访问官网
Github
文档
论文项目介绍：T81_558 深度学习应用
本项目名为“应用深度神经网络课程”，是由Jeff Heaton教授在华盛顿大学（圣路易斯）开设的课程，旨在介绍和教授深度学习技术及其实际应用。尽管目前该课程的最新版本使用PyTorch作为教学工具，但本项目存储库仍基于Keras/TensorFlow，是之前版本的完整资源。
课程描述
深度学习是神经网络领域中一组激动人心的新技术。通过高级训练技术和神经网络架构组件的结合，现在能够构建处理表格数据、图像、文本和音频作为输入和输出的神经网络。该课程将学生引入经典的神经网络结构，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、生成对抗网络（GAN）以及强化学习。课程内容涵盖了计算机视觉、时间序列分析、安全性、自然语言处理（NLP）和数据生成等领域中的应用。
高性能计算（HPC）是课程的一部分，展示了如何在图形处理单元（GPU）和网格上充分利用深度学习。课程主要关注于深度学习在实际问题中的应用，同时也涉及一些数学基础的介绍。对于课程的学习者，使用Python编程语言实现深度学习，并结合Google TensorFlow和Keras进行实践操作。即使不具备Python知识的学生也可参与，但前提需要熟悉至少一种编程语言。课程以混合形式进行授课，包括课堂教学和在线教学两种。
教材
课程的完整教材可在GitHub上获取，同样也可以通过书籍形式购买。课程使用的教材书名为“Applications of Deep Neural Networks with Keras”，ISBN 9798416344269。
课程目标
- 解释深度神经网络（及其他神经网络）如何与其他机器学习模型进行比较。
- 确定在解决特定问题时，深度神经网络是否是一个好的选择。
- 通过最终项目并上传到GitHub来展示对课程内容的理解。
教学大纲
以下是预期的课堂日程安排、截止日期和阅读作业：
- 模块1：Python基础——介绍Python基础知识和操作。
- 模块2：机器学习中的Python应用——深入学习如何在Python中使用Pandas进行数据操作。
- 模块3：使用TensorFlow和Keras进行神经网络构建——学习如何创建和管理Keras神经网络。
- 模块4：处理表格数据的训练——涵盖特征编码、多分类以及回归分析。
- 模块5：正则化与Dropout——讲解如何通过正则化方法和Dropout减少过拟合。
- 模块6：视觉中的卷积神经网络(CNN)——深入图像处理和使用预训练网络。
- 模块7：生成对抗网络(GANs)——生成图像和数据的最新技术。
- 模块8：Kaggle平台实战——探索Kaggle比赛并应用课程所学。
- 模块9：迁移学习——学习如何在不同领域应用迁移学习。
- 模块10：时间序列分析——引入LSTM与Transformers。
- 模块11：自然语言处理（NLP）——使用Hugging Face进行NLP任务。
- 模块12：强化学习——介绍OpenAI Gym及相关的Q-Learning技术。
- 模块13：部署与监控——学习如何在实际应用中部署深度学习模型。
数据集
课程中使用的所有数据集可以从Heaton Research的数据下载页面获取。
通过这个课程，学生将掌握深度学习的基础知识及其在各种领域的应用。课程不仅重视解决真实世界的问题，也鼓励学生利用最新的技术对现有问题提出创新性解决方案。
