course | Bing Li' Homepage      

Bing Li

课程大纲

课程大纲

上课信息


参考教材

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

课程大纲

上课信息


参考教材

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