趋近智
神经网络入门
章节 1: 神经网络基本原理
从生物神经元到人工神经元
权重和偏置：网络的参数
激活函数：引入非线性
网络结构：层与连接
一个简单的前馈网络示例
实践：计算神经元输出
章节 2: 为神经网络准备数据
理解输入数据表示
特征缩放：归一化与标准化
处理分类数据：编码技术
构建训练数据批次
数据划分：训练集、验证集和测试集
实践操作：预处理样本数据
章节 3: 前向传播：生成预测结果
网络中的信息流动
线性变换：加权和计算
逐层应用激活函数
高效计算的矩阵运算
计算最终输出预测
动手实践：实现前向传播
章节 4: 训练：反向传播与梯度下降
评估性能：损失函数
梯度下降的原理
反向传播：高效计算梯度
更新权重和偏差
学习率及其作用
随机梯度下降 (SGD) 及其变体
实践：手动计算梯度
章节 5: 构建与训练简单神经网络
搭建网络结构
初始化权重与偏置
训练循环的结构
实现训练步骤
监控训练进程
深度学习框架（TensorFlow/PyTorch）简介
动手实践：训练一个简单分类器
章节 6: 提升网络性能及泛化能力
理解过拟合和欠拟合
验证集的作用
正则化方法：L1 和 L2
Dropout：随机停用神经元
早期停止：优化训练终止
超参数调优策略
实践：应用正则化
神经网络入门
先修课程 Python和数学知识
级别:
中级
神经网络结构
描述神经网络的组成部分，包括神经元、层、权重和偏置。
激活函数
解释Sigmoid、Tanh和ReLU等常用激活函数的作用和特点。
数据准备
理解为神经网络训练准备数据的方法，包括缩放和编码。
前向传播
实现前向计算，以从神经网络生成预测结果。
反向传播
解释反向传播计算梯度的过程。
梯度下降
应用梯度下降及其变体来更新网络权重并最小化损失。
模型训练
实现一个简单的神经网络训练循环。
正则化
理解L1/L2正则化和Dropout等常用方法以防止过拟合。
本课程没有先修课程。
目前没有推荐的后续课程。
登录以撰写评论
分享您的反馈以帮助其他学习者。