hi,小慕
课程

中国大学MOOC,为你提供一流的大学教育

认证学习
为你提供认证成绩和证书,以及AI高效学习服务
查看详情
大学

国家精品

认证学习

智慧课程

理学工学农学

计算机

经济管理

外语

音乐与艺术

心理学

文史哲法

医学与保健

教育教学

大学生竞赛

软件实训

人工智能

升学/择业

考研

期末突击

专升本

四六级

保研及论文

求职就业

专四专八

大学应试英语

大学生涯规划

期末资料

终身学习

名师专栏

兴趣技能

hi,小mooc
揭秘大学信息差
期末考试会员
认证学习
综合能力提升-深度学习基础
第1次开课
开课时间: 2025年06月16日 ~ 2025年06月30日
学时安排: 3-5小时每周
当前开课已结束 已有 274 人参加
认证学习
认证成绩和证书
智能问答和解析
视频学习辅助
老师已关闭该学期,无法查看
课程详情
课程评价(63)
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!
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》慕课。本慕课的配套教材为授课团队主编、由高等教育出版社出版的《深度学习基础》教材。该教材入选工信部十四五规划教材、国家人工智能战略咨询委员会推出的新一代人工智能系列教材、教育部战略性新兴领域(人工智能)“十四五”高等教育教材体系,并获得教育部-华为智能基座教材研究项目的支持。

    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、预训练模型、Transformer等的基本原理进行了介绍。其中,Transformer是ChatGPT等大模型的核心关键技术。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!

   

      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

第一讲 深度学习概述

1.1 深度学习的引出

1.2 数据集及其拆分

1.3 分类及其性能度量

1.4 回归问题及其性能评价

1.5 一致性的评价方法

1.6 程序讲解:使用Sklearn进行精确率-召回率曲线的绘制

第一讲讲义

(附)使用Sklearn进行精确率-召回率曲线的绘制程序

1.7 深度学习芯片及常用框架介绍

第一讲测验

第二讲 特征工程概述

2.1 特征工程

2.2 向量空间模型及文本相似度计算

2.3 特征处理(特征缩放、选择及降维)

2.4 程序讲解:使用sklearn对文档进行向量化的程序示例

2.5 程序讲解:使用sklearn进行量纲缩放的程序示例

第二讲讲义

(附)使用sklearn对文档进行向量化的程序

(附)使用sklearn进行量纲缩放的程序

第二讲测验

第三讲 回归问题及正则化

3.1 线性回归模型及其求解方法

3.2 多元回归与多项式回归

3.3 损失函数的正则化

3.4 逻辑回归

3.5 程序讲解:使用sklearn进行线性回归和二次回归的比较的程序示例

第三讲讲义

(附)使用sklearn进行线性回归和二次回归的比较程序

3.6 案例分析:(MindSpore框架下)线性回归模型及动态绘图实践示例

第三讲测验

第四讲 信息熵及梯度计算

4.6 反向传播算法

4.7 提升神经网络模型泛化能力

4.1 信息熵

4.2 反向传播中的梯度

4.3 感知机

4.4 程序讲解:正向传播和反向传播的程序示例

4.5 程序讲解:信息熵和互信息的计算程序示例

(附)信息熵和互信息的计算程序

第四讲讲义

第四讲测验

第五讲 循环神经网络及其变体

5.1 循环神经网络

5.2 长短时记忆网络

5.3 双向循环神经网络和注意力机制

5.4 程序讲解:循环神经网络的程序示例

第五讲讲义

(附)循环神经网络的程序

第五讲测验

第六讲 卷积神经网络

6.1 卷积与卷积神经网络

6.2 LeNet-5 模型分析

6.3 程序讲解:卷积神经网络的程序示例

第六讲讲义

(附)卷积神经网络的程序

6.4 案例分析:(MindSpore框架下)基于lenet5的手写数字识别实践示例

第七讲 递归神经网络

7.1 情感分析及传统求解方法

7.2 词向量

7.3 递归神经网络及其变体

第七讲讲义

7.4 案例分析:(MindSpore框架下)基于LSTM的情感分类实践示例

第七讲测验

第八讲 生成式神经网络

8.1 自动编码器

8.2 变分自动编码器

8.3 生成对抗网络

8.4 程序讲解:自动编码器程序示例

第八讲讲义

(附)自动编码器程序

8.5 案例分析:(MindSpore框架下)基于Cyclegan的图像风格迁移实践示例

第八讲测验

第九讲 预训练模型及其应用

第九讲讲义(2)-预训练模型

9.1 Transformer模型

9.2 预训练模型

9.3 案例分析:(Mindspore框架下)基于BERT网络实现智能写诗的实践示例

9.4 案例分析:(MindSpore框架下)transformer机器翻译实践示例

第九讲讲义(1)-Transformer

展开全部
预备知识

1. 线性代数、概率等的知识

2. python的基本编程知识

参考资料

配套纸质版教材: 刘远超. 《深度学习基础》. 高等教育出版社. 2023年9月第一版. 


教材封面图


教材各章关系图


参考文献:

1. 李航.《统计学习方法》.清华大学出版社. 2012年第一版

2.  Ian Goodfellow、Yoshua Bengio, Aaron Courville. Deep Learning(花书). 人民邮电出版社, 2017年出版 

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/ 

显示全部
国家高等教育智慧教育平台
1 位授课老师
刘远超

刘远超

副教授,博士生导师

推荐课程

沟通心理学

裴秋宇

168991人参加

教育学

郭翠菊

73561人参加

心理学入门

陈红兵

103722人参加

大学生心理健康教育

叶湘虹

78567人参加
下载
下载

下载App