<h1>恭喜！🎉 </h1>
<p style="color:#637381;">干得好！课程已完成！</p>

要继续，请输入您的详细信息以登录。

我们已将一个6位数的验证码发送至 #MAIL_ADDRESS#\n请检查您的收件箱或垃圾邮件，并在下方输入验证码以继续。

验证码已发送

感谢您的付款。现在您只需点击下面的按钮即可访问 {collectionName}。

继续课程

解锁此独家课程

您的电子邮件地址目前似乎不在授权访问列表中。请确保您使用的是受邀的电子邮件地址，或联系内容所有者寻求帮助。

访问需要验证

7.1 神经网络简介

章节介绍视频

授课视频 7.1

学习成果

深入探索：MNIST 数据库

什么是神经网络？

深入探索：TensorFlow

神经元、权重、偏置和激活函数

激活函数的类型

示例 7.1

感知机

示例 7.2

构建一个简单的神经网络

7.2 反向传播

授课视频 7.2

深入探索：反向传播

静态反向传播

误差与损失

示例 7.3

梯度下降与反向传播

在 Python 中使用 TensorFlow 通过反向传播训练神经网络

循环神经网络

展开 RNN

梯度消失/爆炸问题

长短期记忆网络

Python 中的 RNN

7.3 深度学习简介

授课视频 7.3

多层神经网络

损失函数及其在训练神经网络中的作用

示例 7.4

示例：使用深度学习对手写数字进行分类

7.4 卷积神经网络

讲座视频 7.4

学习目标

卷积神经网络的组成部分

特征图

使用 CNN 进行图像分析

7.5 自然语言处理

NLP 简史

生成艺术中的 NLP

视频编辑与字幕制作

计算机编程

语音识别与文本转语音

NLP 和 LLM 的未来方向

ChatGPT 与使用 NLP 的伦理考量

对艺术家及其知识产权的保护

披露与署名

NLP 的局限性

深入探索：AI 中的偏见与伦理

AI 的恶意用途

讲座视频 7.5

知识复习

知识自测：什么是神经网络？

知识自测：神经元、权重、偏置和激活函数

知识自测：激活函数的类型

知识自测：感知机

知识自测：静态反向传播

知识自测：误差与损失

知识自测：梯度下降与反向传播

知识自测：循环神经网络

知识检查：梯度消失/爆炸问题

知识检查：长短期记忆网络

知识检查：多层神经网络

知识检查：卷积神经网络的组成部分

知识自测：使用 CNN 进行图像分析

知识自测：NLP 简史

知识自测：ChatGPT 以及使用 NLP 的伦理考量

知识自测：深入探索，AI 中的偏见与伦理

欢迎来到“深度学习与人工智能基础”课程，这是您进入迷人现代人工智能世界的全面入口。在当今飞速发展的技术格局中，理解人工智能背后的机制已不再仅仅是研究人员的专利，它已成为开发人员、数据科学家和具有前瞻性的技术爱好者的必备技能。

欢迎来到“深度学习与人工智能基础”课程，这是您进入迷人现代人工智能世界的全面入口。在当今飞速发展的技术格局中，理解人工智能背后的机制已不再仅仅是研究人员的专利，它已成为开发人员、数据科学家和具有前瞻性的技术爱好者的必备技能。本课程将揭开驱动当今最先进应用（从图像识别系统到像 ChatGPT 这样的对话代理）的复杂算法的神秘面纱。

我们将从零开始，探索神经网络的基础构建模块，包括神经元、权重、偏置和激活函数。您将获得构建简单网络并理解其背后数学原理（如感知器和梯度下降）的实战经验。随着课程的推进，我们将深入研究反向传播，学习如何使用 Python 和 TensorFlow 有效地训练模型。

旅程将继续深入到专门的架构中。您将揭开循环神经网络 (RNN) 和长短期记忆 (LSTM) 网络的秘密，解决梯度消失等挑战。我们还将探索用于高级图像分析和特征映射的卷积神经网络 (CNN)。最后，我们将领略自然语言处理 (NLP) 这一变革性领域，讨论其历史、在生成艺术和编程中的应用，以及围绕人工智能的关键伦理考量，包括偏见、知识产权和恶意使用。无论您是寻求职业转型还是深化现有知识，本课程都将为您提供在深度学习领域脱颖而出所需的理论基础和实践技能。

第 9 章：深度学习与人工智能基础

<div class="simple-box-wrapper">
    <div class="simple-box">
        <div class="column">
            <p>Artificial Intelligence and Deep Learning are fundamentally reshaping the technological landscape, driving innovations that range from autonomous systems to advanced predictive analytics. This comprehensive course is designed to demystify the underlying mechanics of these powerful technologies, providing a rigorous exploration of their foundational concepts. The journey begins with the core building blocks of artificial neural networks, examining how neurons, weights, biases, and various activation functions work together to process information. From there, the curriculum delves into the critical mechanisms of machine learning, specifically focusing on backpropagation, gradient descent, and the calculation of error and loss. By utilizing industry-standard tools like Python and TensorFlow, learners will transition from theoretical understanding to practical application, ultimately building and training their own simple neural networks to tackle classic challenges such as classifying the MNIST database of handwritten numerals.</p>

<p>Building upon these core principles, the course expands into specialized deep learning architectures that power today's most sophisticated AI applications. Participants will explore Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) networks to understand how AI handles sequential data, while also addressing common training hurdles like the vanishing and exploding gradient problems. The curriculum then shifts to visual and linguistic domains, introducing Convolutional Neural Networks (CNNs) for complex image analysis and feature mapping. Finally, a deep dive into Natural Language Processing (NLP) reveals the mechanics behind modern Large Language Models (LLMs) like ChatGPT, speech recognition, and generative art. Crucially, this technical exploration is paired with a thorough examination of AI ethics, addressing the limitations of NLP, intellectual property protections for artists, algorithmic bias, and the potential malicious uses of artificial intelligence. Through a blend of theoretical modules, practical Python examples, and comprehensive quizzes, this course equips learners with both the technical proficiency and ethical awareness required to navigate the future of AI.</p>
        </div>
    </div>
</div>
