深度學習Deep Learning

　　深度學習是機器學習的一個子領域，應用深度神經(jīng)網(wǎng)絡來表示和預測復雜的數(shù)據(jù)。深度學習最近在圖像識別和人工智能等幾個領域掀起了一場革命，目前在金融行業(yè)也獲得了關(guān)注。該課程將首先介紹多層神經(jīng)網(wǎng)絡，并解釋其普遍逼近性質(zhì)。隨后，繼續(xù)進行神經(jīng)網(wǎng)絡的研究，從神經(jīng)網(wǎng)絡的梯度推導和通過反向傳播對其進行評估開始，最后是隨機梯度下降和相關(guān)的現(xiàn)代優(yōu)化方法。課程還闡述了在訓練中避免過擬合的方法。課程其余部分重點介紹了使用Keras和TensorFlow進行深度神經(jīng)網(wǎng)絡的實際實現(xiàn)和訓練，并舉例說明計算和統(tǒng)計金融。時間允許的話，循環(huán)神經(jīng)網(wǎng)絡也會被介紹。

　　課程內(nèi)容：

　　深度學習課程從神經(jīng)科學和統(tǒng)計學中汲取靈感，介紹了神經(jīng)網(wǎng)絡、反向傳播、玻爾茲曼機、自編碼器、卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡的基本背景。課程說明了深度學習如何影響我們對智能的理解，并對智能機器的實際設計做出貢獻。

　　深度學習課程涵蓋的主題：

　　1、線性預測

　　2、最大似然

　　3、正則化，基函數(shù)和交叉驗證

　　4、優(yōu)化

　　5、邏輯回歸

　　6、前饋神經(jīng)網(wǎng)絡

　　7、反向傳播

　　8、卷積神經(jīng)網(wǎng)絡

　　9、最大邊際學習和連體網(wǎng)絡

　　10、玻爾茲曼機與對數(shù)雙線性模型

　　11、自編碼器

　　12、亥姆霍茲機器和模擬學習

　　13、循環(huán)神經(jīng)網(wǎng)絡和LSTMs

　　14、用直接策略搜索強化學習

　　15、用行動價值功能強化學習

　　學習成果：

　　結(jié)束課程學習后，學生通常能夠：

　　1、理解什么是學習，以及為什么學習對智能機器的設計至關(guān)重要。

　　2、知道如何將模型與數(shù)據(jù)相匹配。

　　3、在學習的背景下理解數(shù)值計算，統(tǒng)計和優(yōu)化。

　　4、很好地理解處理非常小和非常大的數(shù)據(jù)集時出現(xiàn)的問題，以及如何解決這些問題。

　　5、理解構(gòu)建新機器學習解決方案所需的基本數(shù)學知識。

　　6、在實際應用中設計和實現(xiàn)各種機器學習算法。

　　7、了解深度學習的背景，能夠?qū)崿F(xiàn)語言、視覺、語音、決策等深度學習模型。