复旦大学邱锡鹏教授发布《神经网络与深度学习》教材,配备代码和章节练习

简介: 广受好评的学习资源

雷锋网(公众号:雷锋网) AI 科技评论按,近日,复旦大学计算机科学学院副教授邱锡鹏发布了一本《神经网络与深度学习》教材,这份学习资源一经发布就广受好评。目前,该资源在 github 上已经斩获 5000+ star。

TB1flBcRhnaK1RjSZFtXXbC2VXa.png

2015 年,复旦大学计算机学院开设了《神经网络与深度学习》课程。由于当时还没有关于深度学习的系统介绍,为了给同学们讲好这门课,邱教授自己梳理了深度学习的相关知识,整理成一本讲义,这本讲义经过后来的修改补充,变成了我们现在看到的《神经网络与深度学习》教材。

目前,这本书分为 16 个章节,主要内容是神经网络与深度学习中的基础知识、主要模型(前馈网络、卷积网络、循环网络等)以及在计算机视觉、自然语言处理等领域的应用。雷锋网雷锋网

具体章节内容如下:

绪论 [ppt] (updated 2019-4-4)

机器学习概述 [ppt] (updated 2019-4-4)

线性模型 [ppt] (updated 2019-4-4)

前馈神经网络 [ppt] (updated 2019-4-4)

卷积神经网络 [ppt] (updated 2019-4-4)

循环神经网络 [ppt] (updated 2019-4-4)

网络优化与正则化 [ppt] (updated 2019-4-4)

注意力机制与外部记忆 [ppt] (updated 2019-4-4)

无监督学习 [ppt] (updated 2019-4-4)

模型独立的学习方式 (updated 2019-4-4)

概率图模型 [ppt] (updated 2019-4-4)

深度信念网络 [ppt] (updated 2019-4-4)

深生成模型 [ppt] (updated 2019-4-4)

深度强化学习 [ppt] (updated 2019-4-4)

序列生成模型 (updated 2019-4-4) 一个过时版本:词嵌入与语言模型

数学基础 (updated 2019-4-4)

为了方便同学们学习,邱教授不仅在 github 上面提供了这本书的 PDF 版本文件,还提供了介绍课程主要内容的 PPT 和 PDF 文档。

TB1E.sDQ6DpK1RjSZFrXXa78VXa.png

不仅如此,本书还配套了详尽的示例代码。对应于书籍中的每个章节,邱老师和精心设计了课程练习题,帮助同学们更好的理解和掌握相关章节的知识。雷锋网雷锋网

下面附上本书相关的资源链接:

github 资源:https://github.com/nndl/nndl.github.io

示例代码:https://github.com/nndl/nndl-codes

课程练习:https://github.com/nndl/exercise

接下来,让我们来预览下这本书的部分内容吧~

TB1fF._Q5LaK1RjSZFxXXamPFXa.jpg TB16a8Lee3tHKVjSZSgXXX4QFXa.jpg

课程练习题:

TB1lYMNQ7voK1RjSZFDXXXY3pXa.png TB1JG3QQYrpK1RjSZTEXXcWAVXa.png TB1I5MVQ3HqK1RjSZFkXXX.WFXa.png

雷锋网版权文章,未经授权禁止转载。详情见转载须知。

目录
相关文章
|
2天前
|
机器学习/深度学习 编解码 数据可视化
图神经网络版本的Kolmogorov Arnold(KAN)代码实现和效果对比
目前我们看到有很多使用KAN替代MLP的实验,但是目前来说对于图神经网络来说还没有类似的实验,今天我们就来使用KAN创建一个图神经网络Graph Kolmogorov Arnold(GKAN),来测试下KAN是否可以在图神经网络方面有所作为。
15 0
|
3天前
|
机器学习/深度学习 自然语言处理 算法
深度学习中的自适应神经网络:理论与应用
【7月更文挑战第1天】本文旨在探究自适应神经网络在深度学习领域的理论基础及其在多个应用场景中的实际效能。通过分析自适应机制如何优化网络结构,提高学习效率和模型泛化能力,我们进一步讨论了自适应神经网络面临的主要挑战及未来发展方向。
|
4天前
|
机器学习/深度学习 人工智能 算法
【乐器识别系统】图像识别+人工智能+深度学习+Python+TensorFlow+卷积神经网络+模型训练
乐器识别系统。使用Python为主要编程语言,基于人工智能框架库TensorFlow搭建ResNet50卷积神经网络算法,通过对30种乐器('迪吉里杜管', '铃鼓', '木琴', '手风琴', '阿尔卑斯号角', '风笛', '班卓琴', '邦戈鼓', '卡萨巴', '响板', '单簧管', '古钢琴', '手风琴(六角形)', '鼓', '扬琴', '长笛', '刮瓜', '吉他', '口琴', '竖琴', '沙槌', '陶笛', '钢琴', '萨克斯管', '锡塔尔琴', '钢鼓', '长号', '小号', '大号', '小提琴')的图像数据集进行训练,得到一个训练精度较高的模型,并将其
17 0
【乐器识别系统】图像识别+人工智能+深度学习+Python+TensorFlow+卷积神经网络+模型训练
|
8天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现深度学习模型:图神经网络(GNN)
使用Python实现深度学习模型:图神经网络(GNN)
15 1
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的自适应神经网络
【6月更文挑战第24天】在深度学习的浪潮中,自适应神经网络以其独特的灵活性和高效性引起了研究者的广泛关注。本文将深入探讨自适应神经网络的设计原理、优化算法以及在不同领域的应用案例,揭示其在处理复杂数据模式时的优势与挑战。
|
11天前
|
机器学习/深度学习 人工智能 算法
海洋生物识别系统+图像识别+Python+人工智能课设+深度学习+卷积神经网络算法+TensorFlow
海洋生物识别系统。以Python作为主要编程语言,通过TensorFlow搭建ResNet50卷积神经网络算法,通过对22种常见的海洋生物('蛤蜊', '珊瑚', '螃蟹', '海豚', '鳗鱼', '水母', '龙虾', '海蛞蝓', '章鱼', '水獭', '企鹅', '河豚', '魔鬼鱼', '海胆', '海马', '海豹', '鲨鱼', '虾', '鱿鱼', '海星', '海龟', '鲸鱼')数据集进行训练,得到一个识别精度较高的模型文件,然后使用Django开发一个Web网页平台操作界面,实现用户上传一张海洋生物图片识别其名称。
94 7
海洋生物识别系统+图像识别+Python+人工智能课设+深度学习+卷积神经网络算法+TensorFlow
|
11天前
|
机器学习/深度学习 人工智能 算法
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
昆虫识别系统,使用Python作为主要开发语言。通过TensorFlow搭建ResNet50卷积神经网络算法(CNN)模型。通过对10种常见的昆虫图片数据集('蜜蜂', '甲虫', '蝴蝶', '蝉', '蜻蜓', '蚱蜢', '蛾', '蝎子', '蜗牛', '蜘蛛')进行训练,得到一个识别精度较高的H5格式模型文件,然后使用Django搭建Web网页端可视化操作界面,实现用户上传一张昆虫图片识别其名称。
144 7
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
|
12天前
|
机器学习/深度学习 人工智能 算法
【球类识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+TensorFlow
球类识别系统,本系统使用Python作为主要编程语言,基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集 '美式足球', '棒球', '篮球', '台球', '保龄球', '板球', '足球', '高尔夫球', '曲棍球', '冰球', '橄榄球', '羽毛球', '乒乓球', '网球', '排球'等15种常见的球类图像作为数据集,然后进行训练,最终得到一个识别精度较高的模型文件。再使用Django开发Web网页端可视化界面平台,实现用户上传一张球类图片识别其名称。
107 7
【球类识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+TensorFlow
|
13天前
|
机器学习/深度学习 人工智能 自然语言处理
深度揭秘:深度学习框架下的神经网络架构进化
从感知机到深度学习的革命,神经网络经历了从简单到复杂的演变。反向传播使多层网络实用化,深度信念网络(DBN)和卷积神经网络(CNN)的兴起,尤其是AlexNet在ImageNet竞赛中的胜利,开启了深度学习黄金时代。ResNet的残差学习解决了深度梯度消失问题。循环神经网络(RNN)、LSTM和GRU改进了序列处理,Transformer模型(如BERT和GPT)引领了自然语言处理的变革。超大规模模型如GPT-3和通义千问展示惊人能力,影响医疗、自动驾驶等多个领域。未来,平衡模型复杂度、计算成本与应用需求将是关键。
56 2
|
14天前
|
机器学习/深度学习 自然语言处理 TensorFlow
深入浅出:理解和实现深度学习中的卷积神经网络(CNN)
在当今的数据驱动世界,深度学习已经成为许多领域的关键技术。本文将深入探讨卷积神经网络(CNN)的原理、结构和应用,旨在帮助读者全面理解这项强大的技术,并提供实际的实现技巧。
70 0