74集《面向机器人学习的神经网络》教程视频！深度学习开山鼻祖Hinton带你系统学习！

每周养码场干货放送日

第9期

晚 20:00

本周日，场主要和大家分享的干货是

Geoffrey Hinton

《面向机器学习的神经网络》

视频教程！

Geoffrey Hinton，可能未必所有人都听过。

但他创立的门派——深度学习，却无人不知，点开本文的高傲的你，也许就是、或者即将成为，他的徒孙。

Geoffrey Hinton，将反向传播BP用于多层神经网络、发明了玻尔兹曼机（Boltzmann machine），深度学习领域的开山祖师、三大巨头之首。

PS：另2位巨头是Yann LeCun和Yoshua Bengio，其中Yann LeCun是Facebook的人工智能研究总监，CNN（卷积神经网络）之父，同时也是Hinton的学生！

他还有几位学生：Brendan Frey 是 Deep Genomics 公司创始人和 CEO，Radford Neal 是 R 语言的 pqR 解释器作者，Ilya Sutskever 是 DNNresearch 的联合创始人。

本周，场主给大家推的《Neutral Network for Machine Learning》，是深度学习大神Hinton毕生所学之作，也是他目前唯一一门的公开课。

在这期视频中，你可以学到什么？

Hinton 在此课程中介绍了人工神经网络在语音识别和物体识别、图像分割、建模语言和人类运动等过程中的应用，及其在机器学习中发挥的作用。

本次视频中，Geoffrey Hinton在第一集就给大家介绍了：为什么要学习机器学习？

我们为什么需要机器学习？机器学习的用途广泛，在课程开篇中，Hinton结合不同场景为大家解释了这个问题。

视频部分展示：

+

+

……

视频学习引导提纲：

章节1:绪论：面向机器学习的神经网络

课时1为什么我们需要机器学习

课时2什么是神经元网络

课时3简单的神经元模型

课时4ANN的MNIST学习范例

课时5机器学习算法的三大类

章节2:感知器的学习过程

课时6神经网络架构介绍

课时7感知器

课时8感知器的几何空间解析

课时9感知器的原理透析

课时10 感知器的局限性

章节3:线性/逻辑神经网络和反向传播

课时11线性神经元的权值收敛

课时12线性神经元误差曲面分析

课时13逻辑神经元的学习规则

课时14反向传播算法解析（一）

课时15反向传播算法解析（二）

章节4:学习特征词向量

课时16 学习预测词

课时17初识神经认知学

课时18Softmax输出函数

课时19语音识别模型

章节5:用神经网络进行物体识别

课时20视觉识别的难点

课时21如何达到视觉不变性

课时22应用于数字识别的卷积网络

章节6:模型优化：如何加快学习

课时23小批量梯度下降法概览

课时24小批量梯度下降法的一些技巧

课时25动量方法

课时26针对网络中每个连接的自适应学习步长

课时27Rmsprop算法12:00

章节7: 循环神经网络RNN（一）

课时28序列模型概述

课时29用反向传播训练RNNs

课时30训练RNN的一个例子

课时31训练RNN的难点

课时32LSTM网络

章节8:循环神经网络（二）

课时33用乘法连接进行字符串建模

课时34用HF方法学习预测

课时35Echo State Networks

章节9:提高神经网络模型的泛化能力

课时36提高泛化能力概述

课时37限制权重带大小

课时38正则化防止过拟合

课时39完全贝叶斯方法介绍

课时40权值衰减的贝叶斯解释

课时41MacKay的确定权值惩罚项的方法

章节10:结合多重神经网络提高泛化能力

课时42在做预测时为什么要结合多个模型

课时43多专家模型

课时44完全贝叶斯方法

课时45完全贝叶斯方法的实际应用

课时46Dropout

章节11:Hopfield网络和玻尔兹曼机

课时47Hopfield网络

课时48Dealing with spurious minima

课时49具有隐藏单元的Hopfield网络

课时50

Using stochastic units to improv search

课时51玻尔兹曼机

章节12:限制玻尔兹曼机

课时52玻尔兹曼机器学习

课时53More efficient ways to get the statistics

课时54限制玻尔兹曼机

课时55RBM学习案例

课时56用于协同过滤的RBM

章节13:深度置信网络

课时57反向传播算法的历史发展

课时58置信网络

课时59wake-sleep算法

章节14: 生成预训练的深度神经网络

课时60通过堆叠RBM进行功能层学习

课时61DBNs的判定性学习

课时62判定性微调期间会发生什么？

课时63用RBM建模实值数据

课时64RBM是无限的S形信任网

章节15:神经网络的模型分层结构

课时65从PCA到自动编码器

课时66深度自动编码器

课时67深度自动编码器，用于文档检索

课时68散列语义

课时69学习用于图像检索的二进制码

章节16:深度神经网络的应用

课时70图像和字幕的联合模型学习

课时71分层坐标框架

课时72超参数的贝叶斯优化