李宏毅老师是台湾大学的教授,其《机器学习》(2021年春)是深度学习领域经典的中文视频之一。李老师幽默风趣的授课风格深受大家喜爱,让晦涩难懂的深度学习理论变得轻松易懂,他会通过很多动漫相关的有趣例子来讲解深度学习理论。李老师的课程内容很全面,覆盖了到深度学习必须掌握的常见理论,能让学生对于深度学习的绝大多数领域都有一定了解,从而可以进一步选择想要深入的方向进行学习,对于想入门深度学习又想看中文讲解的同学是非常推荐的。
本教程主要内容源于《机器学习》(2021年春),并在其基础上进行了一定的原创。比如,为了尽可能地降低阅读门槛,笔者对这门公开课的精华内容进行选取并优化,对所涉及的公式都给出详细的推导过程,对较难理解的知识点进行了重点讲解和强化,以方便读者较为轻松地入门。此外,为了丰富内容,笔者在教程中选取了《机器学习》(2017年春) 的部分内容,并补充了不少除这门公开课之外的深度学习相关知识。
注:
-
基于《机器学习》(2017年春)的李宏毅机器学习笔记在线阅读地址:https://datawhalechina.github.io/leedl-tutorial/#/
-
基于《机器学习》(2017年春)的李宏毅机器学习笔记源文件:https://github.com/datawhalechina/leedl-tutorial/tree/pre_master
地址:https://github.com/datawhalechina/leedl-tutorial/releases
国内地址(推荐国内读者使用):链接: https://pan.baidu.com/s/1U3WJCKR3ofSuk68TF9zhyg 提取码: k23a
ℹ️ 李宏毅老师推荐:
- 引言 @王琦
- 深度学习 @王琦
- 局部最小值与鞍点
- 训练技巧
- 自适应学习率
- 分类问题损失函数
- 归一化
- 卷积神经网络和自注意力机制 @王琦
- 卷积神经网络
- 自注意力机制
- 循环神经网络 @王琦
- Transformer @王琦
- Transformer
- 生成模型 @杨毅远
- 生成对抗网络基础
- 生成对抗网络理论与 Wasserstein 生成对抗网络
- 生成对抗网络的评估与有条件的生成对抗网络
- 循环生成对抗网络
- 自监督学习 @王琦
- 芝麻街的模型
- BERT
- GPT-3
- 自动编码器概念及其应用 @江季
- 扩散模型@王琦
- 对抗攻击 @杨毅远
- 对抗攻击基本概念
- 白盒攻击vs黑盒攻击
- 被动防守vs主动防守
- 可解释人工智能 @杨毅远
- 可解释人工智能概念与案例
- 可解释人工智能中的局部可解释性
- 可解释人工智能中的全局可解释性
- 迁移学习 @王琦
- 领域自适应
- 领域对抗训练
- 深度强化学习 @王琦
- 终身学习 @杨毅远
- 灾难性遗忘
- 缓解灾难性遗忘
- 网络压缩 @王琦
- 剪枝与彩票假设
- 知识蒸馏
- 元学习 @杨毅远
- 元学习的概念
- 元学习的实例算法
- 元学习的应用
- ChatGPT @杨毅远
- 对于ChatGPT的误解
- ChatGPT背后的关键技术——预训练
- ChatGPT带来的研究问题
点击或者网页点击Homework
文件夹进入配套代码
对强化学习感兴趣的读者,可阅读蘑菇书EasyRL
Qi Wang 上海交通大学博士生 |
Yiyuan Yang 牛津大学博士生 |
John Jim 北京大学硕士 |
@misc{wang2023leedltutorial,
title = {李宏毅深度学习教程},
year = {2023},
author = {王琦,杨毅远,江季},
url = {https://github.com/datawhalechina/leedl-tutorial}
}
@misc{wang2023leedltutorialen,
title = {Deep Learning Tutorial by Hung-yi Lee},
year = {2023},
author = {Qi Wang,Yiyuan Yang,Ji Jiang},
url = {https://github.com/datawhalechina/leedl-tutorial}
}
如果您需要转载该教程的内容,请注明出处:https://github.com/datawhalechina/leedl-tutorial。
特别感谢 @Sm1les、@LSGOMYP、FuWeiru 对本项目的帮助与支持。
扫描下方二维码关注公众号:Datawhale,回复关键词“李宏毅深度学习”,即可加入“LeeDL-Tutorial读者交流群”
本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。