深度学习课程大纲_2019最新-UC Berkeley-《深度学习入门课程》分享

分享一门UC Berkeley的深度学习实战的新课，课程资料比较全，包括了课程的视频、ppt以及配套的代码、参考书籍（中文版），绝对值得推荐、学习。

课程主页

http://courses.d2l.ai/berkeley-stat-157/index.html

课程介绍

本课程是一门讲解深度学习偏实践的课程，包括算法的理论基础以及如何在实践中实现。作为课程的一部分，我们将讲解多层感知器、反向传播、自动微分和随机梯度下降。此外，我们讲解如何用卷积网络进行图像处理，从简单的LeNet开始，到更新的网络体系结构，如用于高精度模型的ResNet。其次，我们讨论了序列模型和循环网络，如LSTMs、GRU和注意机制。在整个课程中，我们强调高效的实现、优化和可扩展性，例如针对多个GPU和多台机器优化加速。本课程的目标是提供一个很好的理解和建立现代非参数估计的能力。

文末附课程已开放课程视频及ppt下载地址。

课程安排

课程配套中文参考书籍下载地址

中文版新书《动手学深度学习》pdf免费分享

课程资料视频及ppt下载地址

公众号回复关键字“uc2019”获取下载地址。

往期精品课程推荐

别光顾着背单词了，每天花18分钟做这件事，英语水平暴增！

上下文预训练模型最全整理：原理、应用、开源代码、数据分享

2019年新书推荐-《神经网络与深度学习》-Michael Nielsen

深度学习中Attention Mechanism详细介绍：原理、分类及应用

2019年新书-《PyTorch实战-一个解决问题的方法》精品教材分享

最新深度学习面试题目及答案集锦

合成注意力推理神经网络-Christopher Manning-ICLR2018

神圣的NLP！一文理解词性标注、依存分析和命名实体识别任务

基于深度学习的文本分类6大算法-原理、结构、论文、源码打包分享

AI教父-深度学习之父-Geffery Hinton个人简介

干货 | 知识图谱的技术与应用

一文告诉你Adam、AdamW、Amsgrad区别和联系，助你实现Super-convergence的终极目标