A deep understanding of deep learning (with Python intro)

深度学习正日益主导科技领域，并对社会产生重大影响。

从自动驾驶汽车到医疗诊断，从人脸识别到深度伪造，从语言翻译到音乐生成，深度学习正在现代科技的各个领域迅速发展。

但深度学习并非仅限于那些超级炫酷、前沿、高度复杂的应用。它正日益成为机器学习、数据科学和统计学领域的标准工具。小型创业公司利用深度学习进行数据挖掘和降维，政府机构利用它来检测逃税行为，科学家则利用它来发现研究数据中的模式。

深度学习如今已应用于科技、商业和娱乐等大多数领域，并且其重要性逐年提升。

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之上：采用一个超级简单的算法（加权求和与非线性），并重复很多很多次，直到结果得到一个极其复杂和精密的学习数据表示。

真的就这么简单吗？ 嗯……好吧，其实比这稍微复杂一点 ;) 但这就是核心思想，其他的一切——深度学习中的所有其他内容——都只是巧妙地将这些基本构建模块组合起来的方法。但这并不意味着深度神经网络很容易理解：前馈网络、卷积网络和循环网络之间存在着重要的架构差异。

鉴于深度学习模型设计、参数和应用的多样性，你只有通过经验丰富的老师指导，才能真正掌握深度学习——我是说，真正地掌握深度学习，而不是仅仅通过YouTube视频获得一些浅显的知识。当然，你还需要大量的实践案例和练习题。深度学习本质上就是应用数学，而众所周知，数学可不是一项可以旁观的运动！

这门课程的内容是什么？

简而言之：本课程旨在深入探讨深度学习。您将获得灵活、扎实且持久的深度学习专业知识。您将深刻理解深度学习的基本概念，从而能够学习未来涌现的新主题和新趋势。

请注意：本课程并非为希望快速了解深度学习并观看几个示例的学员而设。相反，本课程专为真正想理解深度学习的工作原理和原因、何时以及如何选择优化器、归一化和学习率等元参数、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的学员而设计。

你可以在这门课程中学习到关于深度学习的一切。

在本课程中，你将学习

• 理论：为什么深度学习模型要以这种方式构建？
• 数学：深度学习的公式和机制是什么？
• 实现：如何在 Python（使用 PyTorch 库）中实际构建深度学习模型？
• 直觉：为什么选择这个或那个元参数是正确的？如何解释正则化的效果？等等。
• Python：如果您是 Python 新手，请先学习附录中超过 8 小时的编程教程。如果您已经是经验丰富的程序员，那么您仍然可以从中学习到一些新的技巧和代码优化方法。
• Google Colab：Colab 是一款出色的在线工具，它利用 Google 的云服务运行 Python 代码、进行模拟和执行繁重的计算。无需在您的计算机上安装任何软件。

本课程的独特之处

• 对深度学习中的概念进行了清晰易懂的解释，包括迁移学习、生成建模、卷积神经网络、前馈网络、生成对抗网络（GAN）等。
• 对同一概念给出几种不同的解释，这是一种行之有效的学习方法。
• 利用图表、数字和空间进行可视化，以提供对人工神经网络的直观理解。
• 大量 的练习、项目、代码挑战和代码探索建议。亲自动手实践是最佳的学习方式！
• 活跃的问答论坛，您可以在这里提问、获得反馈并为社区做出贡献。
• 超过 8 小时的 Python 教程。这意味着你无需在报名参加本课程之前精通 Python。

那你还在等什么？

观看课程介绍视频和免费试听视频，了解课程内容和我的教学风格。如果您不确定本课程是否适合您，或者想了解更多信息，欢迎在报名之前与我联系。

希望很快能在课程中见到你！

麦克风