第一步 基本概念
第1章 概論
1.1 人工智能發展簡史
1.2 科學範式的演化
第2章 神經網絡中的三個基本概念
2.1 通俗地理解三大概念
2.2 綫性反嚮傳播
2.3 梯度下降
第3章 損失函數
3.1 損失函數概論
3.2 均方差函數
3.3 交叉熵損失函數
第二步 綫性迴歸
第4章 單入單齣的單層神經網絡——單變量綫性迴歸
4.1 單變量綫性迴歸問題
4.2 最小二乘法
4.3 梯度下降法
4.4 神經網絡法
4.5 梯度下降的三種形式
第5章 多入單齣的單層神經網絡——多變量綫性迴歸
5.1 多變量綫性迴歸問題
5.2 正規方程解法
5.3 神經網絡解法
5.4 樣本特徵數據歸一化
5.5 正確的推理預測方法
第三步 綫性分類
第6章 多入單齣的單層神經網絡——綫性二分類
6.1 綫性二分類
6.2 二分類函數
6.3 用神經網絡實現綫性二分類
第7章 多入多齣的單層神經網絡——綫性多分類
7.1 綫性多分類
7.2 多分類函數
7.3 用神經網絡實現綫性多分類
第四步 非綫性迴歸
第8章 激活函數
8.1 激活函數概論
8.2 擠壓型激活函數
8.3 半綫性激活函數
第9章 單入單齣的雙層神經網絡——非綫性迴歸
9.1 非綫性迴歸
9.2 用多項式迴歸法擬閤正弦麯綫
9.3 用多項式迴歸法擬閤復閤函數麯綫
9.4 驗證與測試
9.5 用雙層神經網絡實現非綫性迴歸
9.6 麯綫擬閤
第五步 非綫性分類
第10章 多入單齣的雙層神經網絡——非綫性二分類
10.1 雙變量非綫性二分類
10.2 使用雙層神經網絡的必要性
10.3 非綫性二分類的實現
10.4 實現邏輯異或門
10.5 實現雙弧形二分類
10.6 雙弧形二分類的工作原理
第11章 多入多齣的雙層神經網絡——非綫性多分類
11.1 雙變量非綫性多分類
11.2 非綫性多分類
第12章 多入多齣的三層神經網絡——深度非綫性多分類
12.1 多變量非綫性多分類
12.2 三層神經網絡的實現
第六步 模型推理與應用部署
第13章 模型推理與應用部署
13.1 手工測試訓練效果
13.2 模型文件概述
13.3 ONNX模型文件
第七步 深度神經網絡
第14章 搭建深度神經網絡框架
14.1 框架設計
14.2 迴歸任務功能測試
14.3 二分類任務功能測試
14.4 多分類功能測試
14.5 MNIST手寫體識彆
第15章 網絡優化
15.1 權重矩陣初始化
15.2 梯度下降優化算法
15.3 自適應學習率算法
第16章 正則化
16.1 過擬閤
16.2 L2正則
16.3 L1正則
16.4 丟棄法
第八步 捲積神經網絡
第17章 捲積神經網絡的原理
17.1 捲積神經網絡概論
17.2 捲積的前嚮計算
17.3 捲積層的訓練
17.4 池化層
第18章 捲積神經網絡的應用
18.1 經典的捲積神經網絡模型
18.2 實現顔色分類
18.3 實現幾何圖形分類
18.4 解決MNIST分類問題
第九步 循環神經網絡
第19章 普通循環神經網絡
19.1 循環神經網絡概論
19.2 兩個時間步的循環神經網絡
19.3 四個時間步的循環神經網絡
19.4 通用的循環神經網絡
19.5 實現空氣質量預測
第20章 高級循環神經網絡
20.1 高級循環神經網絡概論
20.2 LSTM的基本原理
20.3 LSTM的代碼實現
20.4 GRU的基本原理
20.5 序列到序列模型
結束語
· · · · · · (收起)