深度学习花书精讲花书训练营 - 02期视频课程+课件

在AI领域内，关于深度学习的课程资料有很多很多，而《深度学习 Deep Learning》是由麻省理工学院推出的，一经出版就风靡全球，因为本书的封面是由艺术家Daniel Ambrosi提供的中央公园杜鹃花步道梦幻景观，所以被誉为“花书”

相信大家对这本书一定很熟悉，因为它简明扼要的概括了深度学习中大部分重要主题，每当遇到深度学习概念时，都可以在书中找到参考，故被广大学员们誉为深度学习中的“圣经”教材

自发售以来，长期位居美国亚马逊AI和机器学习类图书榜首，是业界公认深度学习领域奠基性的经典教材，曾受特斯拉CEO埃隆·马斯克等众多国内外专家重磅推荐。

本书的三位作者 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 一直耕耘于机器学习领域的前沿，在业内也具有非常大的知名度，引领了深度学习的发展潮流。

对AI学习者来说，《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

花书的内容包括3个部分：

第1部分：介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；

第2部分：系统深入地讲解现今已成熟的深度学习方法和技术；

第3部分：讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

其实真想的学好一门技术，最好还是要啃砖头，这种方式是最笨，但是却是最扎实的

为了帮助大家更好的理解这本书，我们耗时五个多月，联合六位经验丰富的导师，在原有第一期的基础下，又全新迭代升级增加了花书系统视频课讲解，推出了我们新一期的课程

系统视频课讲解

花书的整本学习内容划分3个梯度，第1部分是深度学习中需要应用的数学知识，第2部分则针对现代深度学习常用技术，从最简单的多层感知机，到适用于图像处理的卷积神经网络，到解决序列问题的循环神经网络，到正则化技术和优化方法，以及实践的技术由浅及深

针对这本书中同学们不懂的问题，我们不仅给大家提供了花书系统视频课,导师还结合书籍内容，加入了企业项目中应用的技巧和项目经验

学习任务整体规划

一本花书，500多页，全部啃下来非常的难，因此我们进行了重新的梳理，并进行了顺序重组，精心安排了每天详细的教学计划和任务，从2个月进行整体规划，每日任务布置+打卡监督+每阶段作业批改点评讲解

完善的教学计划

不仅如此，我们在这本书系统完善理论知识的基础上还加入了代码补充和作业讲解，让你理论+实战同时得到训练

课程目录

深度之眼《深度学习》花书训练营【第二期】 [5.1G]
┣━━00【学前准备】开营仪式，认识群内的小伙伴 [72.1K]
┃ ┣━━看开营仪式，了解学习模式.docx [14.9K]
┃ ┗━━深度输出活动.docx [57.2K]
┣━━01 第一周线性代数 [171.5M]
┃ ┣━━矩阵对角化以及SVD分解.mp4 [90.3M]
┃ ┣━━伪逆矩阵最小二乘.mp4 [38.7M]
┃ ┣━━资料下载.doc [31.5K]
┃ ┗━━PCA.mp4 [42.5M]
┣━━02 第一周：概率与信息伦，数值计算 [262.4M]
┃ ┣━━极大似然估计.mp4 [36M]
┃ ┣━━无约束最优化.mp4 [146.4M]
┃ ┗━━有约束最优化.mp4 [79.9M]
┣━━03 第一周：本周学习任务简单总结 [100.5K]
┃ ┗━━03 第一周：本周学习任务简单总结.doc [100.5K]
┣━━04 第二周机器学习算法基本概念 [124.8M]
┃ ┣━━估计、偏差和方差.mp4 [23M]
┃ ┣━━过拟合欠拟合超参数验证集.mp4 [55.6M]
┃ ┣━━机器学习算法基本概念.doc [51.5K]
┃ ┗━━机器学习算法基本概念.mp4 [46.1M]
┣━━05 第二周贝叶斯统计与逻辑回归 [89.4M]
┃ ┣━━贝叶斯统计.mp4 [24.2M]
┃ ┗━━逻辑回归.mp4 [65.2M]
┣━━06 第二周：本周学习任务简单总结 [13.7K]
┃ ┗━━第二周：本周学习任务简单总结.docx [13.7K]
┣━━07 第三周：LDA与SVM算法 [208.4M]
┃ ┣━━LDA.mp4 [82.5M]
┃ ┗━━SVM.mp4 [125.9M]
┣━━08 第三周：随机梯度下降 [80.4M]
┃ ┗━━决策树.mp4 [80.4M]
┣━━09 第三周：本周学习任务简单总结 [455.5K]
┃ ┗━━08 第三周：本周学习任务简单总结.doc [455.5K]
┣━━10 第四周：前馈神经网络损失函数 [197.4M]
┃ ┣━━激活函数损失函数.mp4 [114.8M]
┃ ┗━━前馈神经网络结构表达能力.mp4 [82.6M]
┣━━11 第四周：前馈神经网络架构设计反向传播、 [95.6M]
┃ ┗━━前向后向算法、.mp4 [95.6M]
┣━━12 第四周：直播答疑日 [918.6M]
┃ ┗━━第四周：直播答疑日.mp4 [918.6M]
┣━━13 第四周：本周学习任务简单总结 [14.8K]
┃ ┗━━第四周：本周学习任务简单总结.docx [14.8K]
┣━━14 第五周：范数惩罚正则化 [203.1M]
┃ ┣━━范数惩罚正则化.mp4 [92.4M]
┃ ┗━━数据增强bagging dropout.mp4 [110.7M]
┣━━15 第五周：深度模型中的优化 [294.9M]
┃ ┗━━第五周：深度模型中的优化.mp4 [294.9M]
┣━━16 第五周：本周学习任务简单总结 [73.5K]
┃ ┗━━总结.docx [73.5K]
┣━━17 第五周：直播答疑 [521M]
┃ ┗━━直播答疑.mp4 [521M]
┣━━18 第六周：卷积神经网络基础 [267.5M]
┃ ┣━━局部感知权值共享.mp4 [143.3M]
┃ ┗━━cnn前向后向.mp4 [124.1M]
┣━━19 第六周：卷积函数变体 [308.6M]
┃ ┣━━lenet alexnet.mp4 [134.7M]
┃ ┗━━vggnet googlenet.mp4 [174M]
┣━━20 第六周：本周任务简单总结+直播答疑日 [776.5M]
┃ ┣━━答疑.mp4 [776.5M]
┃ ┗━━第六周：本周学习任务简单总结.docx [15.3K]
┣━━21 第七周：RNN概念&前向传播 [96.4M]
┃ ┗━━RNN概念&前向传播.mp4 [96.4M]
┣━━22 第七周：RNN反向传播与并行计算 [68.9M]
┃ ┗━━RNN反向传播与并行计算.mp4 [68.9M]
┣━━23 第七周：本周学习任务简单总结 [15.2K]
┃ ┗━━第七周：本周学习任务简单总结.docx [15.2K]
┣━━24 第八周：lstm [92.5M]
┃ ┗━━lstm.mp4 [92.5M]
┣━━25 第八周：gru [75.4M]
┃ ┗━━gru.mp4 [75.4M]
┣━━26 第八周：本周任务简单总结+直播答疑日 [84.2M]
┃ ┣━━任务总结.docx [196K]
┃ ┗━━直播答疑.mp4 [84M]
┣━━27 第九周：推理加速、训练加速 [203.2M]
┃ ┣━━推理加速.mp4 [156.4M]
┃ ┗━━训练加速.mp4 [46.8M]
┣━━28 第九周：自适应和gan [38.7M]
┃ ┗━━28 第九周：自适应和gan.mp4 [38.7M]
┣━━29 第九周：本周学习任务简单总结 [13.6K]
┃ ┗━━第九周：本周学习任务简单总结.docx [13.6K]
┣━━课件.zip [25.16 M]