英国神经计算CS331Neural Computing课程介绍

神经计算

CS331

Neural Computing

学习目标

课程内容：

本课程将介绍神经网络的理论和实现，并介绍重要的计算神经网络架构和方法。课程旨在为学生提供足够的知识，以便从事与神经网络相关的职业或进一步的学习。

课程大纲：

1、简介：什么是神经网络；人工智能和神经计算；三种学习范式；迁移学习；前期：从零开始制作自己的神经网络：所需工具；演示：创建实时图像分类的神经网络。

2、生物神经网络：生物神经元的结构和功能；动作电位；突触传递；神经网络和深度学习的简史；生物神经网络和人工神经网络的比较；人工神经网络的基本原理；不同类型的神经网络。

3、单层感知器：麦卡洛克-皮茨神经元；感知器的定义；权重、偏差、节点、激活函数；感知器案例研究：数字识别；模仿逻辑运算（与、或、非）；XOR线性不可分离问题；感知器学习规则；演示：使用MATLAB实现MP神经元。

4、多层前向传播：多层神经网络的表示；预测多层神经网络输出；常见的非线性激活函数；如何选择模型的激活函数；深度神经网络的前向传播。

5、损失函数和梯度下降：不同的损失函数（例如，MAE、MSE、交叉熵损失）；梯度下降方法的1D和2D形式；梯度下降的变化（例如，动量、RMSProp、Adam）；鞍点；梯度下降与牛顿法；随机梯度下降和小批量梯度下降。

6、反向传播：计算图；矩阵微积分回顾；逻辑回归中的反向传播；多层神经网络中的反向传播；渐逝梯度问题。

7、过拟合与正则化：偏差与方差；什么是正则化；正则化如何帮助减少过拟合；不同的正则化技术（例如Lasso和Ridge正则化、Dropout、数据增强、早期停止）。

8、循环神经网络：序列模型；单热表示；前向和后向传播；不同类型的循环神经网络；Elman和Jordan网络；双向循环神经网络；渐逝和爆炸梯度问题；门控循环单元（GRU）；长短期记忆网络（LSTM）；时间序列分析（可选）。

9、图神经网络（GNN）：图挖掘基础；谷歌PageRank；配对相似性模型（例如SimRank、Penetrating-Rank、RoleSim）；卷积神经网络；图嵌入；Node2vec（可选）；GNN在NLP中的应用（可选）。

学习成果：

在完成本课程后，学生应能够：

1、理解神经网络原理，了解其主要应用领域。

2、设计、实现和分析简单神经网络的行为。

展开全部

英国神经计算课程辅导

课程课件讲解

同步海外各大院校学习进度+原版课件，PPT课件知识点讲解，包含但不限于作业讲解、考试突击辅导、论文essay辅导等，提高GPA，解决课业难题。
作业知识点讲解

作业题目讲解,topic+outline讲解，作业题难点知识点、答题思路指导。
考前冲刺辅导

帮助学生考前快速冲刺，考前直击重点/作答技巧，重点难点梳理+讲解，预测exam考点，更有独家学习资料与干货分享。
挂科appeal

学术不端、论文低分重复度高申诉appeal、考试作弊挂科听证会申诉，全程申诉老师陪同指导，高质量申诉信写作，听证会材料搜集整理，抓住申诉机遇。

免费获得学习规划方案

已有 1129 位留学生获得学习规划方案

英国

*已对您的信息加密，保障信息安全