**深度学习基石：从神经网络原理到经典架构的系统突围**
在人工智能技术浪潮席卷全球的今天，深度学习（Deep Learning）无疑是推动这一变革的核心引擎。然而，对于许多希望踏入 AI 领域的初学者而言，面对浩如烟海的理论资料和晦涩难懂的数学公式，往往容易产生畏难情绪。如何从零基础出发，建立起对深度神经网络、卷积神经网络（CNN）、循环神经网络（RNN）以及长短期记忆网络（LSTM）的完整认知框架？本课程专为 IT 知备平台的学员量身打造，旨在通过系统化、结构化的讲解，带你一步步推开深度学习的大门。
课程的第一部分聚焦于“神经网络的系统学习：前向传播以及反向传播”，这是理解所有深度模型的根本。我们将首先梳理深度学习的算法概述，并与传统机器学习进行深度对比。通过 15 分钟左右的深入剖析，你将清晰界定两者在特征工程、数据处理及模型泛化能力上的本质区别，从而明白为何深度学习能在图像识别、自然语言处理等领域取得突破性进展。同时，课程还将详细讲解深度学习算法的主要应用领域，帮助你建立宏观的技术视野。
在夯实基础概念后，课程将深入探讨算法的工作机制。我们将回顾传统机器学习算法如何工作，并重点讲解线性分类器与非线性分类器的差异。通过直观的图解和逻辑推导，理解为何简单的线性边界不足以解决复杂的现实问题，进而引出神经网络中激活函数的关键作用。在此基础上，课程将逐一拆解分类器中的核心组件：得分函数、损失函数以及正则化惩罚因子。这些概念构成了模型训练的“方向盘”和“刹车片”，理解它们如何协同工作以优化模型性能，是掌握深度学习技能的关键一步。
虽然课程目录主要展示了基础原理部分，但结合课程标题，本套资料进一步涵盖了当前工业界最主流的网络结构。你将了解到卷积神经网络（CNN）如何通过局部连接和权值共享机制高效处理图像数据；以及循环神经网络（RNN）在处理序列数据时的独特优势。针对传统 RNN 存在的梯度消失问题，课程还将深入解析长短期记忆网络（LSTM）的结构创新，揭示其如何通过门控机制捕捉长距离依赖关系。
无论你是打算转行进入 AI 行业的职场人士，还是希望在技术上寻求突破的开发者，这门课程都提供了从理论底层到架构应用的全景式学习路径。它不仅适合完全零基础的学员建立信心，也适合有一定了解但知识碎片化的学习者进行系统重构。让我们从这里出发，共同探索深度学习的奥秘。
课程目录
1-1 [神经网络的系统学习：前向传播以及反向传播] 深度学习算法的概述 (02:30) 1-2 [神经网络的系统学习：前向传播以及反向传播] 深度学与传统机器学的区别 (15:00) 1-3 [神经网络的系统学习：前向传播以及反向传播] 深度学的算法主要应用在哪些领域 (15:00) 1-4 [神经网络的系统学习：前向传播以及反向传播] 概述通过传统机器学算法如何进行工作 (15:00) 1-5 [神经网络的系统学习：前向传播以及反向传播] 讲解线性分类器与非线性分类器 (15:00) 1-6 [神经网络的系统学习：前向传播以及反向传播] 讲解分类器中的得分函数 (15:00) 1-7 [神经网络的系统学习：前向传播以及反向传播] 讲解分类器中的损失函数 (15:00) 1-8 [神经网络的系统学习：前向传播以及反向传播] 讲解正则化惩罚因子 (12:48) 1-9 [神经网络的系统学习：前向传播以及反向传播] 阶段总结讲过的知识点 (15:00) 1-10 [神经网络的系统学习：前向传播以及反向传播] 阶段总结讲过的知识点（二） (15:00) 1-11 [神经网络的系统学习：前向传播以及反向传播] 讲解softmax-loss 来求得损失值 (15:00) 1-12 [神经网络的系统学习：前向传播以及反向传播] 通过梯度下降来更新权重 (15:00) 1-13 [神经网络的系统学习：前向传播以及反向传播] 讲解反向传播的工作原理 (15:00) 1-14 [神经网络的系统学习：前向传播以及反向传播] 讲解反向传播的链式法则以及三种梯度门 (15:00) 1-15 [神经网络的系统学习：前向传播以及反向传播] 讲解神经网络的本质，结构以及神经元 (15:00) 1-16 [神经网络的系统学习：前向传播以及反向传播] 讲解神经网络的隐藏层，激活函数 (15:00) 1-17 [神经网络的系统学习：前向传播以及反向传播] 总结神经网络结构涉及到的知识点 (14:16) 1-18 [神经网络的系统学习：前向传播以及反向传播] 整体梳理神经网络涉及到的前向传播和反向传播 (15:00) 1-19 [神经网络的系统学习：前向传播以及反向传播] 整体梳理神经网络涉及到的前向传播和反向传播（二） (15:00) 1-20 [神经网络的系统学习：前向传播以及反向传播] 讲解神经网络结构中的输入层，隐藏层，激活函数，输出层 (15:00) 1-21 [神经网络的系统学习：前向传播以及反向传播] 案例开发：讲解神经网络的工作流程 (15:00) 1-22 [神经网络的系统学习：前向传播以及反向传播] 案例：python代码实现三层神经网络，创建数据源，初始权重 (15:00) 1-23 [神经网络的系统学习：前向传播以及反向传播] 案例：python代码实现三层神经网络，实现前向传播 (15:00) 1-24 [神经网络的系统学习：前向传播以及反向传播] 案例：python代码实现三层神经网络，实现反向传播 (15:00) 1-25 [神经网络的系统学习：前向传播以及反向传播] 案例：通过梯度下降求导来不断更新权重值 (15:00) 1-26 [神经网络的系统学习：前向传播以及反向传播] 案例：通过不断更新的权重值来计算损失值 (15:00) 2-1 [卷积神经网络的讲解] 对神经网络应用的场合进行介绍 (15:00) 2-2 [卷积神经网络的讲解] 讲解通过GPU和CPU进行计算的区别 (15:00) 2-3 [卷积神经网络的讲解] 介绍卷积神经网络的结构 (15:00) 2-4 [卷积神经网络的讲解] 重点介绍卷积层的工作原理 (15:00) 2-5 [卷积神经网络的讲解] 卷积神经网络中涉及到的概念：添白，步长，过滤器大小 (15:00) 2-6 [卷积神经网络的讲解] 讲解池化层以及参数共享机制 (21:00) 2-7 [卷积神经网络的讲解] 整体对神经网络，卷积神经网络涉及到的知识点进行复习 (15:00) 2-8 [卷积神经网络的讲解] 整体对神经网络，卷积神经网络涉及到的知识点进行复习（二） (15:00) 2-9 [卷积神经网络的讲解] 整体对神经网络，卷积神经网络涉及到的知识点进行复习（三） (15:00) 2-10 [卷积神经网络的讲解] 通过卷积层和池化层进行特征的提取 (15:00) 2-11 [卷积神经网络的讲解] 卷积神经网络的反向传播 (15:00) 2-12 [卷积神经网络的讲解] 卷积层的反向传播的工作原理 (15:00) 2-13 [卷积神经网络的讲解] 池化层的反向传播的工作原理以及通过了解代码如何实现CNN (15:00) 2-14 [卷积神经网络的讲解] 池化层的反向传播的原理以及通过了解代码如何实现CNN（二） (20:16) 3-1 [递归神经网络：RNN以及LSTM网络结构] 先复习神经网络和卷积神经网络的结构以及特点 (15:00) 3-2 [递归神经网络：RNN以及LSTM网络结构] 讲解递归神经网络的使用场合 (15:00) 3-3 [递归神经网络：RNN以及LSTM网络结构] 学习RNN网络结构的原理 (15:00) 3-4 [递归神经网络：RNN以及LSTM网络结构] 讲解RNN网络结构的缺点以及引出LSTM网络结构 (15:00) 3-5 [递归神经网络：RNN以及LSTM网络结构] 学习LSTM网络结构的工作原理 (15:00) 3-6 [递归神经网络：RNN以及LSTM网络结构] 讲解LSTM网络结构的忘记门，输入门，输出门 (15:00) 3-7 [递归神经网络：RNN以及LSTM网络结构] 讲解LSTM网络结构的忘记门，输入门，输出门（二） (16:00) 4-1 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 讲解在实际应用中哪些情况是应用分类任务，哪些情况是应用回归 (15:00) 4-2 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 分析通过卷积神经网络完成分类任务的流程 (15:00) 4-3 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 通过fineturn的方式进行选择现有模型进行微调 (15:00) 4-4 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 讲解回归模块的存放位置 (15:00) 4-5 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 对输入的图像数据进行scale变换，生成多张图片再进行滑动 (15:00) 4-6 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 物体检测问题需要通过分类+回归共同完成 (15:00) 4-7 [讲解卷积神经网络实现分类，回归，物体检测的工作原理] 讲解R-CNN fast R-CNN fasterR-CNN (19:40)
