深入理解深度学习（Python简介） | A deep understanding of deep learning (with Python intro)
运用实验科学方法，掌握PyTorch的深度学习，并有大量的例子和实践问题。
讲师：Mike X Cohen
双语资源中英文字幕学习课程，独家翻译制作，提供全部配套课程资料。全网最低价享受高品质课程资源，无限分享下载。
你将会学到什么？
- 深度学习的理论和数学基础
- 如何构建人工神经网络
- 前馈和卷积网络的体系结构
- 在PyTorch中构建模型
- 梯度下降的演算和编码
- 微调深度网络模型
-从头开始学习Python（无需事先的编程经验）
- 自动编码器的工作方式和原因
- 如何使用迁移学习
- 使用正则化提高模型性能
- 优化权重初始化
- 使用预定义和学习的内核理解图像卷积
- 无论深度学习模型是可以理解的还是神秘的黑匣子！
- 使用GPU进行深度学习（比CPU快得多！）
课程内容
32 个章节 • 265 个讲座 • 总时长 57 小时 19 分钟
课程要求
- 对学习深度学习感兴趣！
- 课程中教授Python/Pytorch技能
- 一个Google帐户（Google colab用作Python IDE）
课程说明
深度学习正日益成为主导技术，并对社会产生重大影响
从自动驾驶汽车到医学诊断，从人脸识别到深度造假，从语言翻译到音乐生成，深度学习正在现代技术的各个领域迅速蔓延。
但深度学习不仅仅是超高级、尖端、高度复杂的应用程序。深度学习正日益成为机器学习、数据科学和统计学的标准工具。深度学习被小型初创公司用于数据挖掘和降维，被政府用于检测逃税行为，被科学家用于检测研究数据中的模式。
深度学习现在被用于技术、商业和娱乐的大多数领域。而且它一年比一年重要。
深度学习是如何工作的
深度学习建立在一个非常简单的原则上：采用一个超简单的算法（加权和和非线性），并多次重复，直到得到令人难以置信的复杂和复杂的数据学习表示。
真的那么简单吗？ 嗯，好吧！实际上比这稍微复杂一点；）但这是核心思想，其他一切——实际上是深度学习中的其他一切——都是将这些基本构建块组合在一起的聪明方法。这并不意味着深度神经网络理解起来微不足道：前馈网络、卷积网络和递归网络之间存在重要的架构差异。
考虑到深度学习模型设计、参数和应用程序的多样性，你只能通过有经验的老师指导你完成数学、实现和推理来学习深度学习——我的意思是，学习深度学习，而不仅仅是从youtube视频中获得肤浅的知识。当然，你需要有很多动手的例子和练习问题来解决。深度学习基本上只是应用数学，众所周知，数学不是一项观赏性运动！
这门课的全部内容是什么
简单地说：本课程的目的是深入了解深度学习。您将获得灵活、基础和持久的深度学习专业知识。你将深入了解深度学习中的基本概念，从而能够学习未来出现的新主题和趋势。
请注意：这门课程不适合那些想要通过几个解决的例子快速概述深度学习的人。相反，这门课程是为那些真正想了解深度学习是如何运作以及为什么运作的人设计的；何时以及如何选择元参数，如优化器、归一化和学习率；如何评估深度神经网络模型的性能；以及如何修改和调整现有模型以解决新问题。
你可以在这门课上学到关于深度学习的一切
在本课程中，您将学习
- 理论：为什么深度学习模型是这样构建的？
- Math：深度学习的公式和机制是什么？
- Implementation：深度学习模型实际上是如何在Python中构建的（使用PyTorch库）？
- Inition：为什么这个或那个元参数是正确的选择？如何解释正则化的效果？
- Python：如果您对Python完全陌生，请阅读8个多小时的编码教程附录。如果你已经是一个知识渊博的程序员，那么你仍然会学到一些新技巧和代码优化。
- Google-colab：colab是一个令人惊叹的在线工具，用于使用谷歌的云服务运行Python代码、模拟和繁重的计算。无需在您的计算机上安装任何东西。
本课程的独特之处
- 对深度学习中的概念进行清晰易懂的解释，包括迁移学习、生成建模、卷积神经网络、前馈网络、生成对抗性网络（GAN）等。
- 对相同想法的几种不同解释，这是一种行之有效的学习技巧。
- 使用图形、数字和空间的可视化，提供人工神经网络的直观性。
- LOTS练习、项目、代码挑战、探索代码的建议。你最好自己动手学习！
- 活跃的问答论坛，您可以在这里提出问题，获得反馈，并为社区做出贡献。
- 8小时以上的Python教程。这意味着在报名参加本课程之前，您不需要掌握Python。
那你还在等什么
观看课程介绍视频和免费示例视频，了解更多关于本课程内容和我的教学风格的信息。如果你不确定这门课程是否适合你，并且想了解更多，请在报名前随时与我联系。
我希望很快在课程中见到你！
此课程面向哪些人？
- 深度学习课程中的学生
- 机器学习爱好者
- 任何对人工智能机制感兴趣的人
- 希望扩大技能库的数据科学家
- 有抱负的数据科学家
- 对深度学习感兴趣的科学家和研究人员
