深度学习及其应用
spContent=深度学习及其应用课程涵盖了深度学习的核心概念和关键技术，包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、注意力机制和Transformer等。这些方法不仅构成了深度学习的基础，也被广泛应用于多个领域。课程通过使用机器学习领域的主流开源框架，指导学生如何在证券趋势预测、声音质量评估、电子商务推荐系统、目标检测以及社交网络情感分析等实际问题中应用深度学习技术。通过这些实践，学生能够深入理解深度学习模型的工作原理，并掌握如何将这些模型应用于解决现实世界的问题。有基础的同学可以继续学习实战课程机器视觉与边缘计算应用：https://www.icourse163.org/course/FUDAN-1456632162。
深度学习及其应用课程涵盖了深度学习的核心概念和关键技术，包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、注意力机制和Transformer等。这些方法不仅构成了深度学习的基础，也被广泛应用于多个领域。课程通过使用机器学习领域的主流开源框架，指导学生如何在证券趋势预测、声音质量评估、电子商务推荐系统、目标检测以及社交网络情感分析等实际问题中应用深度学习技术。通过这些实践，学生能够深入理解深度学习模型的工作原理，并掌握如何将这些模型应用于解决现实世界的问题。有基础的同学可以继续学习实战课程机器视觉与边缘计算应用：https://www.icourse163.org/course/FUDAN-1456632162。
—— 课程团队
课程概述
1.我为什么要学习这门课？
机器学习是人工智能的重要组成和技术基础，伴随着人工智能几十年的发展，期间几次大起大落。作为机器学习的高级阶段，最近几年深度学习算法在自然语言处理、语音识别、图像处理等领域的突破应用和广泛接受。这也标志着机器学习已经迈出实验室大门，走向实践，推动着人工智能向更高阶段发展。数据分析和人工智能发展已经引起了全球关注。企业对机器学习的人才需求增大，与之密切相关的数据科学家、数据挖掘工程师、大数据分析师、机器学习工程师等数据分析类人才成为本世纪最有吸引力的职业。根据相关企业估计，上述人才的增长高峰将持续6-8年。本课程就是对深度学习感兴趣的学员准备的。
2.这门课的主题是什么？
讨论深度学习的典型算法原理与应用（具体内容请参考下面课程大纲），为实践打下坚实的基础。
3.学习这门课可以获得什么？
课程目标：理解深度学习的基本原理、精选的深度学习基本算法及其典型应用，并使用主流的机器学习开源平台实现深度学习在典型领域的应用过程，能否对一般难度的应用问题进行分析和代码实现。
4.这门课有什么特色和亮点？
深度学习是一门理论和实践并重的课程，其中的内容比较多，很多算法也有一定的难度。深度学习的应用也需要一定的经验和技巧。本课程参阅了大量文献资料，结合过去多年的数据分析研究和项目实践，深入浅出，学生在可以钻研深度学习的算法以及应用。课程通过大量的选择题、填空和判断题检验和巩固学员对基本知识的理解。
5.这门课的学习方法建议
建议结合教材《机器学习（第2版）》（人民邮电出版社，2022）、《机器学习案例实战（第2版）》（人民邮电出版社，2021）、《Python机器学习实战案例（第2版）》（清华大学出版社，2022）学习，先结合视频了解基本算法，然后通过各单元的测试题和作业巩固基本概念和算法，再通过具体的案例解读思路和代码，巩固算法。线下还要参考实战教材动手实验和实践练习，循序渐进。
6.课程守则（建议）
欢迎大家选修课程，请各位按照课程首页大纲的内容，根据课程内容的顺序，每周结合视频和推荐的配套教材，按时完成基本算法内容学习，并结合单元测试和章节练习，巩固基本概念和算法。在此基础上，完成每单元的实验，并可以进一步阅读推荐教材的实战案例，理解机器学习的思路以及每个步骤可能遇到的问题和技巧。有问题欢迎在课程讨论区讨论。
授课目标
掌握深度学习的基本原理、常用算法，并在此基础上应用于机器视觉、自然语言处理等相关领域，培养一定的分析和解决实际问题的能力。
课程大纲
神经网络基础
课时目标：理解前馈神经网络的结构、梯度下降法以及网络训练调优的基本方法，并能应用前馈神经网络解决实际问题。建议5个学时。
1.1 神经网络简介
1.2 BP神经网络
1.3 银行客户流失预测
1.4 银行客户流失实验
1.5 新闻分类实验
1.6 阿里摩搭实验平台
深度学习在人工智能中的应用
课时目标：通过众多的案例，了解深度学习的典型应用场景。建议2个学时。
2.1 深度学习在人工智能中的应用（一）
2.2 深度学习在人工智能中的应用（二）
2.3 深度学习在人工智能中的应用（三）
2.4 深度学习在人工智能中的应用（四）
卷积神经网络
课时目标：理解卷积的内涵，熟悉经典的卷积神经网络的结构、训练方法以及典型场景的应用。建议4个学时。
3.1 卷积神经网络的发展
3.2 卷积与感受野机制
3.3 卷积的概念和特征
3.4 图像编码与卷积
3.5 卷积操作
3.6 卷积特征图及计算
3.7 多通道卷积
3.8 池化操作
3.9 Lenet5卷积神经网络—TensorFlow和MindSpore实现
3.10 完整的卷积神经网络过程
3.11 卷积神经网络训练
3.12 图像分类—TensorFlow和MindSpore实现
3.13 股票预测实验（卷积版）
3.14 手势体识别实验
典型卷积神经网络算法
课时目标：熟悉常用的几种卷积神经网络的结构、训练方法以及典型场景的应用。建议10个学时。
4.1 AlexNet卷积神经网络模型
4.2 VGG卷积神经网络模型—TensorFlow和MindSpore实现
4.3 GoogLeNet卷积神经网络模型
4.4 ResNet卷积神经网络模型
4.5 动物识别实验—TensorFlow和MindSpore实现
4.6 颜值打分（女生版）
循环神经网络
课时目标：理解循环神经网络以及变种LSTM、GRU的结构、训练方法以及典型场景的应用。建议6个学时。
5.1 循环神经网络基本原理
5.2 循环神经网络模型——使用字符级RNN生成名称MinSpore实现
5.3 长短期记忆神经网络模型
5.4 股票预测实验（LSTM版）
5.5 情感识别分类实验—TensorFlow和MindSpore实现
目标检测
课时目标：理解目标检测的基本概念、基本原理以及典型的目标检测算法，能用这些算法于典型的应用场景。在此基础上可以学习目标检测实践课程http://www.icourse163.org/course/FUDAN-1456632162。建议6学时。本单元起为深度学习高级内容。
6.1 目标检测概况
6.2 目标检测的基本概念
6.3 目标检测发展
6.4 基于候选区域的目标检测
6.5 Fast R-CNN目标检测算法
6.6 Faster R-CNN目标检测算法（MindSpore框架实现）
6.7 Yolov1-v5算法
6.8 目标检测案例解析
6.9 RetinaNet和UNet算法
6.10 物体检测实验
6.11 车道检测实验
生成对抗网络
课时目标：理解生成对抗网络的结构、训练方法以及典型场景的应用。建议6个学时。
7.1 生成对抗网络基本原理
7.2 Encoder-Decoder模型
7.2 生成对抗网络算法DCGAN
7.4 生成对抗网络算法应用
7.5 手写体生成—TensorFlow和MindSpore实现
7.6 CycleGAN算法
7.7 DCGAN和WGAN算法—MindSpore实现
7.8 画风转移实验
7.9 超分辨率图像重建实验
注意力机制
课时目标：理解注意力机制的概念、常见的外部注意力、自注意力以及机器翻译等典型应用。建议5个学时。即将更新视频。
8.1 Seq2Seq模型
8.2 （自）注意力机制模型
8.3 Transformer模型*（选读）
8.4 BERT模型*（选读）
8.5 机器翻译实验
8.6 情感分类和机器写诗实验—MindSpore实现
深度学习应用
课时目标：学会使用卷积神经网络、循环神经网络、生成对抗网络的常用算法的应用，解决实际问题，并能做创新性的应用。建议3个学时。深度强化学习的内容已经单独成课，有兴趣的学员可以访问学堂在线的深度强化学习导论课程：http://www.xuetangx.com/course/fdu0809bt2074/19324384?channel=i.area.recent_search
9.1 声音质量评价
9.2 编码解码器
9.3 情感识别分类
9.4 编码解码器实验
9.5 性别年龄识别实验
预备知识
学习本课程前需要掌握机器学习，尤其是前馈神经网络的基本原理、常用算法，也需要有较扎实的统计学、高等数学、线性代数、Python编程等基础。强烈建议学完第2次的开课内容再学习本次课程。
参考资料
基本的阅读教材（课件、数据和Python代码封后扫码可以下载）：
1.赵卫东，董亮编著.机器学习（第2版）.北京：人民邮电出版社，2022（Python语言）
2.赵卫东. 机器学习案例实战（第2版）. 北京：人民邮电出版社，2021（实验和实训，Python语言）
3.赵卫东，董亮著.Python机器学习实战案例（第2版）.北京：清华大学出版社，2022（实验和实训，Python语言）
常见问题
1. 没有基础可以学习吗？
答：本课程需要掌握必要的高等数学、线性代数和统计基础知识以及比较扎实的机器学习基础知识。没有机器学习基础的学员请一定先学习传统的机器学习算法。此外，还需要掌握Python编程基础。
2. 深度学习算法那么多，我怎么学习？
答：可以先熟悉基本的方法和算法，培养对数据分析的兴趣，奠定一定的基础后，逐步学习较难的算法。特别推荐通过案例和应用学习。有关机器学习技能的培养很重要，具体的方法请参考论文：数据分析类课程的技能培养方法探讨（https://mp.weixin.qq.com/s/HtOZwZXMlErmn87FFIkKYQ）、基于项目实践的机器学习课程改革（《计算机教育》，2019.9）和深度学习在机器学习技能培养教学中的应用（https://mp.weixin.qq.com/s/8o5UOhRFzbW5HveSmaVXmw）。
3.如何使用课程中提到的算法解决实际问题？
答：可以课后先阅读和调试一下经典的案例和代码，然后尝试解决一些简单的问题，通过参加比赛、各种技术研讨、仿真型的项目，直至参加实际项目，这是一个循序渐进的过程，需要耐心、兴趣和毅力。这方面的内容可以学习在头歌平台开设的配套机器学习实践课程https://www.educoder.net/paths/ygpm7bqe和机器视觉与边缘计算应用课程https://www.icourse163.org/course/FUDAN-1456632162。
4.本课程怎么学习？
答：本课程是深度学习的基本课程，适合有一定机器学习基础的学员，配合教材讲解实用的内容，与线下的实训练习结合。建议采用翻转教学方式，结合配套教材，首先学习在线的视频，课下结合实际项目案例讨论算法的应用以及其中关键技能，并通过实验练习数据分析的思维和技能。
5.本课程有无配套的实验资源？
答：有的，配套教材封后扫码可以下载，网课也有部分实验内容可以下载练习。
可以参考:
-机器学习实战案例课程：https://www.educoder.net/paths/ygpm7bqe
-Intel的OpenVINOhttps://github.com/openvinotoolkit
-阿里摩搭https://modelscope.cn/models
-华为ModelZoohttps://www.hiascend.com/software/modelzoo/models
6.实验是否有推荐的平台和工具？
答：以下的机器学习平台和工具可以使用：
Anaconda下载地址：https://www.anaconda.com/products/individual，具体的安装使用方法可以参考https://mp.weixin.qq.com/s/dfYNepLqoMRVZywh_eWWSQ
（Tensorflow等机器学习库可以按需安装）。
7.本课程采用什么语言？
答：Python语言。
8.课程总体难度如何？
答：属于深度学习基本的内容，难度总体属于初中等，希望学员理解机器学习基础知识，可以先选读本课程第二次开课的内容https://www.icourse163.org/course/FUDAN-1205806833?tid=1206624259。
9.本课程是否有实战的内容？
答：实战练习的课程大家可以选修机器视觉与边缘计算应用课程https://www.icourse163.org/course/FUDAN-1456632162。并以推荐的2本实战案例线下练习，提供源代码和数据（书封后扫码下载）。
10.问题答疑方式？
答：可以在课件首页寻找二维码加赵卫东老师微信直接讨论，或者加入课程的微信群（目前有6大微信群，每群200+学员），平时共享资料或交流问题。也可以发到在线课程的讨论区，一般都会给与及时解答。
11.课程是否提供实训平台？
答：课程的简单实验可以在自己的机器练习外，还可以申请阿里云-天池AI实训平台，具体申请使用方法请参考课程公告。
学习贵在坚持，创新求实，长期努力，必有大成！
相关知识
深度学习及其应用
神经网络与深度学习
深度学习花卉识别：Python数据集解析
深度学习植物叶子病虫害数据集：助力农业智能化的强大资源
深度学习花的分类识别
基于深度学习特征的植物病虫害检测
金准人工智能 深度学习在医疗影像分析中的应用
基于深度学习和迁移学习的识花实践
深度学习基于python+TensorFlow+Django的花朵识别系统
基于深度学习的病虫害智能化识别系统
网址: 深度学习及其应用 https://m.huajiangbk.com/newsview374762.html
| 上一篇: 计算机网络 |
下一篇: 神经网络与深度学习（五）前馈神经 |
