COURSE PROFILE 深度学习 · 开放讲义
Deep Learning · NYU · Spring 2020
沿着一套按周组织的开放讲义，从梯度下降和反向传播开始，学习卷积网络、序列模型、自监督方法与生成式模型。
课程概览
- 开设单位：New York University
- 课程名称：Deep Learning
- 学期：Spring 2020
- 公开资源：课程讲义与大纲
ABOUT THIS COURSE
一套循序展开的深度学习讲义
NYU-DLSP20 将课程大纲和讲义公开在线呈现。课程从深度学习动机、线性代数可视化和梯度计算开始，逐步进入网络架构、优化、序列建模与生成学习。
讲义还讨论自然信号的性质、能量模型、表示学习和自监督任务，适合希望按照主题顺序系统复习，并随时回看资料的学习者。
COURSE CONTENT
由神经网络基础走向生成学习
根据 NYU-DLSP20 公开课程大纲概括。
动机、线性代数与梯度计算
理解深度学习的动机，回顾线性代数，并通过梯度下降和反向传播学习网络参数。
FOUNDATIONS
卷积网络与自然信号
学习卷积基础、ConvNet 架构演进及其对图像等自然信号的适配。
CONVOLUTION
循环网络与注意力
从 RNN、GRU、LSTM 和 Seq2Seq 延伸到注意力、记忆网络及序列建模。
SEQUENCES
潜变量与生成模型
通过自编码器、变分自编码器和生成对抗网络理解表示与生成。
GENERATIVE MODELS
能量模型与自监督学习
探索能量模型、对比式学习、正则化潜变量模型及自监督预训练任务。
SELF-SUPERVISION
HOW TO STUDY
跟随课程目录自主推进
按主题阅读讲义，结合示意图和补充材料复习关键概念。
WEEKLY NOTES
按周学习
每周分成多个短主题，便于分段学习和快速回看。
CORE IDEAS
从原理入手
梯度、卷积和架构设计连接数学基础与模型构造。
MODERN METHODS
拓展到生成学习
自编码器、GAN、能量模型和自监督学习扩大方法视野。
PREPARATION
建议基础
课程从基础概念开始，但学习者可提前复习：
线性代数
微积分
概率基础
Python 编程
公开大纲页面未集中列出正式先修条件；以上为学习建议。
OFFICIAL COURSE MATERIALS
课程大纲与讲义
课程页面采用开放在线讲义形式，按章节浏览教学内容。
Deep Learning Syllabus and Lecture Notes
内容来源
根据 NYU-DLSP20 公开课程大纲与讲义整理并中文编写。该页面对应 Spring 2020 课程资料；本页不是 NYU 官方页面。
← 返回 AI 教学课程