A-基础教程⚓︎
此模块是人工智能学习的理论教程集合,包括课程详解和代码示例,帮助学习者从入门到精通神经网络的原理,并通过一系列代码实践讲原理应用于实际问题的解决。
0. 环境准备⚓︎
操作系统⚓︎
应用软件⚓︎
1.Git client,用于clone代码,进入链接后点击右侧下载即可。
2.Python 3.6+ without conda,进入链接后选择相应版本下载即可,记得在安装时将Python加入环境变量。
3.VS Code,进入链接后选择相应版本下载即可。下载后需安装Markdown all in one插件,方法是打开VS Code,选择左边栏“扩展”或按快捷键Ctrl+Shift+X,并搜索Markdown all in one插件,下载安装即可。
本模块包含下列课程:
1. PythonBasic(Python基础)⚓︎
包括相关数学原理的介绍和python语言的介绍,以及示例演示。帮助学习者夯实基础,为神经网络原理的学习打下基础。
2. 神经网络简明原理⚓︎
神经网络简明原理教程,也称 9步学习法,从神经网络基础结构开始,由浅入深,配合代码实践,帮助学习者学习并掌握神经网络的核心内容。
该教程的配套新书出版!
目前在各大网店都可以买到。全书400多页,全彩印刷,由高等教育出版社出版,是下面所述的“神经网络基本原理教程”的印刷版。
本部分包含三个学习路径:
2.1 神经网络初探
- 适用人群:希望了解最基本的神经网络知识,有一定代码能力。
- 内容:神经网络基础知识,线性回归、线性分类。
- 先修知识:微分知识和线性代数;Python
- 学习时长:6~8小时
- 学习目标:理解神经网络基础概念。
神经网络初探学习路径参考
序号 | 内容 | 知识点 | 备注 |
---|---|---|---|
1 | 第一步:神经网络概论与基本概念 | 神经网络基本工作原理;反向传播;梯度下降;损失函数 | 必选 |
2 | 第二步:线性回归 | 单入单出的单层神经网络;多入单出的单层神经网络 | 必选 |
3 | 第三步:线性分类 | 多入单出的单层神经网路;多入单出的单层神经网路 | 必选 |
2.2 神经网络进阶
- 适用人群:具有一定的神经网络学习基础和代码能力的学习者。
- 内容:非线性回归,非线性分类,模型推理。
- 先修知识:微分知识和线性代数;Python
- 学习时长:8~12 小时
- 学习目标:更好地理解并使用现有神经网络框架。
神经网络进阶学习路径参考
序号 | 内容 | 知识点 | 备注 |
---|---|---|---|
1 | 第四步:非线性回归 | 激活函数;单入单出的双层神经网络 | 必选 |
2 | 第五步:非线性分类 | 多入单出的双层神经网络;多入多出的双层神经网络;多入多出的三层神经网络 | 必选 |
3 | 第六步:模型的推理与部署 | 模型文件概述;ONNX模型文件;Windows中模型的部署 | 必选 |
2.3 深度网络基础
- 适用人群:有较好的神经网络理论基础,想通过学习深度网络进行更多地扩展性研究或者开发。
- 内容:DNN,CNN,RNN。
- 先修知识:微分知识和线性代数;Python
- 学习时长:16~24 小时
- 学习目标:有能力快速学习最新出现的各种神经网络的扩展或者变型,或进行前沿性研究。
深度网络基础学习路径参考
序号 | 内容 | 知识点 | 备注 |
---|---|---|---|
1 | 第七步:深度神经网络 | 搭建深度神经网络框架;网络优化;正则化 | 必选 |
2 | 第八步:卷积神经网络 | 卷积神经网络原理;卷积神经网络应用 | 必选 |
3 | 第九步:循环神经网络 | 普通循环神经网络;高级循环神经网络 | 必选 |
反馈与贡献⚓︎
-
反馈
如果您对本模块内容有任何反馈,欢迎在 GitHub Issues 模块中留言,我们会积极了解您的反馈,并尽量满足您的要求。
-
贡献
如果您想向本模块提供任何有价值的教程内容,请 fork 本仓库到您自己的账号,编辑内容并提交 Pull Request,我们会及时审阅并处理。
欢迎向本模块贡献有价值的内容。