《深度学习》花书训练营【完结】_深度之眼

《深度学习》花书训练营【完结】_深度之眼

通过10周的集中学习,搞懂深度学习核心知识,体系化的视频讲解,帮助你更好的理解书本内容。
在AI领域内,关于深度学习的课程资料有很多很多,而《深度学习Deep Learning》是由麻省理工学院推出的,一经出版就风靡全球,因为本书的封面是由艺术家Daniel Ambrosi提供的中央公园杜鹃花步道梦幻景观,所以被誉为“花书”相信大家对这本书一定很熟悉,因为它简明扼要的概括了深度学习中大部分重要主题,每当遇到深度学习概念时,都可以在书中找到参考,故被广大学员们誉为深度学习中的“圣经”教材
自发售以来,长期位居美国亚马逊AI和机器学习类图书榜首,是业界公认深度学习领域奠基性的经典教材,曾受特斯拉CEO埃隆·马斯克等众多国内外专家重磅推荐。

本书的三位作者 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 一直耕耘于机器学习领域的前沿,在业内也具有非常大的知名度,引领了深度学习的发展潮流。

对AI学习者来说,《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。

花书的内容包括3个部分:

第1部分:介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;

第2部分:系统深入地讲解现今已成熟的深度学习方法和技术;

第3部分:讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。

我相信,这本深度学习领域内的权威教材,你肯定对它很熟悉。但你读过它吗?是不是放在家里某个角落正在积灰呢?

你总说:这本书太厚了,500多页, 知识量太多,不知哪些是重点,全部看完耗时耗力这本书也太难了,啃不动,也没有人一起分享讨论你抱怨:太理论了,全是公式,没有代码,没有作业,无法加深理解

其实真想的学好一门技术,最好还是要啃砖头,这种方式是最笨,但是却是最扎实的

为了帮助大家更好的理解这本书,我们耗时五个多月,联合六位经验丰富的导师,在原有第一期的基础下,又全新迭代升级增加了花书系统视频课讲解,推出了我们新一期的

《深度学习》花书训练营
加量不加价!参与过第一期的学员可以免费复训~
加入训练营,你将获得
1
系统视频课讲解

花书的整本学习内容划分3个梯度,第1部分是深度学习中需要应用的数学知识,第2部分则针对现代深度学习常用技术,从最简单的多层感知机,到适用于图像处理的卷积神经网络,到解决序列问题的循环神经网络,到正则化技术和优化方法,以及实践的技术由浅及深

针对这本书中同学们不懂的问题,我们不仅给大家提供了花书系统视频课,导师还结合书籍内容,加入了企业项目中应用的技巧和项目经验

2
学习任务整体规划

一本花书,500多页,全部啃下来非常的难,因此我们进行了重新的梳理,并进行了顺序重组,精心安排了每天详细的教学计划和任务,从2个月进行整体规划,每日任务布置+打卡监督+每阶段作业批改点评讲解

▲往期训练营任务布置示意
3
完善的教学计划
不仅如此,我们在这本书系统完善理论知识的基础上还加入了代码补充和作业讲解,让你理论+实战同时得到训练
//
教学大纲
//
Week1  >>绪论,花书6.1-6.2【视频课】导读视频,了解训练营学习计划【视频课】了解并熟悉基础数学理论,包括线性代数、概率论和数值计算【视频课】了解并熟悉掌握基础机器学习理论【视频课】了解神经网络结构工作的原理,能够自主构建网络解决XOR问题【视频课】了解输出单元常用函数(linear、sigmoid、tanh、softmax)【视频课】了解常用的损失函数种类(MSE、cross entropy)作业:

【代码】参考Notebook,温习线性代数

【总结】列出花书前五章必须要掌握的十个知识点,附带上自己的学习心得

【推导】参考博客,完成softmax输出单元cross-entropy损失函数的梯度推导

【代码】参考Notebook,温习机器学习基础

Week2

>>花书6.3-6.4,花书6.5-6.6

【视频课】了解隐藏单元常用函数(sigmoid、tanh、ReLU、softmax),绘制其图形

视频课】掌握并推导激活函数导数表达式,了解不同激活函数的优缺点

视频课】了解如何初步进行网络架构设计,一般通过实验进行验证

【视频课】掌握计算图和链式法则,能够推导MLP反向传播公式

【视频课】了解神经网络的历史

作业

【推导】参考博客,完成一个反向传播实例

【实践】参考教程,在网页上搭建简易神经网络

【代码】参考Notebook,训练前馈神经网络

Week3

>>花书9.1-9.4,花书9.5-9.11

【视频课】了解CNN和MLP的区别和联系,CNN有哪些优势

【视频课】掌握卷积运算的原理

【视频课】了解常见的池化操作方法

【视频课】掌握卷积运算后尺寸计算,它与卷积核大小、步长、padding有关

【视频课】了解卷积网络的历史及加速方法

作业:

【作图】画出以下网络结构示意图:AlexNet, VGGNet, Inception, ResNet

【代码】参考Notebook,训练卷积神经网络

Week4

>>花书10.1-10.2,花书10.3-10.6

【视频课】掌握RNN的展开计算图

【视频课】了解各种循环神经网络的设计

【视频课】掌握RNN的梯度计算

【视频课】了解循环网络常用结构(双向RNN、深度循环网络和递归神经网络)

作业:

【作图】画出图10.13c的展开图

【作图】可以完成给定任务的RNN计算图

Week5

>>花书10.7-10.12

【视频课】了解RNN长期依赖的困难(梯度消失和梯度爆炸)

【视频课】掌握门控制循环网络(LSTM和GRU)

【视频课】了解优化长期依赖和外显记忆

作业:

【推导】参考博客,了解随时间反向传播在LSTM中的推导

【总结】列出花书第6、9、10章必须要掌握的十个知识点,附带上自己的学习心得

Week6

>>花书12.1-12.3,花书12.4-12.5

作业:

【总结】观看深度学习最新进展视频,总结几条你认为深度学习最有潜力的发展方向

Week7

>>花书11.1-11.6,花书7.1-7.5

【视频课】掌握参数范数惩罚(L1正则化和L2正则化),了解L1正则化和L2正则化的区别

【视频课】了解约束范数惩罚

【视频课】了解数据增强和噪声的作用

作业:

【推导】用公式说明为何L2正则化又常被称作“weight decay”

【习题】过拟合相关习题训练

Week8

>>花书7.6-7.9,花书7.10-7.14

【视频课】了解半监督学习方式和多任务学习方式

【视频课】了解提前终止、参数绑定和参数共享,其中提前终止在实际中很有效

【视频课】了解稀疏表示实现正则化

【视频课】了解Bagging和Boosting的区别

【视频课】掌握Dropout的原理,其与Bagging的区别

【视频课】了解对抗训练和流形分类器

作业:

【习题】过拟合相关习题训练(续)

【总结】参考论坛,总结几条防止过拟合的办法

Week9

>>花书8.1-8.4,花书8.5-8.7

作业:

【代码】参考Notebook,实践深度学习中的优化策略

【经典阅读】阅读:Goodfellow, Ian, et al. 'Generative adversarial nets.' Advances in neural information processing systems. 2014.

【总结】列出花书第12、11、7、8章必须要掌握的十个知识点,附带上自己的学习心得

不仅如此,你还能获得
1
三维度答疑

1:赠送价值1198元知识星球为期一年1对1导师咨询服务,12小时之内保证解决问题

2:每月统一收集问题直播答疑,系统讲解重难点

3:微信学习群助教及时互动,群友互答

2
参与话题讨论

每周五开设人工智能研究方向前沿问题或职业发展话题讨论,老师和400+学员的集体头脑风暴,资源、干货、观点一起碰撞

3
超过15家知名互联网企业的工作内推
4
良好的学习氛围

和一批优秀的985、211学员一起学习,每周头脑风暴!

△可上下滑动,查看往期学员互动详情

5
提供GPU资源教程

免费提供部署好环境的GPU云端资源教程

学AI,顶级书本+权威导师,你就相当于成功了一半,而我们经验丰富的导师团

对于优秀作业我们将置顶,助教将进行点评和批改

△可上下滑动,查看往期学员部分打卡详情

看到同学们这么认真的在做学习笔记,也是满满的成就感

睁开眼,阳光和你都在~

△可上下滑动,查看往期学员部分作业完成详情

学员给我们的好评

我们的模式在往期训练营里中备受好评!

而我们,还在不断的更新迭代

睁开眼,阳光和你都在~

△可上下滑动,查看往期学员部分评价详情

资源下载

隐藏内容:******,登录后可见!

您需要先后,才能查看内容

本文来源 深度之眼,由 三好学生 整理编辑,其版权均为原作者所有。如有侵权行为,请与本站联系。如喜欢该课程,请支持购买原版课程,点击链接地址: 深度之眼
5
Helen(^・ェ・^)hyperj