此模块是人工智能学习的理论教程集合，包括课程详解和代码示例，帮助学习者从入门到精通神经网络的原理，并通过一系列代码实践讲原理应用于实际问题的解决。
Windows 10。
1.Git client，用于clone代码，进入链接后点击右侧下载即可。
2.Python 3.6+ without conda，进入链接后选择相应版本下载即可，记得在安装时将Python加入环境变量。
3.VS Code，进入链接后选择相应版本下载即可。下载后需安装Markdown all in one插件，方法是打开VS Code，选择左边栏“扩展”或按快捷键Ctrl+Shift+X，并搜索Markdown all in one插件，下载安装即可。
本模块包含下列课程：
包括相关数学原理的介绍和python语言的介绍，以及示例演示。帮助学习者夯实基础，为神经网络原理的学习打下基础。
神经网络简明原理教程，也称 9步学习法，从神经网络基础结构开始，由浅入深，配合代码实践，帮助学习者学习并掌握神经网络的核心内容。
该教程的配套新书出版！
目前在各大网店都可以买到。全书400多页，全彩印刷，由高等教育出版社出版，是下面所述的“神经网络基本原理教程”的印刷版。
本部分包含三个学习路径：
2.1 神经网络初探
- 适用人群：希望了解最基本的神经网络知识，有一定代码能力。
- 内容：神经网络基础知识，线性回归、线性分类。
- 先修知识：微分知识和线性代数;Python
- 学习时长：6~8小时
- 学习目标：理解神经网络基础概念。
神经网络初探学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 第一步：神经网络概论与基本概念 | 神经网络基本工作原理；反向传播；梯度下降；损失函数 | 必选 |
| 2 | 第二步：线性回归 | 单入单出的单层神经网络；多入单出的单层神经网络 | 必选 |
| 3 | 第三步：线性分类 | 多入单出的单层神经网路；多入单出的单层神经网路 | 必选 |
2.2 神经网络进阶
- 适用人群：具有一定的神经网络学习基础和代码能力的学习者。
- 内容：非线性回归，非线性分类，模型推理。
- 先修知识：微分知识和线性代数;Python
- 学习时长：8~12 小时
- 学习目标：更好地理解并使用现有神经网络框架。
神经网络进阶学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 第四步：非线性回归 | 激活函数；单入单出的双层神经网络 | 必选 |
| 2 | 第五步：非线性分类 | 多入单出的双层神经网络；多入多出的双层神经网络；多入多出的三层神经网络 | 必选 |
| 3 | 第六步：模型的推理与部署 | 模型文件概述；ONNX模型文件；Windows中模型的部署 | 必选 |
2.3 深度网络基础
- 适用人群：有较好的神经网络理论基础，想通过学习深度网络进行更多地扩展性研究或者开发。
- 内容：DNN，CNN，RNN。
- 先修知识：微分知识和线性代数;Python
- 学习时长：16~24 小时
- 学习目标：有能力快速学习最新出现的各种神经网络的扩展或者变型，或进行前沿性研究。
深度网络基础学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 第七步：深度神经网络 | 搭建深度神经网络框架；网络优化；正则化 | 必选 |
| 2 | 第八步：卷积神经网络 | 卷积神经网络原理；卷积神经网络应用 | 必选 |
| 3 | 第九步：循环神经网络 | 普通循环神经网络；高级循环神经网络 | 必选 |
-
反馈
如果您对本模块内容有任何反馈，欢迎在 GitHub Issues 模块中留言，我们会积极了解您的反馈，并尽量满足您的要求。
-
贡献
如果您想向本模块提供任何有价值的教程内容，请 fork 本仓库到您自己的账号，编辑内容并提交 Pull Request，我们会及时审阅并处理。
欢迎向本模块贡献有价值的内容。