深度学习基础_哈尔滨工业大学

播放

认证学习

深度学习基础

开课时间： 2025年02月24日 ~ 2025年07月20日

学时安排： 3-5小时每周

进行至第7周，共21周已有 1192 人参加

认证学习

认证成绩和证书

智能问答和解析

视频学习辅助

立即参加

课程详情

课程评价(517)

spContent=深度学习是人工智能时代的关键技术之一。本课程是一门侧重在深度学习相关理论基础的课程，并对深度学习的典型模型框架的基本原理进行了介绍。如果你想亲密接触深度学习、人工智能等并愿意付诸实践，请加入进来吧！

深度学习是人工智能时代的关键技术之一。本课程是一门侧重在深度学习相关理论基础的课程，并对深度学习的典型模型框架的基本原理进行了介绍。如果你想亲密接触深度学习、人工智能等并愿意付诸实践，请加入进来吧！

—— 课程团队

课程概述

各位同学，大家好：

欢迎学习《深度学习基础》慕课。本慕课的配套教材为授课团队主编、由高等教育出版社出版的《深度学习基础》教材。该教材入选工信部十四五规划教材、国家人工智能战略咨询委员会推出的新一代人工智能系列教材、教育部战略性新兴领域（人工智能）“十四五”高等教育教材体系，并获得教育部-华为智能基座教材研究项目的支持。

随着人工智能的再次火热，深度学习成为其中关键技术之一，并为业界关注。本课程是一门侧重在深度学习相关理论基础的课程，并对深度学习的典型模型框架如循环神经网络、卷积神经网络、预训练模型、Transformer等的基本原理进行了介绍。其中，Transformer是ChatGPT等大模型的核心关键技术。课程同时还包括若干关键内容的相关代码及运行效果演示，从而便于同学们获得理性和感性的认识。如果你想亲密接触深度学习、人工智能等并愿意付诸实践，请加入进来吧！

本期课程我们提供了以下内容：

(1)课程视频。常规的基础教学内容总计8讲视频，每周发布一讲；对于相关代码及演示，课程以目前流行的Python作为主编程语言。第9讲内容为新增加的可选的高级内容，考试暂不做要求。

(2)测验考核题。每讲会随机产生10道题，在限定时间内提交，总分10分。如果你没有开始测试，则你可在测验发布之日至截止日期之间的任何时间内完成即可。一旦你开始测试，则需在限定时间内(如30分钟内)完成提交。到限定时间结束时系统会自动提交，无论你是否回答了问题。其结果将计入最终成绩。每讲，你可以有两次测验机会（但两次未必是同一张卷），两次测验成绩最高分数为本讲你获得的成绩分数。

(3)期末考试。期末会有一个考试，20道题20分。

课程的思维导图如下：

关于课程的实践案例教学方面，在CMOOC联盟—华为“智能基座”慕课建设项目的支持下，课程若干章节还给出了Mindspore框架下的案例分析等内容。

在学习过程中有任何问题，请随时联系任课教师或者在课程论坛里发出问题。我们将尽最大的努力辅助你们的学习，解答你们的疑问。

祝大家学习愉快，有所收获！

《深度学习基础》课程组

课程大纲

第一讲深度学习概述

1.1 深度学习的引出

1.2 数据集及其拆分

1.3 分类及其性能度量

1.4 回归问题及其性能评价

1.5 一致性的评价方法

1.6 程序讲解：使用Sklearn进行精确率-召回率曲线的绘制

第一讲讲义

（附）使用Sklearn进行精确率-召回率曲线的绘制程序

1.7 深度学习芯片及常用框架介绍

第一讲测验

第二讲特征工程概述

2.1 特征工程

2.2 向量空间模型及文本相似度计算

2.3 特征处理(特征缩放、选择及降维)

2.4 程序讲解：使用sklearn对文档进行向量化的程序示例

2.5 程序讲解：使用sklearn进行量纲缩放的程序示例

第二讲讲义

（附）使用sklearn对文档进行向量化的程序

（附）使用sklearn进行量纲缩放的程序

第二讲测验

第三讲回归问题及正则化

3.1 线性回归模型及其求解方法

3.2 多元回归与多项式回归

3.3 损失函数的正则化

3.4 逻辑回归

3.5 程序讲解：使用sklearn进行线性回归和二次回归的比较的程序示例

第三讲讲义

（附）使用sklearn进行线性回归和二次回归的比较程序

3.6 案例分析：（MindSpore框架下）线性回归模型及动态绘图实践示例

第三讲测验

第四讲信息熵及梯度计算

4.1 信息熵

4.2 反向传播中的梯度

4.3 感知机

4.4 程序讲解：正向传播和反向传播的程序示例

4.5 程序讲解：信息熵和互信息的计算程序示例

（附）信息熵和互信息的计算程序

第四讲讲义

4.6 反向传播算法

4.7 提升神经网络模型泛化能力

第四讲测验

第五讲循环神经网络及其变体

5.1 循环神经网络

5.2 长短时记忆网络

5.3 双向循环神经网络和注意力机制

5.4 程序讲解：循环神经网络的程序示例

第五讲讲义

（附）循环神经网络的程序

第五讲测验

第六讲卷积神经网络

6.1 卷积与卷积神经网络

6.2 LeNet-5 模型分析

6.3 程序讲解：卷积神经网络的程序示例

第六讲讲义

（附）卷积神经网络的程序

6.4 案例分析：（MindSpore框架下）基于lenet5的手写数字识别实践示例

第六讲测验

第七讲递归神经网络

7.1 情感分析及传统求解方法

7.2 词向量

7.3 递归神经网络及其变体

第七讲讲义

7.4 案例分析：（MindSpore框架下）基于LSTM的情感分类实践示例

第七讲测验

第八讲生成式神经网络

8.1 自动编码器

8.2 变分自动编码器

8.3 生成对抗网络

8.4 程序讲解：自动编码器程序示例

第八讲讲义

（附）自动编码器程序

8.5 案例分析：（MindSpore框架下）基于Cyclegan的图像风格迁移实践示例

第八讲测验

第九讲预训练模型及其应用

9.1 Transformer模型

9.2 预训练模型

9.3 案例分析：（Mindspore框架下）基于BERT网络实现智能写诗的实践示例

9.4 案例分析：（MindSpore框架下）transformer机器翻译实践示例

第九讲讲义（1）-Transformer

第九讲讲义（2）-预训练模型

展开全部

预备知识

1. 线性代数、概率等的知识

2. python的基本编程知识

参考资料

配套纸质版教材： 刘远超. 《深度学习基础》. 高等教育出版社. 2023年9月第一版.

教材封面图

教材各章关系图

参考文献：

1. 李航.《统计学习方法》.清华大学出版社. 2012年第一版

2. Ian Goodfellow、Yoshua Bengio, Aaron Courville. Deep Learning(花书). 人民邮电出版社， 2017年出版

3. https://scikit-learn.org/

4. https://en.wikipedia.org/wiki/

5. https://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html

6. https://www.nltk.org/

7. https://pypi.org/project/jieba/

8. https://colah.github.io/posts/2015-08-Understanding-LSTMs/

9. Yang Z, Yang D, Dyer C, et al. Hierarchical attention networks for document classification[C]//Proceedings of NAACL-HLT. 2016: 1480-1489

10.Cho K, Van Merrienboer B, Gulcehre C, et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[J]. Eprint Arxiv, 2014.

11. Schuster M, Paliwal K K. Bidirectional recurrent neural networks[J]. Signal Processing, IEEE Transactions on, 1997, 45(11): 2673-2681.

12.Socher et al.. Semi-Supervised Recursive Autoencoders for Predicting Sentiment Distributions, EMNLP 2011

13. Socher R, Huval B, Manning C D, et al. Semantic compositionality through recursive matrix-vector spaces[C]// Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning. 2012:1201-1211.

14. Socher, R., Perelygin, A., Wu, J. Y., Chuang, J., Manning, C. D., & Ng, A. Y., et al. (2013). Recursive deep models for semantic compositionality over a sentiment treebank. EMNLP 2013. page 1631--1642

15. Diederik P Kingma, Max Welling (2013). Auto-Encoding Variational Bayes. ICLR 2014

16. Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). Generative Adversarial Networks (PDF). Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014). pp. 2672–2680.

17. https://www.cs.uic.edu/~liub/FBS

18. 华为mindspore官网：https://mindspore.cn

19. 华为mindspore开源代码仓：https://gitee.com/mindspore/mindspore

20. 华为云官网：https://www.huaweicloud.com/

显示全部