第一章：概论

1.1 深度学习概念的提出

n 深度学习概念的提出

1.2  数据集拆分问题

n 数据集拆分方法

n 数据集拆分程序

1.3 分类性能如何评价

n 分类性能度量方法之准确率、精确率及召回率

n 分类性能度量方法之准确率、精确率及召回率程序示例

n 分类性能度量方法之绘制P-R曲线示例

n 分类性能度量方法之ROC曲线

n 分类性能度量方法之ROC曲线绘制程序示例

n 分类效果可视化方法之混淆矩阵及程序示例

1.4 参数调优问题

n K折交叉验证

n 使用网格搜索进行参数调优

1.5 回归性能如何评价

n 回归问题评价方法及程序

n 逻辑回归损失计算方法及程序示例

1.6 一致性如何评价

n 皮尔森相关系数及kappa相关系数的原理及程序示例

第二章：特征工程

2.1 文本特征预处理方法

n NLTK的使用方法及程序示例

n Jieba分词方法及程序示例

n BOW、VSM程序及代码

n TFIDF及程序演示

2.2常见相似度计算方法及程序

n 常见相似度计算方法及程序

2.3 图像特征工程问题

n 图像特征数值化问题

2.4 特征值的进一步处理

n 量纲缩放问题

n 特征值规范化处理、特征缺失值处理问题

2.5 特征选择及程序演示

n 图像的递归特征消除方法

n LDA及PCA

第三章：深度学习相关技术基础（一）

3.1 线性回归

n 线性回归问题

n 线性回归的矩阵解法及梯度下降解法

n Sklearn中的线性回归

n 多元线性回归

n R2评价方法

n 多项式回归

3.2 学习曲线的绘制

n 学习曲线的绘制

3.3 逻辑回归

n 逻辑回归原理及程序演示

n Sklearn中逻辑回归的损失函数及优化方法

3.4 回归的正则化处理

n 回归的正则化问题

n 岭回归及曲线绘制示例

第四章：深度学习相关技术基础（二）

n 感知机模型及程序示例

n 熵、交叉熵、相对熵及JS散度的原理及程序示例

n 联合熵、条件熵及互信息的原理及程序示例

n 反向传播中的梯度问题及程序示例

n 从线性分类器到小型神经网络及程序示例

第五讲：循环神经网络

n 标准RNN模型

n LSTM模型基本原理

n LSTM模型的常见变体

n LSTM典型开源代码学习笔记（1）

n LSTM典型开源代码学习笔记（2）

第六章：卷积神经网络

n 卷积神经网络基本原理

n LeNet-5及在图像分类上的应用

n 用卷积神经网络进行文本分类

n 卷积神经网络典型开源代码学习笔记

第七章：递归神经网络

n 情感分析问题及常规求解策略

n Google word2vec介绍

n 采用递归神经网络解决情感分析问题

n 递归神经网络开源代码学习笔记