课程概述
课程简介：
本章你将深度学习的基础——从神经网络出发，了解神经网络的基本结构、损失函数和反向传播算法。然后学习如何训练深层神经网络，了解目前主流的卷积神经网络和循环神经网络算法。通过具体的案例以及TensorFlow框架，使用深度神经网络进行图片识别。
核心关键词：
神经元
损失函数
反向传播
梯度消失
卷积神经网络
循环神经网络
课程大纲：
| 章节（单元） | 知识点 | 课程说明 |
| 1. 神经网络 | 【1】神经元 | 学习神经网络的基础知识和反向传播算法。 |
| 【2】神经网络结构 | ||
| 【3】损失函数 | ||
| 【4】反向传播 | ||
| 2. 训练深层神经网络 | 【1】梯度消失 | 训练深层神经网络会遇到哪些问题，以及如何在实际的案例中去解决。 |
| 【2】矫正线性单元 | ||
| 【3】参数初始化 | ||
| 3. 卷积神经网络 | 【1】卷积神经网络原理 | 卷积神经网络的基本原理和训练。 |
| 【2】卷积特征层 | ||
| 【3】卷积神经网络训练 | ||
| 4. 循环神经网络 | 【1】基本循环神经网络 | 循环神经网络的基本原理和训练。 |
| 【2】双向循环神经网络 | ||
| 【3】深度循环神经网络 | ||
| 【2】循环神经网络的训练 | ||
| 【2】基于RNN的语言模型 |
证书要求
本门课单课评分60分及以上为“合格”，85分以上为“优秀”；
本微专业所有必修课程综合评分60分及以上，可以获得微专业“合格证书”，获得85分的可以获得“优秀证书”。
预备知识
1. 掌握数据挖掘的基本算法和模型评估方法；
2. 会用Python库实现基本的数据挖掘算法，解决实际问题；
3. 前面课程中必备的数学基础。
授课大纲
第一章：神经网络
1.1 神经元
1.2 神经网络结构
1.3 损失函数
1.4 反向传播
第二章：训练深层神经网络
2.1 梯度消失
2.2 矫正线性单元
2.3 参数初始化
第三章：卷积神经网络
3.1 卷积特征层
3.2 卷积神经网络训练
第四章：循环神经网络
4.1 基本循环神经网络
4.2 双向循环神经网络
4.3 深度循环神经网络
4.4 RNN的语言模型
实战项目
狗脸识别
交通卡口车辆识别
授课老师
所属微专业
所属系列课程
