第一讲 深度学习概述

1.1 深度学习的引出

1.2 数据集及其拆分

1.3 分类及其性能度量

1.4 回归问题及其性能评价

1.5 一致性的评价方法

1.6 程序讲解：使用Sklearn进行精确率-召回率曲线的绘制

第一讲讲义

（附）使用Sklearn进行精确率-召回率曲线的绘制程序

1.7 深度学习芯片及常用框架介绍

第一讲测验

第二讲 特征工程概述

2.1 特征工程

2.2 向量空间模型及文本相似度计算

2.3 特征处理(特征缩放、选择及降维)

2.4 程序讲解：使用sklearn对文档进行向量化的程序示例

2.5 程序讲解：使用sklearn进行量纲缩放的程序示例

第二讲讲义

（附）使用sklearn对文档进行向量化的程序

（附）使用sklearn进行量纲缩放的程序

第二讲测验

第三讲 回归问题及正则化

3.1 线性回归模型及其求解方法

3.2 多元回归与多项式回归

3.3 损失函数的正则化

3.4 逻辑回归

3.5 程序讲解：使用sklearn进行线性回归和二次回归的比较的程序示例

第三讲讲义

（附）使用sklearn进行线性回归和二次回归的比较程序

3.6 案例分析：（MindSpore框架下）线性回归模型及动态绘图实践示例

第三讲测验

第四讲 信息熵及梯度计算

4.1 信息熵

4.2 反向传播中的梯度

4.3 感知机

4.4 程序讲解：正向传播和反向传播的程序示例

4.5 程序讲解：信息熵和互信息的计算程序示例

（附）信息熵和互信息的计算程序

第四讲讲义

第四讲测验

4.6 反向传播算法

4.7 提升神经网络模型泛化能力

第五讲 循环神经网络及其变体

5.1 循环神经网络

5.2 长短时记忆网络

5.3 双向循环神经网络和注意力机制

5.4 程序讲解：循环神经网络的程序示例

第五讲讲义

（附）循环神经网络的程序

第五讲测验

第六讲 卷积神经网络

6.1 卷积与卷积神经网络

6.2 LeNet-5 模型分析

6.3 程序讲解：卷积神经网络的程序示例

第六讲讲义

（附）卷积神经网络的程序

6.4 案例分析：（MindSpore框架下）基于lenet5的手写数字识别实践示例

第六讲测验

第七讲 递归神经网络

7.1 情感分析及传统求解方法

7.2 词向量

7.3 递归神经网络及其变体

第七讲讲义

7.4 案例分析：（MindSpore框架下）基于LSTM的情感分类实践示例

第七讲测验

第八讲 生成式神经网络

8.1 自动编码器

8.2 变分自动编码器

8.3 生成对抗网络

8.4 程序讲解：自动编码器程序示例

第八讲讲义

（附）自动编码器程序

8.5 案例分析：（MindSpore框架下）基于Cyclegan的图像风格迁移实践示例

第八讲测验

第九讲 预训练模型及其应用

9.1 Transformer模型

9.2 预训练模型

9.3 案例分析：（Mindspore框架下）基于BERT网络实现智能写诗的实践示例

9.4 案例分析：（MindSpore框架下）transformer机器翻译实践示例

第九讲讲义（1）-Transformer

第九讲讲义（2）-预训练模型