《深度学习》教学大纲
一、课程地位与课程目标
（一）课程地位
《深度学习》是信息与计算科学、数学与应用数学专业的数据科学与技术方向的专业选修课程，主要讲述经典的神经网络和目前流行的卷积神经网络的相关理论、算法及应用。通过本课程的学习，使学生系统地掌握深度学习的基本内容与方法，了解神经网络和深度学习的主要应用领域，提高学生的分析问题、解决问题的能力，并用计算机语言编程实现，加强数学与信息科学的交叉，拓展自己的知识结构。
神经网络中正则化是为了干什么
（二）课程目标
1. 掌握深度学习的基本内容与方法，了解神经网络和深度学习的主要应用领域。
2. 加强数学理论与信息科学的交叉。
3. 加强深度学习的实践与锻炼，具备计算机编程实现能力。
4. 拓展知识结构，提升解决问题的能力。
二、课程目标达成的途径与方法
以课堂教学为主，上机实践为辅，结合学生自学、课堂讨论、课外作业、上机设计实验等
三、课程目标与相关毕业要求的对应关系
四、课程主要内容与基本要求
第一章绪论
【教学内容】学习神经网络的目的；神经网络发展历史；神经网络应用。
【基本要求】了解神经网络产生的背景及发展的历史；了解神经网络在各学科中的应用；了解学
习本课程的目的和任务。
第二章人工神经网络建模基础
【教学内容】神经元数学模型；神经网络模型与结构。
【基本要求】熟悉神经元数学模型；熟悉神经网络的模型和网络结构。
第三章感知器神经网络
【教学内容】单层感知器模型、多层感知器、自适应线性单元、误差反向传播算法。
【基本要求】熟练掌握单层感知器模型、自适应线性单元、误差反向传播算法；了解多层感知器。
第四章自组织竞争神经网络
【教学内容】竞争学习概念与原理、自组织特征映射神经网络
【基本要求】熟练掌握竞争学习概念与原理，掌握自组织特征映射神经网络，熟悉自组织特征映射神经网络的应用。
第五章径向基函数神经网络
【教学内容】径向基函数网络、正则化理论和正则化RBF网络及其应用。
【基本要求】熟练掌握径向基函数网络、正则化RBF网络，熟悉RBF的应用。
第六章支持向量机
【教学内容】支持向量机、非线性支持向量机及其应用。
【基本要求】熟练掌握支持向量机、非线性支持向量机，熟悉支持向量机、非线性支持向量机的应用。
第七章深度学习
【教学内容】深度学习的模型和算法操作。
【基本要求】熟练掌握深度学习的模型和算法操作。
五、课程学时安排
六、实践环节及基本要求
七、考核方式及成绩评定
八、推荐教材与主要参考书
（一）推荐教材：
1. 《人工神经网络教程》，韩力，北京邮电大学出版社，2006年12月。
2. 《深度学习-Caffe之经典模型详解与实战》，乐毅，电子工业出版社，2016年10月。
（二）主要参考书：
1.《深度学习：原理与应用实践》，张重生著，电子工业出版社，2016年12月。
2.《神经网络设计》，Martin T. Hagan 等著（戴葵等译），机械工业出版社，2002。
3.《深度学习：21天实战Caffe》，赵永科著，电子工业出版社，2016年06月。
4.《深度学习与计算机视觉：算法原理、框架应用与代码实现》，叶韵编著，机械工业出版社，2022年6月。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。