深度学习入门

• 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。

本课程没有先修课程。

目前没有推荐的后续课程。