193分钟
深度学习入门——从神经网络到语言模型
本门课我们将进行深度学习的基础部分学习，课程主要从神经网络与语言模型两个分支展开。 在神经网络板块，我们将深入探究神经网络的基本算法和整体架构，课程对神经网络中的常见算法进行了详细解读，并通过实例演示…
本门课我们将进行深度学习的基础部分学习，课程主要从神经网络与语言模型两个分支展开。
在神经网络板块，我们将深入探究神经网络的基本算法和整体架构，课程对神经网络中的常见算法进行了详细解读，并通过实例演示帮助学员更好的理解神经网络整体架构。
在语言模型板块，课程从语言模型的基础概述出发，带领学员详细了解了N-gram模型、神经网络模型、CBOW模型以及负采样模型。通过完成本课程，学员将对神经网络和语言模型有更深入的了解，实现深度学习从零到入门的提升，为更深入探究NLP奠定良好基础。
一、深度学习要解决的问题
二、深度学习应用领域
三、计算机视觉任务
四、视觉任务中遇到的问题
五、得分函数
六、损失函数的作用
七、前向传播整体流程
八、返向传播计算方法
九、神经网络整体架构
十、神经网络架构细节
十一、神经元个数对结果的影响
十二、正则化与激活函数
十三、神经网络过拟合解决方法
十四、自然语言处理的概念基础
十五、语言模型
十六、自然语言处理之词向量
十七、神经网络模型
十八、Hierarchical Softmax
十九、CBOW模型实例
二十、CBOW求解目标
二十一、锑度上升求解
二十二、负采样模型
唐宇迪
同济大学硕士，华东理工大学博士