[547] 玩转机器学习之神经网络，系统入门算法工程师 - 只学有用的，既可以轻松入门，也能帮你查漏补缺，跟上技术迭代的步伐

网盘链接：

1. 初识深度学习

• 1-1 系统入门深度学习，从这里轻松开始
• 1-2 本章内容介绍
• 1-3 神经网络&深度学习
• 1-4 深度学习路线图
• 1-5 深度学习应用
• 1-6 本章总结
• 1-7 【拓展知识】来自老司机深度学习得一些建议
• 1-8 【任务题】找一篇深度学习论文粗读

2. 入门必修：单、多层感知机

• 2-1 本章内容介绍
• 2-2 深度学习实施的一般过程
• 2-3 逻辑回归
• 2-4 逻辑回归损失函数
• 2-5 逻辑回归示例
• 2-6 单层、多层感知机
• 2-7 pytorch 构建单多层感知机
• 2-8 基于多层DNN假钞识别
• 2-9 数据集及特征分析
• 2-10 项目构建和模型训练（1）
• 2-11 项目构建和模型训练（2）
• 2-12 项目构建和模型训练（3）
• 2-13 项目构建和模型训练（4）
• 2-14 模型评估和选择
• 2-15 本章总结
• 2-16 【拓展知识】用多层感知机回归
• 2-17 【任务题】结合实际数据进行神经网络过程推理

3. 深度学习基础组件精讲

• 3-1 本章内容介绍
• 3-2 如何划分和处理你的数据集
• 3-3 正确的初始化模型参数
• 3-4 激活函数选择
• 3-5 优化器选择
• 3-6 Normalization 增强模型训练（上）
• 3-7 Normalization 增强模型训练（下）
• 3-8 使用正则提升模型表现
• 3-9 本章总结
• 3-10 【拓展知识】典型的 loss 函数
• 3-11 【任务题】完善全连接网络

4. 图像处理利器：卷积神经网络

• 4-1 本章内容介绍
• 4-2 人类视觉和卷积神经网络关系
• 4-3 卷积神经网络的应用
• 4-4 卷积运算是怎样的过程（上）
• 4-5 卷积运算是怎样的过程（下）
• 4-6 用池化进行下采样
• 4-7 几种卷积的变体（上）
• 4-8 几种卷积的变体（下）
• 4-9 利用残差搭建更深的网络
• 4-10 Vgg介绍及实现
• 4-11 图片的数据增广
• 4-12 手势识别应用来源和项目分析
• 4-13 模型设计
• 4-14 MoocTrialNet模型搭建（1）
• 4-15 MoocTrialNet模型搭建（2）
• 4-16 MoocTrialNet模型搭建（3）
• 4-17 MoocTrialNet模型搭建（4）
• 4-18 MoocTrialNet模型搭建（5）
• 4-19 模型评估和选择
• 4-20 本章总结
• 4-21 【拓展知识】近年来ILSVRC上最好模型
• 4-22 【任务题】独立完成一个CNN的项目

5. 为序列数据而生：RNN系列

• 5-1 本章内容介绍
• 5-2 什么是序列模型
• 5-3 不同的RNN应用类型：OvM, MvM
• 5-4 循环神经网络原理
• 5-5 用BPTT 训练RNN
• 5-6 两个重要的变体：LSTMGRU（上）
• 5-7 两个重要的变体：LSTMGRU（下）
• 5-8 利用双向、多层RNN增强模型
• 5-9 典型应用范式：Encoder-Decoder
• 5-10 GRU实现唤醒词识别
• 5-11 基于双层、双向GRU的命令词识别模型搭建（1）
• 5-12 基于双层、双向GRU的命令词识别模型搭建（2）
• 5-13 基于双层、双向GRU的命令词识别模型搭建（3）
• 5-14 基于双层、双向GRU的命令词识别模型搭建（4）
• 5-15 基于双层、双向GRU的命令词识别模型搭建（5）
• 5-16 模型评估和选择
• 5-17 本章总结
• 5-18 【拓展知识】序列到序列模型知识整理
• 5-19 【任务题】LSTM模型搭建

6. 深度学习新思路： GAN网络

• 6-1 本章内容介绍
• 6-2 什么是生成式模型？
• 6-3 GAN的原理（上）
• 6-4 GAN的原理（下）
• 6-5 GAN的一些变体之：CycleGAN
• 6-6 GAN的一些变体之：StyleGAN（上）
• 6-7 GAN的一些变体之：StyleGAN（下）
• 6-8 GAN的一些变体之：DCGAN
• 6-9 GAN的一些变体之：text-to-image
• 6-10 用DCGAN生成人脸照片
• 6-11 超参和dataset编写
• 6-12 generator编写
• 6-13 discriminator编写
• 6-14 trainer 编写（1）
• 6-15 trainer 编写（2）
• 6-16 trainer 编写（3）
• 6-17 trainer 编写（4）
• 6-18 怎么检查GAN的训练过程？
• 6-19 本章总结
• 6-20 【拓展知识】GAN在NLP、Speech中的一些应用
• 6-21 【任务题】复现Gan项目

7. 赋予模型认知能力：注意力机制

• 7-1 本章内容介绍
• 7-2 什么是注意力机制？
• 7-3 注意力机制的一般性原理
• 7-4 几种典型的注意力机制 hard、soft、local attention
• 7-5 自注意力机制：self-attention
• 7-6 Transformer
• 7-7 用Transformer实现G2P（上）
• 7-8 用Transformer实现G2P（下）
• 7-9 g2p dataset 编写
• 7-10 model结构和位置编码
• 7-11 encoder
• 7-12 Multi-head attention（上）
• 7-13 Multi-head attention（下）
• 7-14 Pointwise FeedForward
• 7-15 decoder
• 7-16 transformer（上）
• 7-17 transformer（下）
• 7-18 trainer脚本编写
• 7-19 infer推理函数编写
• 7-20 inference和attention map展示（上）
• 7-21 inference和attention map展示（下）
• 7-22 本章总结
• 7-23 【拓展知识】 几种典型的注意力机制和原理
• 7-24 【任务题】Transformer实现

8. 数据不够怎么办？迁移学习来帮忙

• 8-1 本章内容介绍
• 8-2 什么是迁移学习
• 8-3 迁移学习分类
• 8-4 怎么实施迁移学习？
• 8-5 基于ResNet迁移学习的姿势识别
• 8-6 工程代码（上）
• 8-7 工程代码（下）
• 8-8 inference
• 8-9 本章总结
• 8-10 【拓展知识】迁移学习前沿进展

9. 深度学习新范式：半监督学习

• 9-1 本章内容介绍
• 9-2 半监督学习是什么？
• 9-3 半监督学习能解决什么问题？
• 9-4 几种典型的半监督学习方法（上）
• 9-5 几种典型的半监督学习方法（下）
• 9-6 在Cifar10上实现MixMatch半监督学习-论文拆解
• 9-7 超参和dataset
• 9-8 utils编写（1）
• 9-9 utils编写（2）
• 9-10 utils编写（3）
• 9-11 utils编写（4）
• 9-12 model编写
• 9-13 loss 编写
• 9-14 trainer 编写（1）
• 9-15 trainer 编写（2）
• 9-16 trainer 编写（3）
• 9-17 trainer 编写（4）
• 9-18 本章总结
• 9-19 【拓展知识】SOTA半监督学习(ImageNet)