《深度学习清华大学》课件

深度学习清华大学本课程旨在深入浅出地讲解深度学习理论和实践，并提供丰富的案例和项目实践机会。课程介绍课程名称深度学习授课教师清华大学计算机系教授课程目标帮助学生掌握深度学习基本概念，并具备应用深度学习解决实际问题的能力。课程目标了解深度学习的基本概念神经网络，卷积神经网络，循环神经网络等掌握深度学习的常用算法监督学习，非监督学习，强化学习等熟悉深度学习的系统架构和框架TensorFlow，PyTorch等能够应用深度学习解决实际问题计算机视觉，自然语言处理，语音识别等主要内容1深度学习基础感知机，多层神经网络，卷积神经网络，循环神经网络，生成对抗网络等2深度学习算法监督学习，非监督学习，强化学习等3深度学习系统架构深度学习框架，数据预处理，特征工程，模型选择与调优，模型评估与部署等4深度学习应用场景计算机视觉，自然语言处理，语音识别，推荐系统，金融科技，医疗健康，自动驾驶等基础知识回顾线性代数矩阵，向量，特征值，特征向量等概率论与统计概率分布，假设检验，贝叶斯定理等微积分导数，积分，梯度等感知机神经元模型模拟生物神经元的简单模型，通过激活函数进行非线性映射感知机结构多个神经元组成，实现线性分类感知机学习算法通过梯度下降算法进行权重更新，以最小化误差多层神经网络输入层接收数据隐藏层进行非线性变换，提取特征输出层输出预测结果卷积神经网络1卷积层提取局部特征2池化层降维，减少参数3全连接层进行分类或回归循环神经网络1记忆单元存储历史信息2输入层接收数据3输出层输出预测结果生成对抗网络2生成器生成伪造数据2判别器区分真实数据和伪造数据常见深度学习算法监督学习有标签数据训练模型，预测新的标签非监督学习无标签数据训练模型，发现数据中的隐藏结构强化学习通过与环境交互学习，以最大化奖励监督学习分类将数据划分到不同的类别中回归预测连续值目标变量非监督学习聚类将数据分成多个组，组内相似度高，组间相似度低降维减少数据的维度，保留重要信息强化学习状态当前环境状态动作采取的动作奖励对动作的评价策略如何选择动作深度学习系统架构1数据预处理数据清洗，格式转换等2特征工程提取有效特征3模型选择与调优选择合适的模型，调整参数4模型评估与部署评估模型性能，部署到实际应用中深度学习框架TensorFlow谷歌开发的开源深度学习框架，易于使用，功能强大PyTorchFacebook开发的开源深度学习框架，灵活，高效Keras基于TensorFlow或Theano的深度学习库，简洁，易于学习数据预处理特征工程特征选择选择最相关的特征特征提取从原始数据中提取新特征模型选择与调优1模型选择根据任务选择合适的模型类型2超参数调优调整模型参数以提高性能模型评估与部署准确率预测正确的样本数占总样本数的比例召回率预测正确的正样本数占所有正样本数的比例深度学习应用场景计算机视觉图像分类，目标检测，人脸识别等自然语言处理机器翻译，文本摘要，情感分析等语音识别语音转文字，语音识别等推荐系统个性化推荐计算机视觉图像分类识别图像中的物体类别目标检测识别图像中目标物体的类别和位置人脸识别识别图像中的人脸自然语言处理机器翻译将一种语言的文本翻译成另一种语言文本摘要自动生成文本的简短摘要情感分析分析文本的情感倾向语音识别语音转文字将语音信号转换为文字语音识别识别语音内容，例如命令，指令等推荐系统1内容推荐推荐用户可能感兴趣的内容2商品推荐推荐用户可能感兴趣的商品3用户推荐推荐用户可能感兴趣的用户金融科技1风险控制使用深度学习识别欺诈行为2投资策略使用深度学习进行股票预测3客户服务使用深度学习提供智能客服医疗健康1疾病诊断使用深度学习进行疾病诊断2药物研发使用深度学习加速药物研发3个性化医疗使用深度学习提供个性化医疗服务自动驾驶感知识别周围环境决策规划行驶路线控制控制车辆行驶未来展望更强大的计算能力硬件性能的提升将推动深度学习的发展更丰富的算法新的算法将不断涌现，解决更复杂的问题更广泛的应用深度学习将应用到更多领域学习建议预习课本内容提前学习课本内容，为课堂学习做好准备积极