深度学习与前后端开发教程,前端开发学习路线

时间:2022-09-22 阅读:16 评论:0 作者:老李

随着计算机体系结构和云计算技术深度学习与前后端开发教程的发展深度学习与前后端开发教程,深度学习已经成为人工智能领域最为活跃的研究领域深度学习与前后端开发教程,并凭借其强大的特征抽象能力和学习进化能力,在计算机视觉、自然语言处理、语音处理等研究领域取得深度学习与前后端开发教程了举世瞩目的成就。北京大学田永鸿教授长期聚焦前沿技术研究和人才培养工作,基于“原理讲解+编程实战”的混合模式打造出《深度神经网络》在线实践课程,供广大师生学习、交流和应用!

理论与实践课程

课程简介

北京大学《深度神经网络》课程主页

本课程聚焦深度学习和神经网络的基础知识讲解和算法实践训练,先从神经网络计算导论来讲解神经网络和生物信息处理的基础,再从神经网络计算基础方面来进行理论知识讲解和对应的实战训练,利用神经网络的底层实现帮助学员更好地掌握神经网络的底层原理,最后讲解视觉应用,介绍了深度学习在计算视觉中的应用以及神经形态视觉算法及其应用。

教学目标

本课程作为人工智能领域的关键技术课程之一,旨在帮助广大老师和学生理解并掌握计算机的核心技术与算法。课程组期望学习本课程的学员需要具备一定的Python编程开发基础以及人工智能基础。在考核方式上,贯穿于整个教学活动的不同环节采用实训任务模式,平台提供自动化评测机制,通过测试即可获得相应的分值。同时期望学员能够对深度学习的发展有整体认识,在了解神经网络计算的基础理论后完成神经网络计算实战训练,实现对核心技术与算法的掌握。

课程内容

目前,本课程包括4个章节深度学习与前后端开发教程:神经网络计算导论、神经网络基本概念和模型、神经网络高级模型、视觉应用,并提供配套教学课件和实践关卡资源。后续,教学团队将在此基础上持续更新和拓展。

01神经网络计算导论

本章节主要介绍神经网络计算导论,讲解了神经网络在人工智能和机器学习发展中的地位以及介绍神经网络基础和说明掌握神经网络的计算基础的作用,然后再讲解生物神经信息处理的基础,主要包括介绍人类视觉的基本结构,神经元如何表达和编码信息以及生物学习基本机理和规则和生物记忆的基本机理和结构。

第1讲:神经网络计算导论

第2讲:生物神经信息处理基础

2

神经网络基本概念和模型

本章节主要介绍神经网络基本概念和模型,然后从神经网络计算基础方面来进行理论知识讲解和对应的实战训练,主要讲解了深度神经网络基本概念、深度神经网络模型、深度神经网络学习、循环神经网络以及卷积神经网络模型以及相应实战。

第3讲:深度神经网络的基本概念

编程教学:PyTorch入门

第4讲:深度神经网络的学习

编程教学:深度神经网络的学习

编程教学:手写数字识别

第5讲:CNN模型及其扩展

编程教学:CNN模型及其扩展

编程教学:CNN(卷积神经网络)

3

神经网络高级模型

本章节主要介绍神经网络高级模型,主要讲解了深度强化学习、脉冲神经网络模型和新型神经网络,包括介绍强化学习的基本概念、分类和过程和生物神经元、SNN、脉冲神经元的生物物理模型(LIF、HH model、Izh、EIF、QIF、SRM)和讲解将Attention与DNN融合、引入模拟微皮层柱结构的神经网络、以及模拟神经系统的树突计算功能等知识以及相应实战。

第6讲:深度强化学习

编程教学:深度强化学习

编程教学:RL玩平衡杆

第7讲:脉冲神经网络模型

编程教学:脉冲神经元仿真

第8讲:脉冲神经网络学习I

编程教学:SNN深度学习

第9讲:脉冲神经网络学习II

第10讲:新型神经网络

编程教学:新型神经网络

4

视觉应用

本章节主要介绍神经网络在视觉方面的应用,对象检测Detection、分割Segmentation、图像检索Image Retrieval、图像超分Super-Resolution等函数的用法,以及介绍了各种模型的应用和神经形态视觉概念。

深度学习与前后端开发教程,前端开发学习路线

第11讲:神经网络的计算机视觉应用I

编程教学:神经网络的计算机视觉应用I

第12讲:神经网络的计算机视觉应用II

编程教学:神经网络的计算机视觉应用II

第13讲:神经形态视觉—概念与传感器

课程特色

本课程从基础理论出发,再引申至相对应的编程教学。学生在课堂学习之余,可以充分利用编程教学,配合关键知识点和关键环节介绍掌握和应用核心技术与算法,突破时间和空间约束,使得学生可以充分利用自主时间,完成理论学习和课程设计内容。课程讲解内容详实,考虑到Python处理神经网络应用和计算的复杂性,课件中穿插了大量的逐步实操说明并配以参考截图,可以快速帮助学生确认操作步骤并验证操作正确性。

PyTorch逐步安装内容节选

实验内容由表及里,使用丰富生动的场景引导学生将理论知识和实际应用结合,从简单的应用上升到算法优化,加深对神经网络应用的理解、拓宽算法改进能力。以第11讲神经网络的计算机视觉应用I为例:本实验结合大量图形来诠释“计算机视觉是一门研究如何使机器“看”的科学”,如在验证NMS算法在提升对象检测效率时,将算法处理前后的图片进行一个直观对比凸显NMS在候选框数量控制的能力。

课程配套课件资源的编写充分考虑学员的学习能力和进度,为了增强课件传递知识的效率,大部分课件中都精妙地设计了Q&A环节,通过提出典型问题并作出回答来解决大部分学生在学习时可能存在的疑惑,达到巩固学生课堂知识、提高教学效率的效果。

课件详情摘要(滑动查看更多)

学习导航

编程教学关卡

为了便于学生直接动手学习和体验代码,编程教学任务的设计使用了头歌平台支持的Jupyter Notebook,将说明文本、数学方程、代码和可视化内容全部组合到文档中。

编程教学关卡

在实验环境中,拉取右侧数据集即可查看本实训项目的数据文件路径,在需要时可以直接复制文件路径粘贴在编程界面。

在进行程序编码时,Jupyter在线运行后输出结果将紧跟在代码框后面,学生可以随时运行比对代码和计算结果。

课程资源获取

本课程所有章节配套课件均可在头歌课程首页下获取,课程章节下选择“教学课件”即可查看并下载各章节课件资源,方便学生进行课程的预习与回顾。

教师介绍

田永鸿北京大学博雅特聘教授,博士生导师,IEEE Fellow

2018年国家杰出青年基金获得者,兼任鹏城国家实验室网络智能研究部副主任。他的主要研究方向为神经形态视觉、视频大数据分析处理和分布式机器学习。

累计主持国家重点研发计划项目、国家自然基金重点项目等国家、省部级与企业合作项目40余项,发表学术论文250余篇,两获国际期刊和会议最佳论文奖;拥有美/中国发明专利90项,获国家技术发明和科技进步二等奖各一次、省部级一等奖2次,是首届高校计算机专业优秀教师奖励计划获奖者。(曾)任国际期刊IEEE TCSVT/TMM/Multimedia等期刊编委,IEEE MIPR2020/ICME2021大会主席IEEE。

ICME2015/BigMM2015/ISM2015/ MIPR2018 MIPR2019 程序主席。兼任香港中文大学(深圳)和华中科技大学兼职教授、IEEE数据压缩标准委员会副主席兼IEEE 2941标准工作组组长、中国图象图形学会理事与交通视频专委会副主任等。他是科技部十四五重点专项“智能传感器”专家组成员。

本文链接: https://www.liaier.com/3031.html 转载请注明出处!

相关文章 是不是在找它?!
评论区 交流一下吧!

共有0条评论来说两句吧...

欢迎 发表评论: