想保研到ML/DL/CV/NLP等方向的同学可以看看

bat67

我发现了一个不错的深度学习教程，若是想保研到目前火热的ML/DL/CV/NLP等方向的同学，可以简单的看一看，讲的还是挺生动的很容易理解，应付老师的面试应该是没问题的，安利一下~

教程地址：链接

教程的目录如下：

    前言
    1 人工智能
    1.1 科普
    1.1.1 什么是神经网络
    1.2 基础知识
    1.2.1 如何将数据输入到神经网络中
    1.2.2 神经网络是如何进行预测的
    1.2.3 神经网络如何判断自己预测得是否准确
    1.2.4 神经网络是如何进行学习的
    1.2.5 计算图
    1.2.6 如何计算逻辑回归的偏导数
    1.2.7 向量化
    1.2.8 如何开始使用python
    1.2.9 如何向量化人工智能算法
    1.2.10 [实战编程]教你编写第一个人工智能程序
    1.3 初级神经网络
    1.3.1 浅层神经网络
    1.3.2 如何计算浅层神经网络的前向传播
    1.3.3 如何计算浅层神经网络的反向传播
    1.3.4 为什么需要激活函数
    1.3.5 常见的激活函数
    1.3.6 激活函数的偏导数
    1.3.7 随机初始化参数
    1.3.8 [实战编程]教你编写浅层神经网络
    1.4 深度神经网络
    1.4.1 为什么需要深度神经网络
    1.4.2 如何计算深度神经网络
    1.4.3 核对矩阵的维度
    1.4.4 参数和超参数
    1.4.5 [实战编程] 构建深度神经网络
    2 实战优化
    2.1 实战基础
    2.1.1 如何配置数据集
    2.1.2 欠拟合和过拟合
    2.1.3 如何解决欠拟合与过拟合
    2.1.4 L2正则化
    2.1.5 dropout
    2.1.6 数据增强
    2.1.7 将输入特征进行归一化处理
    2.1.8 梯度消失和梯度爆炸
    2.1.9 梯度检验
    2.1.10 [实战编程] 构建实战神经网络
    2.2 优化算法
    2.2.1 Mini-batch 梯度下降
    2.2.2 如何为mini-batch选择合理的大小
    2.2.3 指数加权平均
    2.2.4 理解指数加权平均
    2.2.5 指数加权平均的偏差修正
    2.2.6 momentum梯度下降
    2.2.7 RMSprop
    2.2.8 Adam优化算法
    2.2.9 学习率衰减
    2.2.10 局部最优问题
    2.2.11 [实战编程] 优化神经网络
    2.3 调试神经网络
    2.3.1 调试处理
    2.3.2 为调参选择采样标尺
    2.3.3 调参技巧的通用性和超参数的过时性
    2.3.4 调参模式
    2.3.5 归一化隐藏层
    2.3.6 归一化隐藏层的好处
    2.3.7 使用模型时的隐藏层归一化
    2.3.8 Softmax 回归
    2.3.9 深入理解softmax
    2.3.10 如何选择深度学习框架
    2.3.11 手把手教你使用tensorflow
    2.3.12 [实战编程] 使用框架构建神经网络
    3 深度学习项目实战
    3.1 项目实战一
    3.1.1 决策很重要
    3.1.2 正交化
    3.1.3 如何判断哪个网络更好？——单一数值指标
    3.1.4 如何判断哪个网络更好？——优化指标和满足指标
    3.1.5 验证集与测试集的数据来源要一致
    3.1.6 如何决定数据集的大小？
    3.1.7 判定标准是可以变的
    3.1.8 AI能力与人类能力的关系
    3.1.9 利用贝叶斯误差来判断拟合度
    3.1.10 人类误差是多少呢？
    3.1.11 AI超越人类
    3.1.12 提升AI系统的一般流程
    3.1.13 [实战编程] 大项目神经网络
    3.2 实战项目二
    3.2.1 手工分析错误
    3.2.2 错误标签
    3.2.3 快速地构建一个简单的系统
    3.2.4 训练集与验证集的来源不一致
    3.2.5 异源时的拟合度分析
    3.2.6 如何解决异源问题
    3.2.7 迁移学习
    3.2.8 多任务学习
    3.2.9 什么是端到端的深度学习？
    3.2.10 是否使用端到端的深度学习方法
    3.2.11 [实战编程] 优化大项目
    4 人脸识别
    4.1 智能视觉
    4.1.1 智能视觉
    4.1.2 卷积运算
    4.1.3 边缘检测
    4.1.4 深入理解边缘检测
    4.1.5 padding
    4.1.6 卷积步长
    4.1.7 3D卷积
    4.1.8 多过滤器
    4.1.9 卷积层
    4.1.10 卷积神经网络
    4.1.11 池化层
    4.1.12 [实战编程] 构建简单的人脸识别程序
    4.2 深度卷积网络
    4.2.1 学习一些牛逼的例子
    4.2.2 LeNet-5
    4.2.3 AlexNet
    4.2.4 VGG
    4.2.5 残差网络
    4.2.6 1×1卷积
    4.2.7 Inception网络
    4.2.8 学会利用开源项目
    4.2.9 迁移学习
    4.2.10 数据扩充
    4.2.11 计算机视觉现状
    4.2.12 [实战编程] 优化人脸识别程序
    4.3 目标检测
    4.3.1 目标定位
    4.3.2 特征点检测
    4.3.3 目标检测
    4.3.4 卷积的滑动窗口实现
    4.3.5 Bounding Box预测
    4.3.6 交并比
    4.3.7 非极大值抑制
    4.3.8 Anchor Boxes
    4.3.9 YOLO 算法
    4.3.10 候选区域
    4.3.11 [实战编程] 构建商用人脸识别程序
    4.4 油画风格转换
    4.4.1 什么是转换？
    4.4.2 One-Shot学习
    4.4.3 Siamese 网络
    4.4.4 Triplet 损失
    4.4.5 风格验证与二分类
    4.4.6 什么是神经风格转换？
    4.4.7 什么是深度卷积网络？
    4.4.8 代价函数
    4.4.9 内容代价函数
    4.4.10 风格代价函数
    4.4.11 一维到三维推广
    4.4.12 [实战编程] 构建风格转换程序
    5 语音识别
    5.1 循环序列模型
    5.1.1 为什么选择序列模型？
    5.1.2 数学符号
    5.1.3 循环神经网络模型
    5.1.4 通过时间的反向传播
    5.1.5 不同类型的循环神经网络
    5.1.6 语言模型和序列生成
    5.1.7 对新序列采样
    5.1.8 循环神经网络的梯度消失
    5.1.9 GRU单元
    5.1.10 长短期记忆
    5.1.11 双向循环神经网络
    5.1.12 深层循环神经网络
    5.1.13 [实战编程]构建简单的语音识别程序
    5.2 自然语言处理与词嵌入
    5.2.1 词汇表征
    5.2.2 使用词嵌入
    5.2.3 词嵌入的特性
    5.2.4 嵌入矩阵
    5.2.5 学习词嵌入
    5.2.6 Word2Vec
    5.2.7 负采样
    5.2.8 GloVe 词向量
    5.2.9 情绪分类
    5.2.10 词嵌入除偏
    5.2.11 [实战编程] 优化语音识别程序
    5.3 序列模型和注意力机制
    5.3.1 基础模型
    5.3.2 选择最可能的句子
    5.3.3 集束搜索
    5.3.4 改进集束搜索
    5.3.5 集束搜索的误差分析
    5.3.6 Bleu 得分
    5.3.7 注意力模型直观理解
    5.3.8注意力模型
    5.3.9语音识别
    5.3.10触发字检测
    5.3.11 [实战编程] 构建商用语音识别
    6 自动驾驶
    7 生成对抗网络GANs
    8 强化学习
    9 无监督学习
    10 人工大脑


教程地址：链接