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   

1. 线性代数、概率等的知识

2. python的基本编程知识

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/