          深度學習基礎培訓

第一講 深度學習概述

1.1 深度學習的引出

1.2 數據集及其拆分

1.3 分類及其性能度量

1.4 回歸問題及其性能評價

1.5 一致性的評價方法

1.6 程序講解：使用Sklearn進行精確率-召回率曲線的繪制

第一講講義

（附）使用Sklearn進行精確率-召回率曲線的繪制程序

第二講 特征工程概述

2.1 特征工程

2.2 向量空間模型及文本相似度計算

2.3 特征處理(特征縮放、選擇及降維)

2.4 程序講解：使用sklearn對文檔進行向量化的程序示例

2.5 程序講解：使用sklearn進行量綱縮放的程序示例

第二講講義

（附）使用sklearn對文檔進行向量化的程序

（附）使用sklearn進行量綱縮放的程序

第三講 回歸問題及正則化

3.1 線性回歸模型及其求解方法

3.2 多元回歸與多項式回歸

3.3 損失函數的正則化

3.4 邏輯回歸

3.5 程序講解：使用sklearn進行線性回歸和二次回歸的比較的程序示例

第三講講義

（附）使用sklearn進行線性回歸和二次回歸的比較程序

第四講 信息熵及梯度計算

4.1 信息熵

4.2 反向傳播中的梯度

4.3 感知機

4.4 程序講解：正向傳播和反向傳播的程序示例

4.5 程序講解：信息熵和互信息的計算程序示例

（附）信息熵和互信息的計算程序

第四講講義

第五講 循環神經網絡及其變體

5.1 循環神經網絡

5.2 長短時記憶網絡

5.3 雙向循環神經網絡和注意力機制

5.4 程序講解：循環神經網絡的程序示例

第五講講義

（附）循環神經網絡的程序

第六講 卷積神經網絡

6.1 卷積與卷積神經網絡

6.2 LeNet-5 模型分析

6.3 程序講解：卷積神經網絡的程序示例

第六講講義

（附）卷積神經網絡的程序

第七講 遞歸神經網絡

7.1 情感分析及傳統求解方法

7.2 詞向量

7.3 遞歸神經網絡及其變體

第八講 生成式神經網絡

8.1 自動編碼器

8.2 變分自動編碼器

8.3 生成對抗網絡

8.4 程序講解：自動編碼器程序示例

第八講講義

（附）自動編碼器程序