书：pan.baidu.com/s/1UtoEsfQDHJqcL7zpdvFP-Q
提取码：oq5x
我的阅读笔记：
- 深度学习基础： 介绍深度学习的基本概念、原理和发展历史。
- Python编程： 提供使用Python进行深度学习实现的基础知识，包括必要的编程技能和工具。
- 神经网络： 解释神经网络的基本结构和工作原理，以及如何构建和训练简单的神经网络。
- 深度学习框架： 探讨流行的深度学习框架，如TensorFlow和PyTorch，并演示如何使用这些框架构建和训练深度学习模型。
- 计算机视觉和自然语言处理： 引导读者了解深度学习在计算机视觉和自然语言处理等领域的应用。
- 实际项目： 提供一些实际的深度学习项目，帮助读者将所学知识应用到实际场景中。
- 神经网络基础： 了解神经网络的基本概念、结构和工作原理是深度学习的关键。神经网络由神经元、层、激活函数等组成，通过权重和偏差进行学习。
- 反向传播算法： 反向传播是一种用于训练神经网络的优化算法。它通过计算损失函数的梯度来调整神经网络中的权重，使网络的输出更接近期望的输出。
- 激活函数： 激活函数决定神经网络中神经元的输出。常见的激活函数包括Sigmoid、ReLU（Rectified Linear Unit）等，它们在不同的情况下有不同的优势。
- 损失函数： 损失函数用于衡量模型输出与实际值之间的差距。通过最小化损失函数，模型可以学习到更好的表示和预测。
- 优化算法： 优化算法用于调整神经网络的参数，使其在训练数据上表现得更好。常见的优化算法包括梯度下降、Adam、RMSProp等。
- 卷积神经网络（CNN）： 用于处理图像和空间数据的专业神经网络结构。CNN在计算机视觉任务中取得了显著的成功。
- 循环神经网络（RNN）： 专门用于处理序列数据的神经网络结构。RNN在自然语言处理等领域中得到广泛应用。
- 自动编码器（Autoencoder）： 一种无监督学习方法，用于学习数据的紧凑表示，常用于降维和特征学习。
- 深度学习框架： 了解和使用深度学习框架，如TensorFlow、PyTorch等，可以大大简化模型的构建和训练过程。
- 迁移学习： 利用在一个任务上学到的知识来改善在另一个相关任务上的性能，这在数据稀缺的情况下尤为有用。