第一章:深度学习教程

深度学习是机器学习的一个分支，完全基于人工神经网络，因为神经网络要模仿人脑，所以深度学习也是对人脑的一种模仿。

本深度学习教程是您学习有关深度学习的一切的一站式指南。它涵盖了基本和高级概念，为初学者和专业人士提供了对该技术的全面理解。无论您是深度学习新手还是有一定经验，本教程都将帮助您轻松了解深度学习的不同技术。

深度学习是机器学习的一部分，它使用人工神经网络从大量数据中学习，而无需显式编程。这些网络受到人脑的启发，可用于识别图像、理解语音和处理语言等。深度学习网络有不同类型，例如前馈神经网络、卷积神经网络和循环神经网络。深度学习需要大量的标记数据和强大的计算机才能很好地工作，但它可以在许多应用中取得非常好的结果。

表中的内容

基础神经网络
人工神经网络
卷积神经网络
循环神经网络
生成学习
强化学习
基础神经网络
- Pytorch 中的激活函数
- TensorFlow 中的激活函数
- 生物神经元与人工神经元
- 单层感知器
- 多层感知器
- 前向和后向传播
- 前馈神经网络
- 神经网络层
- 激活函数简介
- 激活函数的类型
- 深入理解激活函数
人工神经网络
- 使用 PyTorch 进行线性回归
- 使用 Tensorflow 的线性回归
- 使用 TensorFlow 对手写数字进行分类
- 使用 PyTorch 对手写数字进行分类
- 神经网络中的成本函数
- 梯度下降如何工作
- 梯度消失或爆炸问题
- 选择最佳的 epoch 数
- 深度学习中的批量归一化
- 顺序 API 和函数式 API 之间的区别
- 分类
- 回归
- 微调和超参数
卷积神经网络
- 数字图像处理基础知识
- 图像处理
- 池化层
- 卷积神经网络或卷积神经网络
- 用于图像分类的 CNN
- 不同的CNN架构
- 用于图像分类的预训练模型
- 物体检测和图像分割之间的区别
- YOLO v2 – 物体检测
循环神经网络
- 使用门控循环单元网络生成文本
- 长短期记忆简介
- 长短期记忆架构
- LSTM——反向传播随时间的推导
- 使用 LSTM 生成文本
- 循环神经网络架构
- 使用 RNN 进行情感分析
- 使用 RNN 进行时间序列预测
- RNN 中的短期记忆问题
- 双向 RNN 架构
- 什么是时间序列数据？
- 自然语言处理
- 分词、词干提取和词形还原
- 词嵌入
- 循环神经网络
- 长短期记忆 (LSTM)
- 门控循环单元
生成学习
- 生成对抗网络 (GAN) 基础知识
- 生成对抗网络（GAN）
- 生成对抗网络的用例
- 使用 Keras 构建生成对抗网络
- 循环生成对抗网络（CycleGAN）
- StyleGAN – 风格生成对抗网络
- 线性自动编码器
- 堆叠式自动编码器
- 卷积自动编码器
- 循环自动编码器
- 去噪自动编码器
- 稀疏自动编码器
- 自动编码器
- 自动编码器的工作原理
- 自动编码器的类型
- 变分自动编码器
- 压缩自动编码器 (CAE)
- 使用 TensorFlow 2.0 的自动编码器
- 在 PyTorch 中实现自动编码器
- 生成对抗网络
强化学习
- 深度 Q 学习
- 使用 TensorFlow 实施深度 Q 学习
- 使用深度 Q 学习的人工智能驱动的贪吃蛇游戏
- Q-learning 实施
- 强化学习介绍
- 优化强化学习中的奖励
- 汤普森抽样强化学习
- 强化学习框架
- 马尔可夫决策过程
- 贝尔曼方程
- 元学习
- 基于策略的强化学习
- 神经网络强化学习
- Q-学习
- 深度 Q 学习