又相辅相成，不同基础的学习者可以根据实际情况“按需选材，因材施教”。例如，注重理论知识学习的同学，可以忽略实例部分，只浏览理论学习的视频，也是连贯和自成一体的。对于已经掌握理论知识，只是想学习TensorFlow的同学，则可以仅浏览TensorFlow基础和编程实践部分的课程。另外，有一定基础的同学，也可以先完成测试题和作业题，了解自己对知识的掌握情况，然后再根据需要有选择性的浏览课程内容。

• 了解高等数学、线性代数、概率论的基本知识。知道导数、向量、矩阵，概率这些基本概念；掌握基本的数学运算方法和规则。

• 学习过“大学计算机基础”或者其他类似的课程，知道计算机的最基础知识。

• 学习过任何一门编程语言。知道程序设计的基本方法，能够正确的编写出基本的练习程序。