资源介绍
视频数量：57个
总时长：2小时4分
课程介绍：
Python深度学习实战：神经网络入门指南
你有没有想过，手机是怎么认出你的脸的，翻译软件又是怎么理解不同语言的？这些看似神奇的功能，背后都藏着一个共同的技术——深度学习。简单来说，深度学习就是让计算机像人脑一样学习和思考，而实现这个目标的核心工具，就是神经网络。
这门课会带你从零开始，真正搞懂神经网络是怎么工作的。不是那种看完了还是一头雾水的理论讲解，而是让你亲手敲代码，亲眼看到模型是怎么学习、怎么预测的。整个课程只有两小时，内容却把深度学习的核心知识讲得很透彻，从最基础的概念出发，一直讲到用CNN识别手写数字。57个视频，每个都干货满满，没有废话。
课程一开始，会把几个基础概念讲清楚。什么是深度学习，为什么这几年突然火起来了，学这个能解决什么问题。然后直接切入神经网络的核心——神经元。你会了解到大脑里的神经元是怎么工作的，人工神经元又是怎么模拟这个过程的。前馈网络和反向传播这两个关键机制，会通过具体的例子让你理解，信息是怎么在网络里流动的，又是怎么调整参数让预测越来越准的。
掌握了基本原理之后，课程会带你认识各种不同的网络架构。单层感知器虽然简单，却是理解神经网络的好起点。径向基网络、多层感知器、循环神经网络RNN、长短期记忆网络LSTM，这些名字听起来高大上，但课程会把你最核心的原理讲明白。还会介绍Hopfield网络和玻尔兹曼机，这些在神经网络发展史上很重要的模型，帮助你建立完整的知识体系。
接下来是一个特别实用的部分——激活函数。sigmoid、tanh、softmax、ReLU、Leaky ReLU，这些名字你肯定见过，但到底什么时候该用哪个，它们的优缺点是什么，这个部分会讲得明明白白。激活函数决定了神经元什么时候该“放电”，选对了函数，模型才能学得又快又好。
梯度下降和随机梯度下降是训练神经网络的核心算法。课程会从最基础的概念开始，告诉你模型是怎么一步步找到最优参数的。这部分内容比较偏理论，但特别重要，理解了它，你才能真正明白神经网络为什么能学习。
学完ANN的实现部分，你就真正入门了。课程会带你用Keras库搭建一个完整的人工神经网络。从探索数据集开始，做数据预处理，处理分类变量，用标签编码和独热编码把数据变成模型能看懂的样子。然后拆分训练集和测试集，做特征缩放。接着一步一步添加网络层——输入层、隐藏层、输出层，编译模型，拟合数据，最后做预测。每一个步骤都有代码演示，跟着敲一遍，你就掌握了一个完整的项目流程。
后半部分的CNN卷积神经网络，是现在最火的深度学习技术之一。课程会先讲清楚卷积层、池化层、全连接层这些核心组件是怎么工作的，然后用MNIST手写数字数据集做实战项目。MNIST数据集是机器学习领域的“Hello World”，包含大量手写的0到9数字图片，每张图片都是28乘28像素的灰度图。通过这个项目，你会亲手搭建一个CNN模型，训练它识别手写数字，看到模型能达到多高的准确率。
整门课学下来，你会对神经网络有一个系统的认识。不只是知道它是什么，更要知道它为什么有效、怎么实现。课程配套提供了完整的代码文件和课件，方便你在学习的过程中对照着练习。适合有一定Python基础、想入门深度学习的同学，或者学过一些机器学习但对神经网络还是模模糊糊的人。两小时的课程内容紧凑不拖沓，把该讲的重点都讲到了，学完以后你就能自己动手做深度学习项目了。