《深度学习清华大学》课件

深度学习清华大学本课程旨在深入浅出地讲解深度学习理论和实践，并提供丰富的案例和项目实践机会课程介绍课程名称授课教师课程目标深度学习清华大学计算机系教授帮助学生掌握深度学习基本概念，并具备应用深度学习解决实际问题的能力课程目标了解深度学习的基本概掌握深度学习的常用算念法神经网络，卷积神经网络，循监督学习，非监督学习，强化环神经网络等学习等熟悉深度学习的系统架能够应用深度学习解决构和框架实际问题TensorFlow，PyTorch等计算机视觉，自然语言处理，语音识别等主要内容深度学习基础1感知机，多层神经网络，卷积神经网络，循环神经网络，生成对抗网络等深度学习算法2监督学习，非监督学习，强化学习等深度学习系统架构3深度学习框架，数据预处理，特征工程，模型选择与调优，模型评估与部署等深度学习应用场景4计算机视觉，自然语言处理，语音识别，推荐系统，金融科技，医疗健康，自动驾驶等基础知识回顾线性代数概率论与统计矩阵，向量，特征值，特征向量概率分布，假设检验，贝叶斯定等理等微积分导数，积分，梯度等感知机神经元模型感知机结构模拟生物神经元的简单模型，通过激多个神经元组成，实现线性分类活函数进行非线性映射感知机学习算法通过梯度下降算法进行权重更新，以最小化误差多层神经网络输入层隐藏层输出层接收数据进行非线性变换，提取特征输出预测结果卷积神经网络卷积层1提取局部特征池化层2降维，减少参数全连接层3进行分类或回归循环神经网络记忆单元1存储历史信息输入层2接收数据输出层3输出预测结果生成对抗网络22生成器判别器生成伪造数据区分真实数据和伪造数据常见深度学习算法监督学习非监督学习强化学习有标签数据训练模型，预测新的标签无标签数据训练模型，发现数据中的隐通过与环境交互学习，以最大化奖励藏结构监督学习分类回归将数据划分到不同的类别中预测连续值目标变量非监督学习聚类降维将数据分成多个组，组内相似度高，减少数据的维度，保留重要信息组间相似度低强化学习状态当前环境状态动作采取的动作奖励对动作的评价策略如何选择动作深度学习系统架构数据预处理1数据清洗，格式转换等特征工程2提取有效特征模型选择与调优3选择合适的模型，调整参数模型评估与部署4评估模型性能，部署到实际应用中深度学习框架TensorFlow PyTorch谷歌开发的开源深度学习框架，Facebook开发的开源深度学易于使用，功能强大习框架，灵活，高效Keras基于TensorFlow或Theano的深度学习库，简洁，易于学习数据预处理特征工程特征选择特征提取选择最相关的特征从原始数据中提取新特征模型选择与调优12模型选择超参数调优根据任务选择合适的模型类型调整模型参数以提高性能模型评估与部署准确率召回率预测正确的样本数占总样本数的比例预测正确的正样本数占所有正样本数的比例深度学习应用场景计算机视觉自然语言处理语音识别推荐系统图像分类，目标检测，人脸机器翻译，文本摘要，情感语音转文字，语音识别等个性化推荐识别等分析等计算机视觉图像分类识别图像中的物体类别目标检测识别图像中目标物体的类别和位置人脸识别识别图像中的人脸自然语言处理机器翻译文本摘要情感分析将一种语言的文本翻译成另一种语言自动生成文本的简短摘要分析文本的情感倾向语音识别语音转文字语音识别将语音信号转换为文字识别语音内容，例如命令，指令等推荐系统内容推荐1推荐用户可能感兴趣的内容商品推荐2推荐用户可能感兴趣的商品用户推荐3推荐用户可能感兴趣的用户金融科技风险控制1使用深度学习识别欺诈行为投资策略2使用深度学习进行股票预测客户服务3使用深度学习提供智能客服医疗健康123疾病诊断药物研发个性化医疗使用深度学习进行疾病诊断使用深度学习加速药物研发使用深度学习提供个性化医疗服务自动驾驶感知决策控制识别周围环境规划行驶路线控制车辆行驶未来展望更强大的计算能力更丰富的算法更广泛的应用硬件性能的提升将推动深度学习的发展新的算法将不断涌现，解决更复杂的问深度学习将应用到更多领域题学习建议预习课本内容积极参与课堂讨论提前学习课本内容，为课堂学与老师和同学互动，加深对知习做好准备识的理解完成课后作业巩固所学知识，提升实践能力课程资源课程网站在线论坛提供课程资料，作业提交等与老师和同学交流学习学习资料推荐参考书籍和论文。