深度学习 ( Deep Learning ) 是机器学习 ( Machine Learning ) 中近年来备受重视的一支，深度学习根源于类神经网络 ( Artificial Neural Network ) 模型，但今日深度学习的技术和它的前身已截然不同，目前最好的语音识别和影像辨识系统都是以深度学习技术来完成，你可能在很多不同的场合听过各种用深度学习做出的惊人应用 ( 例如：最近红遍大街小巷的 AlphaGo )，听完以后觉得心痒痒的，想要赶快使用这项强大的技术，却不知要从何下手学习，那这门课就是你所需要的。
这门课程将由台大电机系李宏毅教授利用短短的一天议程简介深度学习。以下是课程大纲：
** 什么是深度学习 **
深度学习的技术表面上看起来五花八门，但其实就是三个步骤：设定好类神经网络架构、订出学习目标、开始学习，这堂课会简介如何使用深度学习的工具 Keras，它可以帮助你在十分钟内完成深度学习的程序。另外，有人说深度学习很厉害、有各种吹捧，也有人说深度学习只是个噱头，到底深度学习和其他的机器学习方法有什么不同呢？这堂课要剖析深度学习和其它机器学习方法相比潜在的优势。
**深度学习的各种小技巧 **
虽然现在深度学习的工具满街都是，想要写一个深度学习的程序只是举手之劳，但要得到好的成果可不简单，训练过程中各种枝枝节节的小技巧才是成功的关键。本课程中将分享深度学习的实作技巧及实战经验。
有记忆力的深度学习模型
机器需要记忆力才能做更多事情，这段课程要讲解递归式类神经网络 ( Recurrent Neural Network )，告诉大家深度学习模型如何可以有记忆力。
**深度学习应用与展望 **
深度学习可以拿来做甚么？怎么用深度学习做语音识别？怎么用深度学习做问答系统？接下来深度学习的研究者们在意的是什么样的问题呢？
深度学习吸引了很大的关注：
我相信，你之前肯定见到过很多激动人心的结果。图中是谷歌内部深度学习技术的使用趋势，可以看到从2015年第二季度开始，使用量呈直线上升。本讲义聚焦深度学习基础技术。
大纲：
报告第一部分：介绍深度学习
报告第二部分：关于训练深度神经网络的一些建议
报告第三部分：各种各样的神经网络
报告第四部分：下一股浪潮
报告1：深度学习介绍
深度学习有3步：神经网络架构--学习目标--学习。
这三个步骤都是以数据为基础的。
第3步：选择最佳的功能函数。
从原理上说，深度学习非常简单。
从函数的角度理解深度学习：第一步，是一个函数集；第二步，定义函数的拟合度；第三部，选择最佳函数。
人类大脑的构成
神经网络：神经元
激活函数的工作原理
不同的连接会导致不同的网络结构
完全连接的反向网络：S型网络
极深网络：从8层到19层，一直到152层。
全连接的反向网络：矩阵系统
输出层（选择）
问题：
下图中，总共有多少层？每一层有多少个神经元？
结构能自动决定吗？
第二步：学习目标，定义函数拟合度。
例子：识别“2”
训练数据：
准备训练数据：图像和相应的标签
学习目标
损失：一个好的函数应该让所有例子中的损失降到最小。
全局损失
第三步：学习！选择最佳函数。
如何选择最佳函数
梯度下降
梯度下降：综合多个参数考虑的时候，你发现什么问题了吗？
局部最小值：梯度下降从来不会保证可以获得全局最小值
反向传播
可以做什么？
报告二：关于训练深度神经网络的一些小建议
报告三：各种各样的神经网络
PDF下载地址：https://mr-rxz.github.io/download/Deep_Learning_Tutorial.pdf
