深度学习课程详细信息

课程号 04833630 学分 2
英文名称 Deep Learning
先修课程 数据结构、概率统计
中文简介 这门课程主要介绍深度学习的基本原理、方法以及在不同领域的实践。课程的第一部分介绍深度学习的发展现状、理论以及基本方法。第二部分课程介绍深度学习框架TensorFlow。第三部分课程介绍深度学习在不同领域的应用包括计算机视觉、自然语言理解、网络分析、以及推荐。
英文简介 Deep learning has achieved tremendous success in many applications. This course aims to introduce the fundamental concepts, methods, and applications of deep learning. The first part of the course focuses on the theory and methods; the second part provides an introduction to the widely used deep learning framework TensorFlow; the last part introduces the applications of deep learning to various domains including computer vision, natural language understanding, information network analysis, and recommendation.
开课院系 信息科学技术学院
通选课领域  
是否属于艺术与美育
平台课性质  
平台课类型  
授课语言 英文
教材 Deep learning,Yoshua Bengio,MIT,2016,1,978-0262035613;
参考书
教学大纲 近年来,深度学习在图像处理、语言识别、自然语言理解等方面取得了重大进展,并逐渐应用到医疗、教育等重要民生领域,成为人工智能时代最流行的机器学习技术。本课程通过讲述深度学习的发展历程、卷积神经网络、循环神经网络、强化学习、深度学习框架以及深度学习技术的应用等内容,拟向学生传授深度学习的基本形式和简单技术;通过介绍深度学习的应用,提高学生对技术的理解程度和兴趣,引导学生动手完成深度学习项目;学生的分组调研任务能够深化对特定深度学习技术的理解,从而发现科学问题、培养学生的科研兴趣。
内容一:数学和机器学习基础,4课时。深度学习中广泛使用了线性代数、概率统计等数学知识,本课程首先用2课时讲述相关的数学内容。同时,深度学习是机器学习的一个分支,需要用到很多机器学习中的常见概念,拟用2课时完成相关概念的介绍。
内容二:前馈神经网络,2课时。前馈神经网络是深度学习中最简单的网络结构,最典型的前馈神经网络是多层感知器。本词课程重点介绍多层感知器和反向传播算法。
内容三:优化技巧,3课时。目前,绝大多数深度神经网络模型使用反向传播算法进行优化,会遇到梯度消失、梯度爆炸、陷入局部最优或鞍点等问题,本次课程介绍目前应用广泛的优化技术,如改进的随机梯度下降、批正则化等。
内容四:卷积神经网络,3课时。卷积神经网络在图像识别领域取得了重大突破,称为深度学习复兴的推动力量。本次课程将介绍卷积操作的基本内容,如卷机核、接受域、池化等,演示卷积的流程,展示ImageNet数据集上取得历届冠军的卷积网络结构。并介绍卷机神经网络的一些最新改进。
内容五:循环神经网络,3课时。深度学习中另一典型的网络结构是循环神经网络,在序列数据的处理中取得重大进展,如语音识别、机器翻译等。本次课程介绍循环审计网络的网络结构及其变种LSTM和GRU,并简单介绍其在自然语言、推荐系统等领域的应用。
内容六:TensorFlow入门,3课时。TensorFlow是谷歌开源的机器学习框架,是目前深度学习领域最流行的框架的之一。使用TensorFlow构建深度神经网络模型能够提升开发效率。本次课程介绍TensorFlow中的计算图概念,在图上如何定义每个计算节点,如何完成计算图的构建,以及如何通过TensorFlow进行模型的训练和测试。
内容七:深度学习在自然语言处理领域的应用,3课时。本次课程介绍深度学习在自然语言理解方面取得的进展。
内容八:深度学习在网络分析领域的应用,3课时。网络或图结构是生活中最常见的数据格式之一,本次课程介绍如何使用深度学习技术学习网络的表示、在网络上做推理等内容。
内容九:深度学习在推荐系统中的应用,6课时。如何使用深度神经网络结构,如RNN、CNN等构建推荐系统。
内容十:学生展示,2课时。学生展示调研成果。
教学方式以教师ppt授课为主,学生展示为辅的形式,同时借助多媒体设备展示相关的动画、视频等内容。
学生成绩由三部分构成,课程参与占30%,课程项目大作业占40,调研报告及展示占30%。
教学评估 张铭:
学年度学期:17-18-3,课程班:深度学习1,课程推荐得分:3.37,教师推荐得分:3.65,课程得分分数段:80及以下;