README.md

深度学习

如果已经学过前面机器学习相关的内容，很好，因为这些内容对理解深度学习将会非常有帮助。 本质上来讲，深度学习是机器学习的一个子领域。 更狭隘一点讲，深度学习是基于机器学习里的神经网络、后向传播（Backpropagation）等原理。

这部分内容主要是基于Andrew Ng在Coursera上的《Deep Learning》、Ian Goodfellow《Deep Learning》（花书），也参考了周志华的《机器学习》和网络资源（Wikipedia、GitHub等）。 同时，为避免重复，深度学习这部分将略去在前面机器学习里已经介绍过的内容。

计划的内容划分：

1. 深度学习基础
2. 深度神经网络调参和优化
   1. 深度学习的实践层面
   2. 深度学习优化算法
   3. 超参数调试、批量正则化和程序框架
3. 深度学习的工程实践
   1. 机器学习策略（1）
   2. 机器学习策略（2）
4. 卷积神经网络（CNN）
   1. 卷积神经网络
   2. 深度卷积网络：实例探究
   3. 目标检测
   4. 特殊应用：人脸识别和神经风格转换
5. 序列模型（RNN、LSTM）
   1. 循环序列模型（RNN）
   2. 自然语言处理与词嵌入
   3. 序列模型和注意力机制
6. 进阶讨论（待补充）