趋近智
趋近智
本课程旨在帮助您在深度学习 (deep learning)的原理与方法上打下扎实根基。内容涵盖神经网络 (neural network)的基本知识、重要的算法如反向传播 (backpropagation)和梯度下降 (gradient descent)，以及使用现代库进行实践应用。您将掌握构建和训练基本深度学习模型的技能。
先修课程 Python编程基础，数学常识
级别:
神经网络基本原理
阐述人工神经网络的结构和组成，包含神经元、层、权重和偏差。
激活函数
理解Sigmoid、Tanh、ReLU和Leaky ReLU等常见激活函数的用途和特点。
模型训练
描述训练神经网络的过程，包含损失函数、梯度下降和反向传播。
优化算法
比较SGD、Momentum、RMSprop和Adam等不同优化算法。
正则化技术
应用L1/L2正则化和Dropout等技术以防止过拟合。
构建前馈网络
实现和训练基本前馈神经网络，使用常用深度学习框架（例如：TensorFlow/Keras或PyTorch）。
CNN和RNN简介
识别卷积神经网络（CNN）和循环神经网络（RNN）的基本结构和用途。