130
个编辑
更改
跳到导航
跳到搜索
第201行：
第201行： + + + + + + + + + + + + + + + + + + + + + +
无编辑摘要
=== 课程推荐 ===
=== 课程推荐 ===
[https://campus.swarma.org/course/1391 神经网络（Neural Network）]
[https://campus.swarma.org/course/1391 神经网络（Neural Network）]
从一个历史发展的角度去看待神经网络，从 1943 年最早提出的感知机模型讲起，分析其局限性，说明引入多层神经网络的必要性，以及经典的 BP 算法。最后从一个实际案例出发，讲解真实场景下，用人工神经网络做预测时，会用到的问题和处理方法。
[https://campus.swarma.org/course/956 深度学习原理与PyTorch实战]
此系列课程主要围绕集智俱乐部众包写作的书籍《深度学习原理与 PyTorch 实战》展开，兼具理论与实践，是想要掌握一门深度学习技术不可错过的课程。课程中不仅循序渐进地讲解了PyTorch的基本使用、神经网络的搭建、卷积神经网络和循环神经网络的实现，而且全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗学习和深度强化学习等前沿技术。
=== 书籍推荐 ===
[https://www.manning.com/books/deep-learning-with-pytorch 《Deep Learning with PyTorch》]
本书聚焦于 PyTorch 框架下的深度学习实现，配合实例手把手构建前馈网络、卷积网络等，是初学者与实战者过渡的重要桥梁。内容注重实操与解释，适合工程开发背景的读者。
[https://www.deeplearningbook.org/ 《Deep Learning》]
本书涵盖前馈神经网络的结构、训练、正则化、优化等内容，适合研究人员与高级开发者。
[https://www.pearson.com/en-us/subject-catalog/p/neural-networks-and-learning-machines/P200000000638/9780131471399 《Neural Networks and Learning Machines》（3rd Edition）]
系统介绍神经网络的各类模型与学习算法，前馈神经网络及其反向传播部分尤为经典，适合对数学推导与理论有较高要求的学习者。