本文是2016 台湾资料科学年会前导课程“一天搞懂深度学习”的全部讲义PPT（共268页），由台湾大学电机工程学助理教授李宏毅主讲。作者在文中分四个部分对神经网络的原理、目前存在形态以及未来的发展进行了介绍。深度学习的每一个核心概念在文中都有相关案例进行呈现，通俗易懂。一天的时间搞懂深度学习？其实并不是没有可能。
深度学习 ( Deep Learning ) 是机器学习 ( Machine Learning ) 中近年来备受重视的一支，深度学习根源于类神经网络 ( Artificial Neural Network ) 模型，但今日深度学习的技术和它的前身已截然不同，目前最好的语音识别和影像辨识系统都是以深度学习技术来完成，你可能在很多不同的场合听过各种用深度学习做出的惊人应用 ( 例如：最近红遍大街小巷的 AlphaGo )，听完以后觉得心痒痒的，想要赶快使用这项强大的技术，却不知要从何下手学习，那这门课就是你所需要的。（关于深度学习的概述教程可见：http://www.cnblogs.com/liuyihai/p/8321299.html）
以下是课程大纲：
深度学习的技术表面上看起来五花八门，但其实就是三个步骤：设定好类神经网络架构、订出学习目标、开始学习，这堂课会简介如何使用深度学习的工具 Keras，它可以帮助你在十分钟内完成深度学习的程序。另外，有人说深度学习很厉害、有各种吹捧，也有人说深度学习只是个噱头，到底深度学习和其他的机器学习方法有什么不同呢？这堂课要剖析深度学习和其它机器学习方法相比潜在的优势。
虽然现在深度学习的工具满街都是，想要写一个深度学习程序只是举手之劳，但要得到好的成果可不简单，训练过程中各种枝枝节节的小技巧才是成功的关键。本课程中将分享深度学习的实作技巧及实战经验。
这段课程要讲解卷积神经网络CNN和递归式类神经网络 RNN。
深度学习可以拿来做甚么？怎么用深度学习做语音识别？怎么用深度学习做问答系统？接下来深度学习的研究者们在意的是什么样的问题呢？
下面是课程全部PPT：
深度学习吸引了很大的关注：我相信，你之前肯定见到过很多激动人心的结果。图中是谷歌内部深度学习技术的使用趋势，可以看到从2015年第二季度开始，使用量呈直线上升。本讲义聚焦深度学习基础技术。
大纲：
报告第一部分：介绍深度学习
报告第二部分：关于训练深度神经网络的一些建议
报告第三部分：各种各样的神经网络
报告第四部分：下一股浪潮
深度学习有3步：神经网络架构--学习目标--学习。
这三个步骤都是以数据为基础的。
第3步：选择最佳的功能函数。
从原理上说，深度学习非常简单。
从函数的角度理解深度学习：第一步，是一个函数集；第二步，定义函数的拟合度；第三部，选择最佳函数。
人类大脑的构成
神经网络：神经元
激活函数的工作原理
不同的连接会导致不同的网络结构
完全连接的反向网络：S型网络
极深网络：从8层到19层，一直到152层。
全连接的反向网络：矩阵系统
输出层（选择）
问题：
下图中，总共有多少层？每一层有多少个神经元？
结构能自动决定吗？
第二步：学习目标，定义函数拟合度。
例子：识别“2”
训练数据：
准备训练数据：图像和相应的标签
学习目标
损失：一个好的函数应该让所有例子中的损失降到最小。
全局损失
第三步：学习！选择最佳函数。
如何选择最佳函数
梯度下降
梯度下降：综合多个参数考虑的时候，你发现什么问题了吗？
局部最小值：梯度下降从来不会保证可以获得全局最小值
反向传播
可以做什么？
篇幅有限，PPT全文链接：https://pan.baidu.com/s/1mj18GrQ 密码：联系liuyihai@126.com,只作学习使用
