第一步 基本概念
第1章 概论
1.1 人工智能发展简史
1.2 科学范式的演化
第2章 神经网络中的三个基本概念
2.1 通俗地理解三大概念
2.2 线性反向传播
2.3 梯度下降
第3章 损失函数
3.1 损失函数概论
3.2 均方差函数
3.3 交叉熵损失函数
第二步 线性回归
第4章 单入单出的单层神经网络——单变量线性回归
4.1 单变量线性回归问题
4.2 最小二乘法
4.3 梯度下降法
4.4 神经网络法
4.5 梯度下降的三种形式
第5章 多入单出的单层神经网络——多变量线性回归
5.1 多变量线性回归问题
5.2 正规方程解法
5.3 神经网络解法
5.4 样本特征数据归一化
5.5 正确的推理预测方法
第三步 线性分类
第6章 多入单出的单层神经网络——线性二分类
6.1 线性二分类
6.2 二分类函数
6.3 用神经网络实现线性二分类
第7章 多入多出的单层神经网络——线性多分类
7.1 线性多分类
7.2 多分类函数
7.3 用神经网络实现线性多分类
第四步 非线性回归
第8章 激活函数
8.1 激活函数概论
8.2 挤压型激活函数
8.3 半线性激活函数
第9章 单入单出的双层神经网络——非线性回归
9.1 非线性回归
9.2 用多项式回归法拟合正弦曲线
9.3 用多项式回归法拟合复合函数曲线
9.4 验证与测试
9.5 用双层神经网络实现非线性回归
9.6 曲线拟合
第五步 非线性分类
第10章 多入单出的双层神经网络——非线性二分类
10.1 双变量非线性二分类
10.2 使用双层神经网络的必要性
10.3 非线性二分类的实现
10.4 实现逻辑异或门
10.5 实现双弧形二分类
10.6 双弧形二分类的工作原理
第11章 多入多出的双层神经网络——非线性多分类
11.1 双变量非线性多分类
11.2 非线性多分类
第12章 多入多出的三层神经网络——深度非线性多分类
12.1 多变量非线性多分类
12.2 三层神经网络的实现
第六步 模型推理与应用部署
第13章 模型推理与应用部署
13.1 手工测试训练效果
13.2 模型文件概述
13.3 ONNX模型文件
第七步 深度神经网络
第14章 搭建深度神经网络框架
14.1 框架设计
14.2 回归任务功能测试
14.3 二分类任务功能测试
14.4 多分类功能测试
14.5 MNIST手写体识别
第15章 网络优化
15.1 权重矩阵初始化
15.2 梯度下降优化算法
15.3 自适应学习率算法
第16章 正则化
16.1 过拟合
16.2 L2正则
16.3 L1正则
16.4 丢弃法
第八步 卷积神经网络
第17章 卷积神经网络的原理
17.1 卷积神经网络概论
17.2 卷积的前向计算
17.3 卷积层的训练
17.4 池化层
第18章 卷积神经网络的应用
18.1 经典的卷积神经网络模型
18.2 实现颜色分类
18.3 实现几何图形分类
18.4 解决MNIST分类问题
第九步 循环神经网络
第19章 普通循环神经网络
19.1 循环神经网络概论
19.2 两个时间步的循环神经网络
19.3 四个时间步的循环神经网络
19.4 通用的循环神经网络
19.5 实现空气质量预测
第20章 高级循环神经网络
20.1 高级循环神经网络概论
20.2 LSTM的基本原理
20.3 LSTM的代码实现
20.4 GRU的基本原理
20.5 序列到序列模型
结束语
· · · · · · (收起)