神经网络与深度学习

作者:邱锡鹏 微博:@邱锡鹏

关于本书

神经网络与深度学习技术目前在学术界和工业界取得了广泛的成功,并逐渐受到了高度重视。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(卷积神经网络、递归神经网络等)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

示例代码,见https://github.com/nndl/nndl-codes

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)

内容

  1. 绪论[ppt] (updated 2018-9-12)
  2. 机器学习概述 [ppt] (updated 2018-6-25)
  3. 线性模型 [ppt]
  4. 前馈神经网络 [ppt]
  5. 卷积神经网络 [ppt]
  6. 循环神经网络 [ppt] (updated 2018-3-12)
  7. 网络优化与正则化 [ppt] (updated 2018-3-12)
  8. 注意力机制与外部记忆 [ppt] (updated 2018-11-13)
  9. 无监督学习 [ppt] (updated 2018-9-28)
  10. 模型独立的学习方式
  11. 概率图模型 [ppt] (updated 2018-5-8)
  12. 深度信念网络 [ppt] (updated 2018-6-7)
  13. 深度生成模型[ppt] (updated 2018-6-25)
  14. 序列生成模型 一个过时版本:词嵌入与语言模型
  15. 深度强化学习 [ppt] (updated 2018-6-15)
  16. 数学基础 (updated 2018-6-12)

反馈意见

如果您有任何意见、评论以及建议,请通过GitHub的Issues页面进行反馈。你的名字将会出现的本书的致谢列表。

致谢列表:感谢张钧瑞、李浩、胡可鑫、韦鹏辉、徐国海等同学指出书中的错误。

反馈意见包括但不限于:(因为分开排版关系,页码错误请忽略。)

非常感谢!

请在微博关注关于本书的最新信息。

 

推荐课程

Stat212b:Topics Course on Deep Learning

http://joanbruna.github.io/stat212b/

加州大学伯克利分校统计系Joan Bruna(Yann LeCun博士后) 以统计的角度讲解DL。

CS224d: Deep Learning for Natural Language Processing

http://cs224d.stanford.edu/

斯坦福大学 Richard Socher 主要讲解自然语言处理领域的各种深度学习模型

CS231n:Convolutional Neural Networks for Visual Recognition

http://cs231n.stanford.edu/

斯坦福大学 Fei-Fei Li Andrej Karpathy 主要讲解CNN、RNN在图像领域的应用

 

深度学习讨论班

2016年秋季

致谢

本页面由Typora编辑。