课程介绍

《系统入门深度学习，直击算法工程师》课程是一门面向算法工程师和机器学习爱好者的深度学习入门课程。该课程旨在帮助学员掌握深度学习的基本概念、原理和常用算法，并通过实际案例和项目实践，让学员能够运用深度学习技术解决实际问题。

该课程的主要内容包括以下几个方面：

1. 深度学习基础知识：介绍深度学习的基本概念、原理和常用算法，包括神经网络、反向传播算法、激活函数、损失函数等。
2. 深度学习框架：介绍常用的深度学习框架，如TensorFlow、PyTorch等，并讲解如何使用这些框架进行深度学习模型的搭建、训练和评估。
3. 卷积神经网络（CNN）：详细介绍卷积神经网络的原理和应用，包括图像分类、目标检测、图像生成等。
4. 循环神经网络（RNN）：介绍循环神经网络的原理和应用，包括自然语言处理、机器翻译、语音识别等。
5. 深度强化学习：介绍深度强化学习的基本概念和算法，包括Q-learning、DQN等，并讲解如何应用深度强化学习解决实际问题。
6. 实践项目：通过实际案例和项目实践，让学员能够运用所学的知识解决实际问题，如图像分类、目标检测、机器翻译等。

通过学习《系统入门深度学习，直击算法工程师》课程，学员将能够全面了解深度学习的基本原理和常用算法，掌握深度学习框架的使用，具备独立进行深度学习项目的能力。无论是对于想要从事算法工程师相关工作的学员，还是对于对深度学习感兴趣的机器学习爱好者，该课程都是一门非常实用的入门课程。

课程目录

8-001-【imooc】课程汇总/
│【imooc-547】系统入门深度学习，直击算法工程师[完结]/
││├─第1章 初识深度学习
││├─第2章 入门必修：单、多层感知机
││├─第3章 深度学习基础组件精讲
││├─第4章 图像处理利器：卷积神经网络
││├─第5章 为序列数据而生：RNN系列
││├─第6章 深度学习新思路： GAN网络
││├─第7章 赋予模型认知能力：注意力机制
││├─第8章 数据不够怎么办？迁移学习来帮忙
││├─第9章 深度学习新范式：半监督学习
││├─资料

详细目录

││第1章 初识深度学习/
│││├─1-1 系统入门深度学习，从这里轻松开始.mp4 81.8MB
│││├─1-2 本章内容介绍.mp4 4.8MB
│││├─1-3 神经网络&深度学习.mp4 85.9MB
│││├─1-4 深度学习路线图.mp4 25.7MB
│││├─1-5 深度学习应用.mp4 76MB
│││├─1-6 本章总结.mp4 7.6MB
││第2章 入门必修：单、多层感知机/
│││├─2-1 本章内容介绍.mp4 5.1MB
│││├─2-10 项目构建和模型训练（1）.mp4 149.4MB
│││├─2-11 项目构建和模型训练（2）.mp4 180.5MB
│││├─2-12 项目构建和模型训练（3）.mp4 168.8MB
│││├─2-13 项目构建和模型训练（4）.mp4 267.2MB
│││├─2-14 模型评估和选择.mp4 151.3MB
│││├─2-15 本章总结.mp4 22.3MB
│││├─2-2 深度学习实施的一般过程.mp4 23.2MB
│││├─2-3 逻辑回归.mp4 14.7MB
│││├─2-4 逻辑回归损失函数.mp4 27.7MB
│││├─2-5 逻辑回归示例.mp4 135.9MB
│││├─2-6 单层、多层感知机.mp4 52.3MB
│││├─2-7 pytorch 构建单多层感知机.mp4 206.2MB
│││├─2-8 基于多层DNN假钞识别.mp4 3.9MB
│││├─2-9 数据集及特征分析.mp4 42.3MB
││第3章 深度学习基础组件精讲/
│││├─3-1 本章内容介绍.mp4 9.8MB
│││├─3-2 如何划分和处理你的数据集.mp4 21.2MB
│││├─3-3 正确的初始化模型参数.mp4 86.3MB
│││├─3-4 激活函数选择.mp4 109.4MB
│││├─3-5 优化器选择.mp4 130.5MB
│││├─3-6 Normalization 增强模型训练（上）.mp4 205.8MB
│││├─3-7 Normalization 增强模型训练（下）.mp4 209MB
│││├─3-8 使用正则提升模型表现.mp4 190.5MB
│││├─3-9 本章总结.mp4 26.4MB
││第4章 图像处理利器：卷积神经网络/
│││├─4-1 本章内容介绍.mp4 9.9MB
│││├─4-10 Vgg介绍及实现.mp4 354.9MB
│││├─4-11 图片的数据增广.mp4 253.3MB
│││├─4-12 手势识别应用来源和项目分析.mp4 42.2MB
│││├─4-13 模型设计.mp4 38.5MB
│││├─4-14 MoocTrialNet模型搭建（1）.mp4 258.5MB
│││├─4-15 MoocTrialNet模型搭建（2）.mp4 175.9MB
│││├─4-16 MoocTrialNet模型搭建（3）.mp4 277.2MB
│││├─4-17 MoocTrialNet模型搭建（4）.mp4 286MB
│││├─4-18 MoocTrialNet模型搭建（5）.mp4 129.8MB
│││├─4-19 模型评估和选择.mp4 137MB
│││├─4-2 人类视觉和卷积神经网络关系.mp4 129.1MB
│││├─4-20 本章总结.mp4 21.2MB
│││├─4-3 卷积神经网络的应用.mp4 67.4MB
│││├─4-4 卷积运算是怎样的过程（上）.mp4 171.8MB
│││├─4-5 卷积运算是怎样的过程（下）.mp4 126.4MB
│││├─4-6 用池化进行下采样.mp4 149.8MB
│││├─4-7 几种卷积的变体（上）.mp4 131.7MB
│││├─4-8 几种卷积的变体（下）.mp4 213.1MB
│││├─4-9 利用残差搭建更深的网络.mp4 133MB
││第5章 为序列数据而生：RNN系列/
│││├─5-1 本章内容介绍.mp4 10.9MB
│││├─5-10 GRU实现唤醒词识别.mp4 70.5MB
│││├─5-11 基于双层、双向GRU的命令词识别模型搭建（1）.mp4 212.9MB
│││├─5-12 基于双层、双向GRU的命令词识别模型搭建（2）.mp4 199.2MB
│││├─5-13 基于双层、双向GRU的命令词识别模型搭建（3）.mp4 206.9MB
│││├─5-14 基于双层、双向GRU的命令词识别模型搭建（4）.mp4 211.4MB
│││├─5-15 基于双层、双向GRU的命令词识别模型搭建（5）.mp4 143.6MB
│││├─5-16 模型评估和选择.mp4 111.5MB
│││├─5-17 本章总结.mp4 68.8MB
│││├─5-2 什么是序列模型.mp4 60.6MB
│││├─5-3 不同的RNN应用类型：OvM, MvM.mp4 14.6MB
│││├─5-4 循环神经网络原理.mp4 157.7MB
│││├─5-5 用BPTT 训练RNN.mp4 22MB
│││├─5-6 两个重要的变体：LSTMGRU（上）.mp4 73.7MB
│││├─5-7 两个重要的变体：LSTMGRU（下）.mp4 155.2MB
│││├─5-8 利用双向、多层RNN增强模型.mp4 119.7MB
│││├─5-9 典型应用范式：Encoder-Decoder.mp4 21.5MB
││第6章 深度学习新思路： GAN网络/
│││├─6-1 本章内容介绍.mp4 9.6MB
│││├─6-10 用DCGAN生成人脸照片.mp4 82.1MB
│││├─6-11 超参和dataset编写.mp4 307.4MB
│││├─6-12 generator编写.mp4 272.6MB
│││├─6-13 discriminator编写.mp4 207.8MB
│││├─6-14 trainer 编写（1）.mp4 162.3MB
│││├─6-15 trainer 编写（2）.mp4 194.5MB
│││├─6-16 trainer 编写（3）.mp4 263.7MB
│││├─6-17 trainer 编写（4）.mp4 258.5MB
│││├─6-18 怎么检查GAN的训练过程？.mp4 224.1MB
│││├─6-19 本章总结.mp4 36.1MB
│││├─6-2 什么是生成式模型？.mp4 76.8MB
│││├─6-3 GAN的原理（上）.mp4 65.9MB
│││├─6-4 GAN的原理（下）.mp4 134.4MB
│││├─6-5 GAN的一些变体之：CycleGAN.mp4 108.6MB
│││├─6-6 GAN的一些变体之：StyleGAN（上）.mp4 36MB
│││├─6-7 GAN的一些变体之：StyleGAN（下）.mp4 153.2MB
│││├─6-8 GAN的一些变体之：DCGAN.mp4 49MB
│││├─6-9 GAN的一些变体之：text-to-image.mp4 75.8MB
││第7章 赋予模型认知能力：注意力机制/
│││├─7-1 本章内容介绍.mp4 10.2MB
│││├─7-10 model结构和位置编码.mp4 231.3MB
│││├─7-11 encoder.mp4 252.1MB
│││├─7-12 Multi-head attention（上）.mp4 251.2MB
│││├─7-13 Multi-head attention（下）.mp4 297.4MB
│││├─7-14 Pointwise FeedForward.mp4 98.4MB
│││├─7-15 decoder.mp4 322.3MB
│││├─7-16 transformer（上）.mp4 199.1MB
│││├─7-17 transformer（下）.mp4 93.8MB
│││├─7-18 trainer脚本编写.mp4 180.7MB
│││├─7-19 infer推理函数编写.mp4 193.7MB
│││├─7-2 什么是注意力机制？.mp4 75.7MB
│││├─7-20 inference和attention map展示（上）.mp4 120.4MB
│││├─7-21 inference和attention map展示（下）.mp4 137.8MB
│││├─7-22 本章总结.mp4 36.3MB
│││├─7-3 注意力机制的一般性原理.mp4 57.1MB
│││├─7-4 几种典型的注意力机制 hard、soft、local attention.mp4 66.3MB
│││├─7-5 自注意力机制：self-attention.mp4 107.9MB
│││├─7-6 Transformer.mp4 67.3MB
│││├─7-7 用Transformer实现G2P（上）.mp4 157.4MB
│││├─7-8 用Transformer实现G2P（下）.mp4 184MB
│││├─7-9 g2p dataset 编写.mp4 321MB
││第8章 数据不够怎么办？迁移学习来帮忙/
│││├─8-1 本章内容介绍.mp4 7MB
│││├─8-2 什么是迁移学习.mp4 53.8MB
│││├─8-3 迁移学习分类.mp4 117.2MB
│││├─8-4 怎么实施迁移学习？.mp4 69.6MB
│││├─8-5 基于ResNet迁移学习的姿势识别.mp4 140.4MB
│││├─8-6 工程代码（上）.mp4 211.9MB
│││├─8-7 工程代码（下）.mp4 149.3MB
│││├─8-8 inference.mp4 151.1MB
│││├─8-9 本章总结.mp4 24.6MB
││第9章 深度学习新范式：半监督学习/
│││├─9-1 本章内容介绍.mp4 6.4MB
│││├─9-10 utils编写（3）.mp4 179.1MB
│││├─9-11 utils编写（4）.mp4 131.7MB
│││├─9-12 model编写.mp4 55.9MB
│││├─9-13 loss 编写.mp4 98.6MB
│││├─9-14 trainer 编写（1）.mp4 283.2MB
│││├─9-15 trainer 编写（2）.mp4 185.9MB
│││├─9-16 trainer 编写（3）.mp4 361.1MB
│││├─9-17 trainer 编写（4）.mp4 189.5MB
│││├─9-18 本章总结.mp4 14.3MB
│││├─9-2 半监督学习是什么？.mp4 50.8MB
│││├─9-3 半监督学习能解决什么问题？.mp4 90MB
│││├─9-4 几种典型的半监督学习方法（上）.mp4 83MB
│││├─9-5 几种典型的半监督学习方法（下）.mp4 116.2MB
│││├─9-6 在Cifar10上实现MixMatch半监督学习-论文拆解.mp4 170.7MB
│││├─9-7 超参和dataset.mp4 140.2MB
│││├─9-8 utils编写（1）.mp4 292.1MB
│││├─9-9 utils编写（2）.mp4 281.1MB
││资料/
│││├─源码
│││源码/
……以下内容过长进行了省略,因为全是文件名等意义不大…