COURSE PROFILE 深度学习 · 理论与应用
6.7960 Deep Learning · Fall 2024
系统学习深度学习基础，将网络架构、优化和泛化理论与计算机视觉、自然语言处理和机器人领域的应用联系起来。
课程概览
- 开设单位：MIT · EECS
- 课程编号：6.7960
- 学期：Fall 2024
- 资料平台：MIT OpenCourseWare
ABOUT THIS COURSE
将理论分析融入模型应用
MIT 6.7960 是一门覆盖深度学习理论基础及应用的研究生课程。公开大纲概述了神经网络架构、反向传播、自动微分、高维泛化，以及几何结构和不变性等主题。
课程不只讨论模型如何训练，也分析模型为什么有效，并以视觉、自然语言处理与机器人问题说明深度学习方法如何进入不同应用场景。MIT OpenCourseWare 提供课程大纲和学习资源。
COURSE CONTENT
架构、理论与领域应用
根据 Fall 2024 官方大纲整理，不代表其他学期的课程安排。
深度学习计算基础
理解反向传播与自动微分如何计算梯度，并支撑深层模型的训练。
COMPUTATION
神经网络架构
比较 MLP、CNN、RNN、图神经网络和 Transformer 的结构及适用问题。
ARCHITECTURES
几何与不变性
研究数据变换、几何结构与模型不变性之间的关系。
GEOMETRY
学习理论与泛化
讨论高维环境下的学习理论，以及模型在训练样本之外泛化的能力。
GENERALIZATION
跨领域应用
通过计算机视觉、自然语言处理和机器人任务理解深度学习应用。
APPLICATIONS
LEARNING EXPERIENCE
问题集与期末项目
课程以问题集巩固理论和方法，并以项目整合选题、建模和实验。
PROBLEM SETS
作业推导
问题集占课程成绩 65%，练习模型与理论分析。
FINAL PROJECT
课程项目
期末项目占课程成绩 35%，将课程方法用于具体问题。
APPLICATION
真实领域
视觉、语言和机器人案例展现方法之间的联系。
PREPARATION
先修基础
MIT 官方大纲建议先修概率和统计，以及统计数据分析或机器学习课程：
概率与统计
机器学习
统计数据分析
线性代数
Python 编程
具体先修课程编号请查阅 MIT 当期大纲及选课要求。
OFFICIAL COURSE MATERIALS
大纲与公开课主页
以下链接指向 MIT OpenCourseWare 的公开课程资料。
内容来源
课程内容和先修信息根据 MIT 6.7960 Fall 2024 官方大纲整理。成绩比例对应该学期大纲；本页不是 MIT 官方页面。
← 返回 AI 教学课程