CMU 2020年最新-《深度学习入门》课程视频及资料分享

以深度神经网络为代表的“深度学习”技术正逐步革新所有人工智能任务，从语言理解、语音和图像识别，到机器翻译、路径规划，甚至是游戏和自动驾驶。因此，在许多高级学术环境中，深度学习的专业知识正迅速从深奥难以理解的状态，变为工业应用必不可少的技术，这必将成为深度学习人才就业的一大优势。

课程介绍

在本课程中，将学习深度神经网络的基础知识，以及它们在各种人工智能任务中的应用。到本课程结束时，预计你将对深度学习的相关知识非常熟悉，并能够将深度学习应用于各种任务。你将会对深度学习相关的前沿技术、论文、资料有一定了解，并通过进一步的研究扩展他们的知识。

文末附本课程资料及视频下载地址。

从学生的角度分享本课程内容

这门课程在概念上很全面。它帮助你理解深度学习的基础。本课程从多层线性规划开始，逐步发展到更复杂的概念，如注意力和序列到序列模型。你将会灵活使用PyTorch，这对于实现深度学习模型非常重要。你将学习构建深度学习模型所需的工具。课后作业由两个组成部分，即Autolab和Kaggle。Kaggle组件允许你探索多种架构，并了解如何微调和持续改进模型。所有家庭作业的任务都是相似的，了解如何使用多种深度学习方法解决相同的任务。总体而言，在本课程结束时，你将有足够的信心构建和调整深度学习模型。

课程基础

1. 需要会使用PyTorch的核心工具包，需要有一定的python编程基础。

2. 需要熟悉基本微积分(微分、链式法则)、线性代数和基本概率。

课程讲师

课程参考教材

Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville,Online book, 2017(http://deeplearning.cs.cmu.edu/document/reading/book1.zip)

Neural Networks and Deep Learning, Michael Nielsen, Online book, 2016 (http://neuralnetworksanddeeplearning.com/)

Deep Learning with Python, J. Brownlee (https://machinelearningmastery.com/deep-learning-with-python/)

Deep Learning Step by Step with Python: A Very Gentle Introduction to Deep Neural Networks for Practical Data Science, N. D. Lewis, (https://www.amazon.com/Deep-Learning-Step-Python-Introduction/dp/1535410264)

Parallel Distributed Processing, Rumelhart and McClelland (https://mitpress.mit.edu/books/parallel-distributed-processing)

课程大纲