威斯康星大学密尔沃基分校（全球名校AI课程库（40）| 威斯康星 · 深度学习和生成模型导论课程『Intro to Deep Learning and Generative Models』）

? 课程学习中心 | ? 深度学习课程合辑 | ? 课程主页 | ? 中英字幕视频 | ? 项目代码解析

课程介绍

深度学习是一个专门研究发现和提取大型非结构化数据集中复杂结构的领域              ，用于对多层人工神经网络进行参数化              。由于深度学习推动了许多研究和应用领域的最新发展 
  
 
  
 
  
 
  
 
  
 
  
 
  
 ，它已成为现代技术不可或缺的部分 
  
 
  
 
  
 
  
 
  
 
  
 
  
 。

STAT453 课程的重点是通过将人工神经网络与统计学中的相关概念（如广义线性模型和最大似然估计）联系起来














，深入理解人工神经网络














。除了涵盖预测建模的深度学习模型外 
  
  
  
  
  
  
 ，本课程的后一部分将侧重于深度生成模型和基于随机变分推理的模型 
  
  
  
  
  
  
  ，这允许学习定向概率模型 
  
  
  
  
  
  
 。

除了在数学和概念层面上涵盖和解释深度学习和生成模型外

 


 


 


 


 


 


 

，本课程还强调深度学习的实践方面 
  
  
  
  
  
  
  。Python科学计算开放源码生态系统的开放源码库将用于为学生提供实践经验 
 
 
 
 
 
 
，以实现深层神经网络 
   
   
   
   
   
   
   ，完成有监督的学习任务
 

 

 

 

 

 

 
，并将生成模型应用于数据集合成

 


 


 


 


 


 


 

。

课程学习结束后
 

 

 

 

 

 

 

，学生能够掌握各类深度学习算法原理及其优缺点              ，深入理解深度学习和生成模型——这是当前预测建模最先进的方法 

 
 

 
 

 
 

 
 

 
 

 
 

 
 ，并掌握使用Python编程来解决现实问题的能力 
 
 
 
 
 
 
。课程对于构建深度学习知识储备与实战能力有很大帮助 
   
   
   
   
   
   
   。

本门课程学习建议具有微积分和线性代数背景














，强烈建议学生熟悉基本编程并已完成入门编程课程
 

 

 

 

 

 

 
。

课程讲师 Sebastian Raschka 是威斯康辛大学麦迪逊分校统计学助理教授                     ，专注于机器学习和深度学习研究 
 
 
 
 
 
 
 
 
 
 
 
 
 
 ，包括深度学习方法的开发和对计算机视觉和计算生物学的应用





















，初版了多门机器学习相关著作
 

 

 

 

 

 

 

。

课程主题

STAT453 是威斯康星大学的深度学习和生成模型课程              ，从机器学习与深度学习的基础知识开始 
  
 
  
 
  
 
  
 
  
 
  
 
  
 ，给大家系统讲解了深度学习及其在视觉与文本数据中的典型模型与各种应用














，并以 PyTorch 为主 AI 框架进行了实战代码讲解              。课程官网发布了课程主题 
  
  
  
  
  
  
 ，ShowMeAI 对其进行了翻译 

 
 

 
 

 
 

 
 

 
 

 
 

 
 。

The History of Neural Networks and Deep Learning（深度学习简史） Single-layer Neural Networks（感知器讲座） Linear Algebra for Deep Learning（深度学习的线性代数） Fitting Neurons with Gradient Descent（梯度下降） Automatic Differentiation with PyTorch（PyTorch 中的自动微分） Logistic Regression and Multi-class Classification（逻辑回归） Multilayer Perceptrons（多层感知器） Regularization（神经网络的正则化方法） Feature Normalization and Weight Initialization（输入归一化和权重初始化） Common Optimization Algorithms（改进基于梯度下降的优化） Convolutional Neural Networks（卷积神经网络） Recurrent Neural Networks（循环神经网络） Autoencoders（自编码器） Generative Adversarial Networks (GAN)（生成对抗网络简介）

课程资料 | 下载

扫描上方图片二维码 
  
  
  
  
  
  
  ，关注公众号并回复关键字 ?『STAT453』

 


 


 


 


 


 


 

，就可以获取整理完整的资料合辑啦！当然也可以点击 ? 这里 查看更多课程的资料获取方式！

ShowMeAI 对课程资料进行了梳理 
 
 
 
 
 
 
，整理成这份完备且清晰的资料包：

? 课件&代码














。PDF文件              、数据文件和.ipynb文件                     。（说明：课件Lecture编号至16 
   
   
   
   
   
   
   ，已是全部资料） ? 作业 
 
 
 
 
 
 
 
 
 
 
 
 
 
 。数据文件和.ipynb文件





















。覆盖Homework 1~3              。 ? 拓展阅读资料 
  
 
  
 
  
 
  
 
  
 
  
 
  
 。Python 
  
 
  
 
  
 
  
 
  
 
  
 
  
 、PyTorch的安装和学习常见问题














。

课程视频 | B站

? B站 | 【双语字幕+资料下载】威斯康星 STAT453 | 深度学习和生成模型导论(2021最新·完整版)

ShowMeAI 将视频上传至B站
 

 

 

 

 

 

 
，并增加了中英双语字幕
 

 

 

 

 

 

 

，以提供更加友好的学习体验 
  
  
  
  
  
  
 。点击页面视频              ，可以进行预览 
  
  
  
  
  
  
  。推荐前往 ? B站 观看完整课程视频哦！

全球名校AI课程合辑

? CS数学基础课程合辑：https://www.showmeai.tech/tutorials/38 ? 计算机基础课程合辑：https://www.showmeai.tech/tutorials/29 ? 机器学习课程合辑：https://www.showmeai.tech/tutorials/28 ? 深度学习课程合辑：https://www.showmeai.tech/tutorials/77 ? 自然语言处理课程合辑：https://www.showmeai.tech/tutorials/55 ? 计算机视觉课程合辑：https://www.showmeai.tech/tutorials/73 ? 强化学习课程合辑：https://www.showmeai.tech/tutorials/87 ? AI生物医疗课程合辑：https://www.showmeai.tech/tutorials/74 ? 其他名校AI课程合辑：https://www.showmeai.tech/tutorials/76

作者：ShowMeAI内容团队 阅读原文：https://www.showmeai.tech/article-detail/375