网络优化与正则化：从偏差-方差到泛化能力提升

Path Steps

19 steps · 4 stages. Click any step to inspect it and see it on the Path Map.

Stage 1

Foundation

5 steps

Stage 2

Core Concepts

5 steps

Stage 3

Advanced Topics

5 steps

Stage 4

Specialization

4 steps

Resources (0)

Curated materials referenced by this learning path.

No resources for this path yet.

Related Paths

Other paths to continue with, grouped by the theme or type they share with this one.

More paths about 深度学习

设计并训练卷积神经网络处理图像任务
从机器学习基础与前馈网络出发，系统掌握卷积运算、卷积神经网络结构、参数学习与典型网络，再经由优化、正则化与数据预处理，最终能够独立设计、训练并评估一个图像分类卷积网络。
理解概率图模型与深度生成模型
以《神经网络与深度学习》第2版的知识体系为线索，从机器学习与神经网络基础出发，经无监督学习与概率密度估计，系统掌握概率图模型的表示、学习与推断，最终理解并实现深度生成模型（VAE、GAN、深度信念网络）。
理解并应用注意力机制与外部记忆
以《神经网络与深度学习》第2版的注意力与记忆章节为主线，从神经网络与序列建模基础出发，逐步掌握注意力机制、自注意力、记忆增强网络与联想记忆，最终能够为序列任务设计并实现带注意力与外部记忆的模型。
使用循环神经网络建模序列数据
以《神经网络与深度学习》第2版的知识体系为线索，从机器学习与前馈网络基础出发，逐步掌握简单循环网络、参数学习、长程依赖与门控机制、深层循环网络，最终能够为序列数据选择并训练合适的循环神经网络模型。
深度强化学习与序列生成模型实现路径
以邱锡鹏《神经网络与深度学习》第2版的知识体系为骨架，从神经网络与优化基础出发，经循环网络、注意力机制与生成模型，最终实现深度强化学习算法与序列生成模型，并掌握其评价与训练问题。
无监督学习与模型独立学习范式
以《神经网络与深度学习》第2版第9、10章为主线，先补齐机器学习基础与评价指标，再系统掌握无监督特征学习与概率密度估计，最后覆盖集成学习、自训练、多任务、迁移、终身与元学习等与模型无关的学习范式。

More paths about 网络优化

设计并训练卷积神经网络处理图像任务
从机器学习基础与前馈网络出发，系统掌握卷积运算、卷积神经网络结构、参数学习与典型网络，再经由优化、正则化与数据预处理，最终能够独立设计、训练并评估一个图像分类卷积网络。

Path Map

Path Steps

Foundation

Core Concepts

Advanced Topics

Specialization

Resources (0)

Related Paths

More paths about 深度学习

设计并训练卷积神经网络处理图像任务

理解概率图模型与深度生成模型

理解并应用注意力机制与外部记忆

使用循环神经网络建模序列数据

深度强化学习与序列生成模型实现路径

无监督学习与模型独立学习范式

More paths about 网络优化

设计并训练卷积神经网络处理图像任务