近年来,以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能问答、推荐系统到自动驾驶,人们在日常生活中都可能有意无意地使用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者们的长期努力。特别是最近这几年,得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富,越来越多的人开始关注这一个“崭新”的研究领域:深度学习。
深度学习以神经网络为主要模型,一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力,深度学习越来越多地用来解决一些通用人工智能问题,比如推理、决策等。目前,深度学习技术在学术界和工业界取得了广泛的成功,受到高度重视,并掀起新一轮的人工智能热潮。
关于本书
近年来,以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能问答、推荐系统到自动驾驶,人们在日常生活中都可能有意无意地使用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者们的长期努力。特别是最近这几年,得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富,越来越多的人开始关注这一个“崭新”的研究领域:深度学习。深度学习以神经网络为主要模型,一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力,深度学习越来越多地用来解决一些通用人工智能问题,比如推理、决策等。目前,深度学习技术在学术界和工业界取得了广泛的成功,受到高度重视,并掀起新一轮的人工智能热潮。
本课程主要介绍神经网络与深度学习中的基础知识、主要模型(前馈网络、卷积网络、循环网络等)以及在计算机视觉、自然语言处理等领域的应用。
要获取更新提醒,请关注https://github.com/nndl/nndl.github.io
课程练习,见https://github.com/nndl/exercise
概要
《神经网络与深度学习》3小时课程概要 ppt(72M) pdf (12M)
全书内容 pdf (updated 2019-10-07)、ipad版 (updated 2019-10-07,请忽略版式问题)
2019-09-29更新说明:
-
更新向量符号:将所有粗体英文字母改为粗斜体
-
调整绪论的小节顺序
-
修改issue中的部分错误
-
统一更改了参考文献格式
-
增加了吴立德老师序
2019-10-07更新说明:
-
数学基础 调整微积分一节,增加了泰勒公式,积分的介绍
-
数学基础 增加熵编码一节
-
概率图模型 调整“学习”和“推断”两节的次序
-
概率图模型 增加“变分推断“的简单介绍
章节内容
-
绪论[ppt]
-
机器学习概述 [ppt]
-
线性模型 [ppt]
-
前馈神经网络 [ppt]
-
卷积神经网络 [ppt]
-
循环神经网络 [ppt]
-
网络优化与正则化 [ppt]
-
注意力机制与外部记忆 [ppt]
-
无监督学习 [ppt]
-
模型独立的学习方式 [ppt]
-
概率图模型 [ppt]
-
深度信念网络 [ppt]
-
深度生成模型[ppt]
-
深度强化学习 [ppt]
-
序列生成模型 [ppt] 一个过时版本:词嵌入与语言模型
-
数学基础