- 1.Introduction__Phil_Blunsom
- 2.Deep_Neural_Networks__Wang_Ling
- 3.Word_Level_Semantics__Ed_Grefenstette
- 4.Overview_of_the_Practicals__Chris_Dyer
- 5.Language_Modelling_and_RNNs_Part_1__Phil_Blunsom
- 6.Language_Modelling_and_RNNs_Part_2__Phil_Blunsom
- 7.Text_Classification__Karl_Moritz_Hermann
- 8.Deep_NLP_on_Nvidia_GPUs__Jeremy_Appleyard
- 9.Conditional_Language_Models__Chris_Dyer
- 10.Generating_Language_with_Attention__Chris_Dyer
- 11.Speech_Recognition_ASR__Andrew_Senior
- 12.Text_to_Speech_TTS__Andrew_Senior
- 13.Question_Answering__Karl_Moritz_Hermann
- 14.Memory__Ed_Grefenstette
- 15.Linguistic_Knowledge_in_Neural_Networks
李宏毅2020机器学习与深度学习课程全面解析
内容简介：
国立台湾大学李宏毅教授主讲的《2020机器学习深度学习课程》，是华人领域最具影响力的AI教育品牌之一。本课程以"从理论到实践"为核心特色，完整覆盖监督学习、无监督学习、强化学习等前沿技术框架，特别适合具备Python基础的开发者进阶学习。
课程创新性地采用"案例驱动"教学法，15个实践作业涵盖PyTorch框架应用、对抗攻击、网络压缩等工业级场景。主讲人李宏毅教授作为MIT CSAIL访问学者，将语音识别、计算机视觉等研究成果转化为教学案例，如用生成对抗网络(GAN)实现二次元人物生成等趣味项目。
与其他公开课相比，本课程的最大亮点是"终身学习(Life-long Learning)"模块设计，通过Domain Adversarial Learning等新技术，解决传统机器学习模型无法持续进化的痛点。课程配套的Colab代码模板和Facebook学习社群，使学习者能快速复现AlphaGo、自动驾驶等前沿应用。
课程核心价值
- 前沿技术覆盖：包含元学习、可解释AI等2020年最新研究成果
- 工业级实践：15个作业均提供完整PyTorch实现范例
- 终身学习体系：Task1→TaskN的渐进式能力培养架构
课程大纲
基础模块（第1-5周）
- 机器学习三要素：函数假设、损失函数、优化算法
- 深度神经网络训练技巧与梯度消失解决方案
- 卷积神经网络(CNN)在图像识别的核心应用
进阶模块（第6-10周）
- 序列建模：RNN/LSTM在语音识别的实战
- 生成对抗网络(GAN)的创造性应用
- 对抗攻击(Adversarial Attack)防御策略
高阶模块（第11-15周）
- 元学习(Meta Learning)与少样本学习
- 网络压缩(Network Compression)技术
- 领域自适应(Domain Adaptation)方法论
学习成效
完成课程后将掌握：1）使用PyTorch实现主流深度学习算法 2）解决类别不平衡、模型过拟合等实际问题 3）构建可终生优化的智能系统。课程作业已成功帮助学员斩获Kaggle竞赛奖项，部分优秀作品被ICML等顶会收录。
