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。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。

     (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：   

       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     

本门课总成绩100分。

每周我们都留有在线完成的单元测验（10分），共8周合计80分；

在期末我们会统一安排一次在线期末考试，占20分。

1. 线性代数、概率等的知识

2. python的基本编程知识

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