课程介绍
深度网络彻底改变了计算机视觉技术、语言技术和机器人技术，给科研和工程实践带来了深远的影响。那么，如何对深度网络开展研究与应用呢？用 AI 领域的大佬 Yann Lecun 的话来说，这个过程『需要直觉洞察、理论建模、动手落地、实证研究和科学分析之间的相互作用』。Berkeley课程 CSW182/282A 也将遵照这个范式进行教学和作业设计。
CSW182/282A 是全球顶校 UC Berkeley 开设的 AI 专项课程，课程以深度学习的典型方法、模型设计、可视化与模型理解为主题，讲解了自然语言处理、计算机视觉、强化学习等领域的AI模型全域知识。学生将学习设计原则和最佳实践，可视化与理解深度网络。并通过可视化工具探索深度网络的训练和使用方法。
课程讲师 Sergey Levine，加州大学伯克利分校副教授，任职于电气工程和计算机科学系。专注于使自主代理通过学习获得复杂行为的算法研究，特别聚焦于『使任何自主系统学习解决任何任务』的通用方法探索——例如我们常见的机器人技术，以及一系列需要自主决策的其他领域。
课程主题
课程官网发布了课程主题，ShowMeAI 对其进行了整理翻译。
- Lecture 1: Introduction（介绍）
- Lecture 2: ML Basics 1（机器学习基础 1）
- Lecture 3: ML Basics 2（机器学习基础 2）
- Lecture 4: Optimization（优化）
- Lecture 5: Backpropagation（反向传播）
- Lecture 6: Convolutional Nets（卷积神经网络）
- Lecture 7: Getting Neural Nets to Train（初始化、批量归一化）
- Lecture 8: Computer Vision（计算机视觉）
- Lecture 9: Generating Images from CNNs（可视化和风格迁移）
- Lecture 10: Recurrent Neural Networks（循环神经网络）
- Lecture 11: Sequence To Sequence Models（序列到序列）
- Lecture 12: Transformers（Transformers）
- Lecture 13: Applications: NLP（NLP应用）
- Lecture 14: Learning-Based Control & Imitation（模仿学习）
- Lecture 15: Reinforcement Learning（强化学习-梯度策略）
- Lecture 16: Q-Learning（Actor Critic和 Q 学习）
- Lecture 17: Autoencoders & Latent Variable Models（生成模型）
- Lecture 18: Variational Autoencoders & Invertible Models（变分自编码器&可逆模型）
- Lecture 19: Generative Adversarial Networks（GAN生成对抗网络）
- Lecture 20: Adversarial Examples（对抗样本与攻击）
课程资料 | 下载
 |
扫描上方图片二维码，关注公众号并回复关键字 🎯『CSW182』，就可以获取整理完整的资料合辑啦！当然也可以点击 🎯 这里 查看更多课程的资料获取方式！
CSW182 课程由深度学习核心内容讲解、4次编程作业、2次期中测试和1个大项目构成，并公开了相关资料。ShowMeAI 对课程资料进行了梳理，整理成这份完备且清晰的资料包：
- 📚 课件。PDF文件。覆盖Lecture 1~21所有章节。
- 📚 作业。数据文件和.ipynb文件。覆盖Homework 1~4所有内容。
- 📚 讨论与解答。 Discussion和Solution，共12组文档，覆盖学习过程的问与答。
课程视频 | B站
ShowMeAI 将视频上传至B站，并增加了中英双语字幕，以提供更加友好的学习体验。点击页面视频，可以进行预览。推荐前往 👆 B站 观看完整课程视频哦！
本门课程，ShowMeAI 将部分章节进行了切分，按照主题形成更短小的视频片段，便于按照标题进行更快速的检索。切分后的视频清单列写在这里：
| 课时编号 | 课时内容 |
|---|---|
| 第1讲 | 介绍 |
| 第2讲 | 机器学习基础 |
| 第3讲 | 错误分析 |
| 第4讲 | 优化 |
| 第5讲 | 反向传播 |
| 第6讲 | 卷积神经网络 |
| 第7讲 | 初始化、批量归一化 |
| 第8讲 | 计算机视觉 |
| 第9讲 | 可视化和风格迁移 |
| 第10讲 | 循环神经网络 |
| 第11讲 | 序列到序列 |
| 第12讲 | Transformers |
| 第13讲 | NLP应用 |
| 第14讲 | 模仿学习 |
| 第15讲 | 梯度策略 |
| 第16讲 | Actor Critic和 Q 学习 |
| 第17讲 | 生成模型 |
| 第18讲 | 潜在变量模型 |
| 第19讲 | GAN |
| 第20讲 | 对抗样本与攻击 |
| 第21讲 | 元学习 |
学习建议
课程学习具有以下知识基础：
- 微积分和线性代数的知识。
- 概率和统计。课程涉及连续和离散的概率分布。
- 机器学习
- 编程，作业将主要使用Python。
更多技术与课程清单 | 点击查看详细课程
