课程大纲
上课信息
- 上课时间：每周一6-8节
- 上课地点：教二楼713
参考教材
- 1. MarkLutz. Python学习手册. 北京：机械工业出版社, 2018.
- 2. Magnus Lie Hetland. Python基础教程. 北京：人民邮电出版社, 2018.
- 3. 斋藤康毅. 深度学习入门. 北京：人民邮电出版社, 2018.
- 4. Ian Goodfellow, Yoshua Bengio. 深度学习. 北京：人民邮电出版社, 2017.
- 5. Francois Chollet. Python深度学习. 北京：人民邮电出版社, 2018.
课程内容
| 课次 | 上课时间 | 课程内容 | 课程资源 |
|---|---|---|---|
| 第一次课 | 9/19 | 1 导言 1.1 Python介绍 1.2 安装与配置 1.3 集成开发环境 1.4 编程规范和基础语法 |
第一章 |
| 第二次课 | 9/26 | 2 数据类型 2.1 Python对象模型 2.2 数字类型 2.3 字符串类型 |
第二章 |
| 第三次课 | 10/3 | 2.4 列表类型 2.5 字典类型 |
第三章 |
| 第四次课 | 10/10 | 2.6 元组类型 2.7 文件对象 |
第四章 |
| 第五次课 | 10/17 | 3 语句和循环 3.1 赋值语句 3.2 条件语句 3.3 for循环语句 3.4 while循环语句 |
第五章 |
| 第六次课 | 10/24 | 4 函数和模块 4.1 函数与作用域 4.2 函数参数 4.3 匿名函数 4.4 模块导入和使用 4.5 模块陷阱 |
第六章 |
| 第七次课 | 10/31 | 类与面向对象 |
第七章 |
| 第八次课 | 11/7 | NumPy和Matplotlib 5.1 NumPy介绍 5.2 Numpy 数组 5.3 广播机制 5.4 通用函数 5.5 Matplotlib基础 |
第八章 |
| 第九次课 | 11/14 | 神经网络基础 6.1 多层感知机的基本概念 6.2 前向传播与激活函数 6.3 输出层的设计 6.4 神经网络批处理 6.5 手写数字识别的实现 |
第九章 |
| 第十次课 | 11/21 | 训练与学习 7.1 均方误差损失函数 7.2 交叉熵损失函数 7.3 数值微分 7.4 梯度下降法 7.5 链式法则 7.6 计算图 7.7 误差反向传播的具体实现 优化与正则化 8.1 深度学习中的优化 8.2 多种优化算法 8.3 权重初始值选取规则 8.4 批归一化层 8.5 过拟合与正则化 8.6 超参数的验证 8.7 评估指标与评分 |
第十章 |
| 第十一次课 | 11/28 | 卷积神经网络 9.1 卷积层原理 9.2 卷积层的特征与实现 9.3 池化层的特征与实现 9.4 卷积神经网络的可视化 9.5 几个经典深度卷积网络模型 |
第十一章 |
| 第十二次课 | 12/5 | 目标检测 10.1 评价指标与数据集 10.2 包围盒回归 10.3 非极大值抑制 10.4 R-CNN系列网络模型 10.5 YOLO、SDD网络模型 |
第十二章 |
| 第十三次课 | 12/12 | 语义分割 11.1 评价指标与数据集 11.2 反卷积与带孔卷积 11.3 FCN网络模型 11.4 DeepLab系列网络模型 11.5 U-Net网络模型 |
第十三章 |
| 第十四次课 | 12/19 | 生成对抗网络 12.1 生成模型介绍 12.2 生成对抗网络模型 12.3 全局最优解存在证明 12.4 改进的生成对抗网络模型 |
第十四章 |
课程大纲
上课信息
- 上课时间：每周一6-8节
- 上课地点：教二楼612
- 任课老师：李冰
参考教材
- 1. 阿斯顿·张，李沐，扎卡里·C·立顿，亚历山大·J·斯莫拉. 动手学深度学习（PyTorch版）.人民邮电出版社，2023.
- 2. 伊恩·古德费洛，约书亚·本吉奥，亚伦·库维尔. 深度学习. 人民邮电出版社, 2017.
- 3. 斋藤康毅. 深度学习入门. 人民邮电出版社, 2018.
- 4. 周志华. 机器学习. 人清华大学出版社, 2016.
课程内容
| 课次 | 上课时间 | 课程内容 | 课程资源 |
|---|---|---|---|
| 第一次课 | 2/27 | 导言 1.1 课程介绍 1.2 深度学习背景 1.3 监督学习 1.4 非监督学习 1.5 无监督学习 1.6 强化学习 |
第一章 |
| 第二次课 | 3/6 | 机器学习介绍 2.1机器学习概述 2.2深度学习概述 2.3深度学习的突破 |
第二章 |
| 第三次课 | 3/13 | 开源框架PyTorch介绍 3.1 anaconda与PyTorch安装 3.2 numpy库的使用 3.3 PyTorch的使用 3.4 PyTorch中深度学习的创建和训练 |
第三章 |
| 第四次课 | 3/20 | 卷积神经网络与图像处理 4.1 卷积神经网络中的重要概念 4.2 卷积神经网络的重要模块 4.3 卷积神经网络的应用 4.4 卷积神经网络的设计理念 |
第四章 |
| 第五次课 | 3/27 | 前向及后向传播、训练 5.1 深度学习中线性与非线性网络层 5.2 后向传播 5.3 深度学习训练常见的问题 |
第五章 |
| 第六次课 | 4/3 | 卷积神经网络训练 6.1 深度学习模型训练设置 6.2 优化方法介绍及选择 6.3 权重初始化方法介绍 |
第六章 |
| 第七次课 | 4/10 | 卷积神经网络训练 7.1 正则化方法介绍 7.2 数据预处理介绍 7.3 超参数优化方法介绍 |
第七章 |
| 第八次课 | 4/17 | 卷积神经网络结构 8.1 图像识别中的经典网络模型 8.2 卷积神经网络中的常用结构 |
第八章 |
| 第九次课 | 4/24 | 轻量级神经网络架构设计 9.1 轻量级神经网络的起源及发展 9.2 经典轻量级神经网络模型 |
第九章 |
| 第十次课 | 5/8 | 循环神经网络和语言模型 10.1 自然语言处理的概念 10.2 循环神经网络语言模型 10.3 Transformer |
第十章 |
| 第十一次课 | 5/15 | 生成式网络及多模态网络 11.1 GAN的基本概念和结构 11.2 GAN的应用 11.3 Diffussion网络 11.4 GPT系列网络 |
第十一章 |
| 第十二次课 | 5/22 | 机器学习设计自动化 12.1 机器学习设计自动化的基本概念 12.2 AutoML的常用优化方法 12.3 AutoML在机器学习中的应用 |
第十二章 |
| 第十三次课 | 5/29 | 模型压缩 13.1 模型压缩的概念 13.2 模型压缩的关键技术 |
第十三章 |
| 第十四次课 | 6/5 | 深度神经网络结构搜索 14.1 NAS框架组成的介绍 14.2 NAS设计中的关键技术 14.3 NAS展望 |
第十四章 |
| 第十五次课 | 6/12 | 分布式学习系统及硬件加速平台介绍 15.1 分布式训练神经网络的基本概念 15.2 分布式学习实践的问题分析 15.3 人工智能加速计算架构 |
第十四章 |