===============课程介绍===============
在这个课程中，我们将从基础理论出发，介绍深度学习的基本概念、常用算法和模型架构。随后，我们将深入探讨神经网络的原理与构建，包括卷积神经网络、循环神经网络等。同时，我们还将学习深度学习在图像识别、自然语言处理等领域的应用，通过项目实践和案例分析，帮助您提升深度学习的应用能力。
无论您是初学者还是有一定经验的数据科学家，本课程都将为您提供系统全面的深度学习实战知识，助您快速掌握深度学习技能，成为一名优秀的数据科学家！
===============课程目录===============
├─1-Lesson 0.1 GPU购买与GPU白嫖指南.mp4
├─10-Lesson 7.1 神经网络的诞生与发展.mp4
├─11-Lesson 7.2 机器学习中的基本概念.mp4
├─12-Lesson 7.3 深入理解PyTorch框架.mp4
├─13-Lesson 8.1单层回归神经网络 & Tensor新手避坑指南.mp4
├─14-Lesson 8.2 torch.nn.Linear实现单层回归网络的正向传播.mp4
├─15-Lesson 8.3 二分类神经网络的原理与实现.mp4
├─16-Lesson 8.4 torch.nn.functional实现单层二分类网络的正向传播.mp4
├─17-Lesson 8.5 多分类神经网络.mp4
├─18-Lesson 9.1 从异或门问题认识多层神经网络.mp4
├─19-Lesson 9.2 黑箱：深度神经网络的不可解释性.mp4
├─2-Lesson 0.2 PyTorch安装与部署（CPU版本）.mp4
├─20-Lesson 9.3 & 9.4 层与激活函数.mp4
├─3-Lesson 0.3 PyTorch安装与配置（GPU版本）.mp4
├─4-Lesson1.张量的创建与常用方法(1).mp4
├─4-Lesson1.张量的创建与常用方法.mp4
├─5-Lesson 2 张量的索引-分片-合并及维度调整.mp4
├─6-Lesson 3 张量的广播和科学运算.mp4
├─7-Lesson 4 张量的线性代数运算.mp4
├─8-Lesson 5 基本优化方法与最小二乘法.mp4
├─9-Lesson 6 动态计算图与梯度下降入门.mp4