🖥️

课件在线浏览

全部 767 页课件可直接在网页中翻阅，支持键盘翻页、全屏、手机滑动，每章 PDF 一键下载。

试试看

课程章节

按教材的三个部分组织，共 15 章。每章包含：学习目标 → 课件幻灯片 → 讲义正文 → 本章小结 → 思考题与习题 → 延伸阅读。

一机器学习基础机器学习的基本概念、三要素与线性模型，为后续神经网络打基础。

第 1 章

绪论人工智能、机器学习、表示学习与深度学习的关系，神经网络发展史。课件 54 页 · 讲义 · 习题

第 2 章

机器学习概述模型、学习准则、优化三要素；线性回归的四种参数估计；偏差-方差与 PAC 学习。课件 59 页 · 讲义 · 习题

第 3 章

线性模型Logistic 回归、Softmax 回归、感知器与支持向量机，交叉熵与 KL 散度。课件 50 页 · 讲义 · 习题

二基础模型前馈、卷积、循环网络，网络优化与正则化，注意力与记忆，以及无监督学习与模型独立的学习方式。

第 4 章

前馈神经网络神经元与激活函数、通用近似定理、反向传播、计算图与自动微分。课件 47 页 · 讲义 · 习题

第 5 章

卷积神经网络卷积与互相关、汇聚层、LeNet / AlexNet / Inception / ResNet，转置卷积与空洞卷积。课件 51 页 · 讲义 · 习题

第 6 章

循环神经网络简单循环网络、BPTT、长程依赖、LSTM 与 GRU，递归神经网络与图网络。课件 64 页 · 讲义 · 习题

第 7 章

网络优化与正则化小批量梯度下降、学习率调整、Adam、参数初始化、批量 / 层归一化、Dropout 等正则化。课件 59 页 · 讲义 · 习题

第 8 章

注意力机制与外部记忆注意力机制、自注意力与 Transformer、记忆网络、神经图灵机、Hopfield 网络。课件 66 页 · 讲义 · 习题

第 9 章

无监督学习主成分分析、稀疏编码、自编码器，参数与非参数密度估计。课件 28 页 · 讲义 · 习题

第 10 章

模型独立的学习方式集成学习、协同训练、多任务学习、迁移学习、终身学习与元学习。课件 16 页 · 讲义 · 习题

三进阶模型概率图模型、玻尔兹曼机与深度信念网络、深度生成模型、深度强化学习与序列生成模型。

第 11 章

概率图模型贝叶斯网络与马尔可夫随机场、EM 算法、变量消除与信念传播、采样与 MCMC。课件 80 页 · 讲义 · 习题

第 12 章

深度信念网络玻尔兹曼机、受限玻尔兹曼机与对比散度、深度信念网络的逐层预训练。课件 24 页 · 讲义 · 习题

第 13 章

深度生成模型变分自编码器与再参数化、生成对抗网络、模型坍塌、WGAN 与条件生成。课件 64 页 · 讲义 · 习题

第 14 章

深度强化学习MDP 与值函数、策略 / 值迭代、SARSA 与 Q 学习、DQN、REINFORCE 与 Actor-Critic。课件 51 页 · 讲义 · 习题

第 15 章

序列生成模型语言模型与 N 元模型、深度序列模型、束搜索、困惑度与 BLEU、序列到序列模型。课件 54 页 · 讲义 · 习题

课程信息

📘 教材邱锡鹏《神经网络与深度学习》，机械工业出版社，2020（ISBN 9787111649687）。官网 nndl.ai 提供电子版与配套资源。

🎯 适合对象计算机、电子、自动化、数学等专业的本科高年级与研究生，以及希望系统学习深度学习原理的自学者。

🧮 预备知识线性代数、微积分、概率论与 Python 编程。教材附录《数学基础》可用于查漏补缺。

👩‍🏫 授课教师北京师范大学唐志清。课程安排、作业与考核方式以课堂通知为准，详见课程大纲。

深度学习北京师范大学课程
讲义 · 课件 · 习题

中文讲义

课件在线浏览

思考题与习题

交互演示

课程章节

一机器学习基础机器学习的基本概念、三要素与线性模型，为后续神经网络打基础。

二基础模型前馈、卷积、循环网络，网络优化与正则化，注意力与记忆，以及无监督学习与模型独立的学习方式。

三进阶模型概率图模型、玻尔兹曼机与深度信念网络、深度生成模型、深度强化学习与序列生成模型。

课程信息

深度学习北京师范大学课程讲义 · 课件 · 习题

中文讲义

课件在线浏览

思考题与习题

交互演示

课程章节 ​

一机器学习基础 机器学习的基本概念、三要素与线性模型，为后续神经网络打基础。

二基础模型 前馈、卷积、循环网络，网络优化与正则化，注意力与记忆，以及无监督学习与模型独立的学习方式。

三进阶模型 概率图模型、玻尔兹曼机与深度信念网络、深度生成模型、深度强化学习与序列生成模型。

课程信息 ​

深度学习北京师范大学课程
讲义 · 课件 · 习题

课程章节

一机器学习基础机器学习的基本概念、三要素与线性模型，为后续神经网络打基础。

二基础模型前馈、卷积、循环网络，网络优化与正则化，注意力与记忆，以及无监督学习与模型独立的学习方式。

三进阶模型概率图模型、玻尔兹曼机与深度信念网络、深度生成模型、深度强化学习与序列生成模型。

课程信息