神经网络与深度学习

胡晓娟

目录

  • 1 绪论
    • 1.1 人工智能
    • 1.2 机器学习
    • 1.3 表示学习
    • 1.4 深度学习
    • 1.5 神经网络
    • 1.6 直播间
  • 2 机器学习概述
    • 2.1 基本概念
    • 2.2 机器学习的三个要素
    • 2.3 线性回归
    • 2.4 偏差-方差分解
    • 2.5 机器学习算法的类型
    • 2.6 数据的特征表示
    • 2.7 评价指标
    • 2.8 理论与定理
    • 2.9 直播间
  • 3 线性模型
    • 3.1 线性判别函数和决策边界
    • 3.2 logistic 回归
    • 3.3 Softmax回归
    • 3.4 感知器
    • 3.5 支持向量机
    • 3.6 损失函数的正则化
    • 3.7 直播间
  • 4 前馈神经网络
    • 4.1 神经元
    • 4.2 网络结构
    • 4.3 前馈神经网络
    • 4.4 反向传播算法
    • 4.5 自动微分计算
    • 4.6 优化问题
    • 4.7 直播间
  • 5 卷积神经网络
    • 5.1 卷积
    • 5.2 卷积神经网络
    • 5.3 参数学习
    • 5.4 典型的卷积神经网络
    • 5.5 其他卷积方式
    • 5.6 直播间
  • 6 循环神经网络
    • 6.1 给网络增加记忆能力
    • 6.2 简单循环网络
    • 6.3 应用到机器学习
    • 6.4 参数学习
    • 6.5 长程依赖问题
    • 6.6 基于门控的循环神经网络
    • 6.7 深层循环神经网络
    • 6.8 扩展到图网络
    • 6.9 直播间
  • 7 网格优化与正则化
    • 7.1 网格优化
    • 7.2 优化算法
    • 7.3 参数初始化
    • 7.4 数据归一化
    • 7.5 超参数优化
    • 7.6 网格正则化
    • 7.7 直播间
  • 8 注意力机制与外部记忆
    • 8.1 认知神经力学中的注意力
    • 8.2 注意力机制
    • 8.3 自注意力模型
    • 8.4 人脑中的记忆
    • 8.5 记忆增强神经网络
    • 8.6 基于神经动力学的联想记忆
    • 8.7 直播间
  • 9 实验
    • 9.1 实验一
    • 9.2 实验二
典型的卷积神经网络