本课程旨在为有志于成为算法工程师的学习者提供全面而深入的深度学习知识体系。从深度学习的基础概念出发，逐步过渡到线性代数、微积分与概率等数学工具，为后续的学习打下坚实的基础。课程中将详细介绍如何搭建CUDA与Anaconda环境，并熟练掌握PyTorch等深度学习框架的安装与使用。随着课程的深入，学员将学习神经网络的基本原理及其代码实现，了解过拟合与欠拟合的解决策略，以及各种优化算法如Adam、RMSProp等的应用。此外，课程还涵盖了卷积神经网络（CNN）、循环神经网络（RNN）、注意力机制、Transformer等先进架构，以及BERT、GPT等前沿模型。通过具体案例分析，如图像识别、自然语言处理等领域的实际应用，帮助学员从理论到实践全方位提升技能。最后，课程还将探讨深度学习的未来趋势，并给出持续学习的指导建议。
课程目录
001.1-1 课程内容和理念.mp4
002.1-2 初识深度学习.mp4
003.1-3 课程使用的技术栈.mp4
004.2-1 线性代数.mp4
005.2-2 微积分.mp4
006.2-3 概率.mp4
007.3-1 CUDA+Anaconda深度学习环境搭建.mp4
008.3-2 conda实用命令.mp4
009.3-3 Jupyter Notebook快速上手.mp4
010.3-4 深度学习库PyTorch安装.mp4
011.4-1 神经网络原理.mp4
012.4-2 多层感知机.mp4
013.4-3 前向传播和反向传播.mp4
014.4-4 多层感知机代码实现.mp4
015.4-5 回归问题.mp4
016.4-6 线性回归代码实现.mp4
017.4-7 分类问题.mp4
018.4-8 多分类问题代码实现.mp4
019.5-1 训练的常见问题.mp4
020.5-2 过拟合欠拟合应对策略.mp4
021.5-3 过拟合和欠拟合示例.mp4
022.5-4 正则化.mp4
023.5-5 Dropout.mp4
024.5-6 Dropout代码实现.mp4
025.5-7 梯度消失和梯度爆炸.mp4
026.5-8 模型文件的读写.mp4
027.6-1 最优化与深度学习.mp4
028.6-2 损失函数.mp4
029.6-3 损失函数性质.mp4
030.6-4 梯度下降.mp4
031.6-5 随机梯度下降法.mp4
032.6-6 小批量梯度下降法.mp4
033.6-7 动量法.mp4
034.6-8 AdaGrad算法.mp4
035.6-9 RMSProp_Adadelta算法.mp4
036.6-10 Adam算法.mp4
037.6-11 梯度下降代码实现.mp4
038.6-12 学习率调节器.mp4
039.7-1 全连接层问题.mp4
040.7-2 图像卷积.mp4
041.7-3 卷积层.mp4
042.7-4 卷积层常见操作.mp4
043.7-5 池化层Pooling.mp4
044.7-6 卷积神经网络代码实现（LeNet）.mp4
045.8-1 AlexNet.mp4
046.8-2 VGGNet.mp4
047.8-3 批量规范化.mp4
048.8-4 GoogLeNet.mp4
049.8-5 ResNet.mp4
050.8-6 DenseNet.mp4
051.9-1 序列建模.mp4
052.9-2 文本数据预处理.mp4
053.9-3 循环神经网络.mp4
054.9-4 随时间反向传播算法.mp4
055.9-5 循环神经网络代码实现.mp4
056.9-6 RNN的长期依赖问题.mp4
057.10-1 深度循环神经网络.mp4
058.10-2 双向循环神经网络.mp4
059.10-3 门控循环单元.mp4
060.10-4 长短期记忆网络.mp4
061.10-5 复杂循环神经网络代码实现.mp4
062.10-6 编码器-解码器网络.mp4
063.10-7 序列到序列模型代码实现.mp4
064.10-8 束搜索算法.mp4
065.10-9 机器翻译简单代码实现.mp4
066.11-1 什么是注意力机制.mp4
067.11-2 注意力的计算.mp4
068.11-3 键值对注意力和多头注意力.mp4
069.11-4 自注意力机制.mp4
070.11-5 注意力池化及代码实现.mp4
071.11-6 Transformer模型.mp4
072.11-7 Transformer代码实现.mp4
073.12-1BERT模型.mp4
074.12-2 GPT系列模型.mp4
075.12-3 T5模型.mp4
076.12-4 ViT模型.mp4
077.12-5 Swin Transformer模型.mp4
078.12-6 GPT模型代码实现.mp4
079.13-1 蒙特卡洛方法.mp4
080.13-2 变分推断.mp4
081.13-3 变分自编码器.mp4
082.13-4 生成对抗网络.mp4
083.13-5 Diffusion扩散模型.mp4
084.13-6 图像生成.mp4
085.14-1 自定义数据加载.mp4
086.14-2 图像数据增强.mp4
087.14-3 迁移学习.mp4
088.14-4 经典视觉数据集.mp4
089.14-5 项目实战：猫狗大战.mp4
090.15-1 词嵌入和word2vec.mp4
091.15-2 词义搜索和句意表示.mp4
092.15-3 预训练模型.mp4
093.15-4 Hugging Face库介绍.mp4
094.15-5 经典NLP数据集.mp4
095.15-6 项目实战：电影评论情感分析.mp4
096.16-1 InstructGPT模型.mp4
097.16-2 CLIP模型.mp4
098.16-3 DALL-E模型.mp4
099.16-4 深度学习最新发展趋势分析.mp4
100.16-5 下一步学习的建议.mp4
