深度学习

　　深度学习Deep Learning

　　深度学习是机器学习的一个子领域，应用深度神经网络来表示和预测复杂的数据。深度学习最近在图像识别和人工智能等几个领域掀起了一场革命，目前在金融行业也获得了关注。该课程将首先介绍多层神经网络，并解释其普遍逼近性质。随后，继续进行神经网络的研究，从神经网络的梯度推导和通过反向传播对其进行评估开始，最后是随机梯度下降和相关的现代优化方法。课程还阐述了在训练中避免过拟合的方法。课程其余部分重点介绍了使用Keras和TensorFlow进行深度神经网络的实际实现和训练，并举例说明计算和统计金融。时间允许的话，循环神经网络也会被介绍。

　　课程内容：

　　深度学习课程从神经科学和统计学中汲取灵感，介绍了神经网络、反向传播、玻尔兹曼机、自编码器、卷积神经网络和循环神经网络的基本背景。课程说明了深度学习如何影响我们对智能的理解，并对智能机器的实际设计做出贡献。

　　深度学习课程涵盖的主题：

　　1、线性预测

　　2、最大似然

　　3、正则化，基函数和交叉验证

　　4、优化

　　5、逻辑回归

　　6、前馈神经网络

　　7、反向传播

　　8、卷积神经网络

　　9、最大边际学习和连体网络

　　10、玻尔兹曼机与对数双线性模型

　　11、自编码器

　　12、亥姆霍兹机器和模拟学习

　　13、循环神经网络和LSTMs

　　14、用直接策略搜索强化学习

　　15、用行动价值功能强化学习

　　学习成果：

　　结束课程学习后，学生通常能够：

　　1、理解什么是学习，以及为什么学习对智能机器的设计至关重要。

　　2、知道如何将模型与数据相匹配。

　　3、在学习的背景下理解数值计算，统计和优化。

　　4、很好地理解处理非常小和非常大的数据集时出现的问题，以及如何解决这些问题。

　　5、理解构建新机器学习解决方案所需的基本数学知识。

　　6、在实际应用中设计和实现各种机器学习算法。

　　7、了解深度学习的背景，能够实现语言、视觉、语音、决策等深度学习模型。