课程简介
1.我为什么要学习这门课？
机器学习是人工智能的重要组成和技术基础，伴随着人工智能几十年的发展，期间几次大起大落。作为机器学习的高级阶段，最近几年深度学习算法在自然语言处理、语音识别、图像处理等领域的突破应用和广泛接受。这也标志着机器学习已经迈出实验室大门，走向实践，推动着人工智能向更高阶段发展。数据分析和人工智能发展已经引起了全球关注。企业对机器学习的人才需求增大，与之密切相关的数据科学家、数据挖掘工程师、大数据分析师、机器学习工程师等数据分析类人才成为本世纪最有吸引力的职业。根据相关企业估计，上述人才的增长高峰将持续6-8年。本课程就是对深度学习感兴趣的学员准备的。
2.这门课的主题是什么？
讨论深度学习的典型算法原理与应用（具体内容请参考下面课程大纲），为实践打下坚实的基础。
3.学习这门课可以获得什么？
课程目标：理解深度学习的基本原理、精选的深度学习基本算法及其典型应用，并使用主流的机器学习开源平台实现深度学习在典型领域的应用过程，能否对一般难度的应用问题进行分析和代码实现。
4.这门课有什么特色和亮点？
深度学习是一门理论和实践并重的课程，其中的内容比较多，很多算法也有一定的难度。深度学习的应用也需要一定的经验和技巧。本课程参阅了大量文献资料，结合过去多年的数据分析研究和项目实践，深入浅出，学生在可以钻研深度学习的算法以及应用。课程通过大量的选择题、填空和判断题检验和巩固学员对基本知识的理解。
5.这门课的学习方法建议
建议结合教材《机器学习（第2版）》（人民邮电出版社，2022）、《机器学习案例实战（第2版）》（人民邮电出版社，2021）、《Python机器学习实战案例（第2版）》（清华大学出版社，2022）《深度学习案例实战》（人民邮电出版社，2024）学习，先结合视频了解基本算法，然后通过各单元的测试题和作业巩固基本概念和算法，再通过具体的案例解读思路和代码，巩固算法。线下还要参考实战教材动手实验和实践练习，循序渐进。
6.课程守则（建议）
欢迎大家选修课程，请各位按照课程首页大纲的内容，根据课程内容的顺序，每周结合视频和推荐的配套教材，按时完成基本算法内容学习，并结合单元测试和章节练习，巩固基本概念和算法。在此基础上，完成每单元的实验，并可以进一步阅读推荐教材的实战案例，理解机器学习的思路以及每个步骤可能遇到的问题和技巧。
课程大纲
神经网络基础
课时目标：理解前馈神经网络的结构、梯度下降法以及网络训练调优的基本方法，并能应用前馈神经网络解决实际问题。建议5个学时。
1.1 神经网络简介
1.2 BP神经网络
1.3 银行客户流失预测
1.4 银行客户流失实验
1.5 新闻分类实验
1.6 阿里摩搭实验平台
深度学习在人工智能中的应用
课时目标：通过众多的案例，了解深度学习的典型应用场景。建议2个学时。
2.1 深度学习在人工智能中的应用（一）
2.2 深度学习在人工智能中的应用（二）
2.3 深度学习在人工智能中的应用（三）
2.4 深度学习在人工智能中的应用（四）
卷积神经网络
课时目标：理解卷积的内涵，熟悉经典的卷积神经网络的结构、训练方法以及典型场景的应用。建议4个学时。
3.1 卷积神经网络的发展
3.2 卷积与感受野机制
3.3 卷积的概念和特征
3.4 图像编码与卷积
3.5 卷积操作
3.6 卷积特征图及计算
3.7 多通道卷积
3.8 池化操作
3.9 Lenet5卷积神经网络—TensorFlow和MindSpore实现
3.10 完整的卷积神经网络过程
3.11 卷积神经网络训练
3.12 图像分类—TensorFlow和MindSpore实现
3.13 股票预测实验（卷积版）
3.14 手势体识别实验
典型卷积神经网络算法
课时目标：熟悉常用的几种卷积神经网络的结构、训练方法以及典型场景的应用。建议10个学时。
4.1 AlexNet卷积神经网络模型
4.2 VGG卷积神经网络模型—TensorFlow和MindSpore实现
4.3 GoogLeNet卷积神经网络模型
4.4 ResNet卷积神经网络模型
4.5 动物识别实验—TensorFlow和MindSpore实现
4.6 颜值打分（女生版）
循环神经网络
课时目标：理解循环神经网络以及变种LSTM、GRU的结构、训练方法以及典型场景的应用。建议6个学时。
5.1 循环神经网络基本原理
5.2 循环神经网络模型——使用字符级RNN生成名称MinSpore实现
5.3 长短期记忆神经网络模型
5.4 股票预测实验（LSTM版）
5.5 情感识别分类实验—TensorFlow和MindSpore实现
目标检测
课时目标：理解目标检测的基本概念、基本原理以及典型的目标检测算法，能用这些算法于典型的应用场景。在此基础上可以学习目标检测实践课程https://www.icourse163.org/course/FUDAN-1456632162。建议6学时。本单元起为深度学习高级内容。
6.1 目标检测概况
6.2 目标检测的基本概念
6.3 目标检测发展
6.4 基于候选区域的目标检测
6.5 Fast R-CNN目标检测算法
6.6 Faster R-CNN目标检测算法（MindSpore框架实现）
6.7 Yolov1-v5算法
6.8 目标检测案例解析
6.9 RetinaNet和UNet算法
6.10 物体检测实验
6.11 车道检测实验
生成对抗网络
课时目标：理解生成对抗网络的结构、训练方法以及典型场景的应用。建议6个学时。
7.1 生成对抗网络基本原理
7.2 Encoder-Decoder模型
7.2 生成对抗网络算法DCGAN
7.4 生成对抗网络算法应用
7.5 手写体生成—TensorFlow和MindSpore实现
7.6 CycleGAN算法
7.7 DCGAN和WGAN算法—MindSpore实现
7.8 画风转移实验
7.9 超分辨率图像重建实验
注意力机制
课时目标：理解注意力机制的概念、常见的外部注意力、自注意力以及机器翻译等典型应用。建议5个学时。即将更新视频。
8.1 Seq2Seq模型
8.2 （自）注意力机制模型
8.3 Transformer模型*（选读）
8.4 BERT模型*（选读）
8.5 机器翻译实验
8.6 情感分类和机器写诗实验—MindSpore实现
深度学习应用
课时目标：学会使用卷积神经网络、循环神经网络、生成对抗网络的常用算法的应用，解决实际问题，并能做创新性的应用。建议3个学时。深度强化学习的内容已经单独成课，有兴趣的学员可以访问学堂在线的深度强化学习导论课程：https://www.xuetangx.com/course/fdu0809bt2074/19324384?channel=i.area.recent_search。本课程的综合实训可以参考机器视觉与边缘计算应用课程：https://www.icourse163.org/course/FUDAN-1456632162
9.1情感识别分类
9.2 编码解码器实验