之前给大家推荐过很多关于深度学习的教程，不同的教程适合不同的读者，大家需要根据自己的需要，选择多个教程的互补内容来学习即可

很多同学学习深度学习可能就是看一下pytorch框架，然后找一些不全面的教程来看一下，学的都是比较碎片化的内容，很难讲清楚深度学习到底包含哪些内容

这一期给大家推荐一个经典的深度学习教程，和周志华老师的《机器学习》、李沐老师的《动手学深度学习》、李航老师的《统计学习》一样经典

这个深度学习教程的主旨是让大家不仅要学习深度学习，更是要理解透彻深度学习

教程的具体内容如下：

第一部分：引言

主要是介绍深度学习涉及的内容，包括监督学习，无监督学习，以及介绍整个教程的框架，建议大家看一下，可以了解后续要学习什么内容

第二部分：监督学习

主要是介绍监督学习的总体概论，以及线性回归相关的内容，要清楚监督学习解决什么样的问题

第三部分：浅层和深层神经网络

介绍神经网络示例，逼近定理，多变量输入和输出，浅层神经网络和深层神经网络的对比，组合神经网络，深度神经网络等等，注意区分两者

第四部分：损失函数、模型拟合和梯度

基于最大似然函数，构建损失函数，介绍单变量回归，二分类，多分类问题对应的损失函数，交叉熵损失，梯度下降算法，随机梯度下降，Adam等优化器，还有反向传播算法，参数初始化等等

第五部分：性能评估和正则化

开始训练一个简单的神经网络模型，进行超参数的调参，正则化区分显式正则化和隐式正则化，还有提高性能的启发式方法等

第六部分：CNN和残差网络

开始介绍卷积神经的不变性和等变形，一维和二维卷积神经网络，上采样和下采样，残差网络也是深度学习中的一个重要突破，了解残差的思想，常见的残差网络结构等

第七部分：Transformer和GNN

Transformer是时间序列领域的一个重要突破，现在的大模型也是基于transformer框架的，非常重要的一个内容，GNN是提取的空间特征，适合建模多个对象之间的关联，常和提取时间特征的神经网络联合使用

第八部分：无监督学习、生成对抗网络和归一流

无监督学习是相对于监督学习的一个不同分支，了解无监督学习解决的问题，生成对抗网络包括判别器和生成器，两者相互对抗博弈的思想值得学习，归一化流内容不太重要，可以不看

第九部分：变分自编码器和扩散模型

自编码器是深度学习的一个重要内容，了解变分近似，变分自编码器，扩散模型现在生成领域具有重要作用，了解扩散模型包含哪些结构

第十部分：强化学习和其他

介绍马尔科夫过程，期望汇报，Q-learning，策略梯度等内容，属于强化学习的基础内容，还有就是深度学习一些伦理问题，可以了解

学完上面的内容，会对深度学习有个比较彻底的理解，内容非常多，建议选择部分内容来看，适合有大量时间的同学或者有基础的同学

CSDN粉丝独家福利
这份完整版的 AI系统资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】