INFO8010 Deep Learning：ULiège春季学期深度学习课程核心内容概览

【免费下载链接】info8010-deep-learning Lectures for INFO8010 Deep Learning, ULiège 项目地址: https://gitcode.com/gh_mirrors/in/info8010-deep-learning

INFO8010 Deep Learning是ULiège春季学期开设的深度学习专业课程，系统涵盖从基础神经网络到前沿生成模型的完整知识体系。课程通过理论讲解、编程实践和案例分析，帮助学生掌握深度学习的核心原理与应用技能，适合人工智能、计算机科学等相关专业的学习者深入理解现代深度学习技术。

一、课程基础模块：神经网络与优化算法 🧠

1.1 多层感知机（MLP）基础架构

课程开篇从神经网络的基本单元——感知机入手，逐步构建多层感知机模型。通过可视化展示神经网络的层级结构与信息传递过程，帮助学生理解非线性变换在特征学习中的关键作用。

图：多层感知机(MLP)的基本结构，展示输入层、隐藏层与输出层的连接方式

1.2 优化技术与训练策略

深入讲解梯度下降 variants（SGD、Adam等）、学习率调度和权重初始化方法。课程特别强调批量归一化（Batch Normalization）和残差连接（Residual Connections）在解决深层网络训练难题中的应用，配合动态演示展示不同优化器的收敛特性。

二、计算机视觉专题：从卷积网络到目标检测 🔍

2.1 卷积神经网络（CNN）核心原理

详细解析卷积操作、池化层和特征提取机制，通过经典网络架构（LeNet、AlexNet、VGG）展示CNN的进化历程。课程提供可视化工具展示不同层级的特征图变化，帮助理解深度网络如何从原始像素中提取抽象视觉特征。

图：CNN各层特征提取过程，从低级边缘检测到高级语义特征

2.2 目标检测与图像分割

介绍Faster R-CNN、YOLO等主流目标检测算法，以及FCN、U-Net等图像分割模型。课程实践环节要求学生使用预训练模型进行迁移学习，完成从图像分类到语义分割的完整任务链。

三、序列模型与自然语言处理 📚

3.1 RNN与注意力机制

从循环神经网络（RNN）入手，讲解LSTM和GRU如何解决长期依赖问题。重点介绍Transformer架构中的自注意力机制，分析其在并行计算和长序列建模上的优势，为理解大型语言模型奠定基础。

3.2 大型语言模型应用

课程涵盖GPT等解码器架构的工作原理，探讨缩放定律（Scaling Laws）和上下文学习（In-Context Learning）现象。通过案例分析展示语言模型在文本生成、翻译和问答系统中的实际应用。

四、生成模型与前沿方向 🌟

4.1 变分自编码器（VAE）

讲解VAE的数学原理与潜在空间特性，通过实验对比标准自编码器与VAE的生成质量差异。课程提供交互式工具让学生探索潜在空间插值效果，直观理解生成模型的创造性能力。

图：变分自编码器(VAE)生成的人脸图像插值过程，展示潜在空间的连续性

4.2 扩散模型与生成应用

介绍扩散模型（Diffusion Models）的前向加噪与反向去噪过程，分析其在高分辨率图像生成中的优势。课程包含文本到图像生成的实践项目，让学生体验从文字描述创建视觉内容的完整流程。

五、课程资源与学习路径 📈

5.1 实践资源

• 课程讲义：pdf/目录下包含所有课程的PDF讲稿
• 代码示例：code/目录提供从基础神经网络到GPT实现的完整代码
• 作业与项目：homeworks/包含实践作业和项目要求

5.2 学习建议

课程推荐采用"理论-代码-应用"的三步学习法：先掌握数学原理，再通过Jupyter Notebook实现算法，最后结合实际数据集验证模型效果。对于进阶学习，可深入研究code/gpt/目录下的GPT系列实现，理解大型语言模型的工程化细节。

通过INFO8010课程的系统学习，学生将获得从深度学习基础到前沿应用的完整知识体系，为从事人工智能研究或开发工作奠定坚实基础。课程特别强调理论与实践的结合，所有教学资源均通过Git仓库开放获取，可通过以下命令克隆完整项目：

git clone https://gitcode.com/gh_mirrors/in/info8010-deep-learning

【免费下载链接】info8010-deep-learning Lectures for INFO8010 Deep Learning, ULiège 项目地址: https://gitcode.com/gh_mirrors/in/info8010-deep-learning