近年来，以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能问答、推荐系统到自动驾驶，人们在日常生活中都可能有意无意地使用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者们的长期努力。特别是最近这几年，得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富，越来越多的人开始关注这一个“崭新”的研究领域：深度学习。深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等。目前，深度学习技术在学术界和工业界取得了广泛的成功，受到高度重视，并掀起新一轮的人工智能热潮。

1.扫码关注 “人工智能与深度学习前沿” 公众号

2.后台回复关键词：7014

▲长按扫描，回复7014即可获取

或点击下方直接跳转，后台回复：7014

部分内容展示：

关于本书

近年来，以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能问答、推荐系统到自动驾驶，人们在日常生活中都可能有意无意地使用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者们的长期努力。特别是最近这几年，得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富，越来越多的人开始关注这一个“崭新”的研究领域：深度学习。深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等。目前，深度学习技术在学术界和工业界取得了广泛的成功，受到高度重视，并掀起新一轮的人工智能热潮。

本课程主要介绍神经网络与深度学习中的基础知识、主要模型（前馈网络、卷积网络、循环网络等）以及在计算机视觉、自然语言处理等领域的应用。

要获取更新提醒，请关注https://github.com/nndl/nndl.github.io

课程练习，见https://github.com/nndl/exercise

概要

《神经网络与深度学习》3小时课程概要 ppt(72M) pdf (12M)

更新说明：

1. 更新向量符号：将所有粗体英文字母改为粗斜体

2. 调整绪论的小节顺序

3. 修改issue中的部分错误

4. 统一更改了参考文献格式

5. 增加了吴立德老师序

更新说明：

1. 数学基础 调整微积分一节，增加了泰勒公式，积分的介绍

2. 数学基础 增加熵编码一节

3. 概率图模型 调整“学习”和“推断”两节的次序

4. 概率图模型 增加“变分推断“的简单介绍

章节内容

1. 绪论[ppt]

2. 机器学习概述 [ppt]

3. 线性模型 [ppt]

4. 前馈神经网络 [ppt]

5. 卷积神经网络 [ppt]

6. 循环神经网络 [ppt]

7. 网络优化与正则化 [ppt]

8. 注意力机制与外部记忆 [ppt]

9. 无监督学习 [ppt]

10. 模型独立的学习方式 [ppt]

11. 概率图模型 [ppt]

12. 深度信念网络 [ppt]

13. 深度生成模型[ppt]

14. 深度强化学习 [ppt]

15. 序列生成模型 [ppt] 一个过时版本：词嵌入与语言模型

16. 数学基础

1.扫码关注 “人工智能与深度学习前沿” 公众号

2.后台回复关键词：7014

▲长按扫描，回复7014即可获取

或点击下方直接跳转，后台回复：7014