中国社会科学院大学《Python深度学习》课程大纲课程基本信息（CourseInformation）*学时*学分课程编号482(CourseID)(Credit Hours)(Credits)Python深度学习*课程名称(CourseName)Deep Learning with Python先修课程(Prerequisite Courses)近年来，在信息技术领域人工智能（artificial intelligence，Al）技术的重要性与日俱增，从图像识别、人脸识别到语音识别、智能助手，从AlphaGo到智能驾驶，人工智能的应用领域越来越广泛，对人类的影响越来越大，这很大程度上都得益于神经网络（NeuralNetwork，NN）模型的不断发展与成熟。党和国家高度重视并大力发展人工智能。党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明方向。2016年7月习总书记明确指出，人工智能技术的发展将深刻改变人类社会生活，改变世界，应抓住机遇，在这一高技术领域抢占先机。在党的十九大报告中，习总书记强调“要推动互联网、大数据、人工智能和实体经济深度融合”。*课程简介深度学习是一种以神经网络模型为架构，从数据中进行学习的一种算法，是实现人工智能最重(Description)要的手段，在深度学习的具体实践中，Python是主要的编程语言。《Python深度学习》这门课程旨在让同学们了解神经网络的工作原理以及常见的应用领域，学会使用深度学习解决自身相关专业实际问题。课程内容主要分为两个部分：课程前半部分偏重于神经网络理论讲解，内容包括：神经网络的思想、神经网络的数学基础、神经网络的最优化、神经网络的误差反向传播：课程后半部分偏重于编程实践，内容包括：深度学习入门、计算机视觉、文本和序列、生成对抗网络（GAN)。本课程的重点内容为神经网络的基本原理和各种常用的神经网络模型，难点在于神经网络的误差反向传播推导过程本课程。本课程采用课堂讲授与练习相结合的教学方法，课程成绩由考勤、课后作业完成情况以及期末成绩构成。不包含Python基础语法，选择课程之前必须修过Python基础语法相关课程或者自学过相关内容。In recent years, the importance of artificial intelligence (Al) technology in the field ofinformationtechnologyhasbeen increasingdaybyday.From imagerecognition,facerecognitiontospeechrecognition,intelligentassistants,fromAlphaGotointelligentdriving,theapplication fieldsofartificial intelligenceare becomingmoreand moreextensive.,whichhasan increasing impacton humanbeings,whichislargelydueto thecontinuousdevelopmentandmaturityoftheNeuralNetwork(NN)model.Thepartyandthecountry attachgreat importancetoand vigorouslydevelopartificial intelligence.Since*课程简介the18thNational CongressoftheCommunistPartyofChina,General SecretaryXi Jinping(Description)has placed innovationatthecoreofthe overall national development.Hehas attachedgreat importance to the development of artificial intelligence. He has repeatedly talkedabout the importance of artificial intelligence, and pointed out the direction for howartificial intelligence can empower the new era. In July 2016, General Secretary Xi Jinpingclearly pointed out that the development of artificial intelligence technology willprofoundlychange the life of human societyandthe world.Weshould seize theopportunityand seizetheopportunityinthishigh-techfield.Inthereportofthe19thNational Congress of the Communist Party of China,General Secretary Xi emphasized"to
中国社会科学院大学《Python 深度学习》课程大纲 课程基本信息（Course Information） 课程编号 （Course ID） *学时 （Credit Hours） 48 *学分 （Credits） 2 *课程名称 （Course Name） Python 深度学习 Deep Learning with Python 先修课程 （Prerequisite Courses） *课程简介 （Description） 近年来，在信息技术领域人工智能（artificial intelligence，AI）技术的重要性与日俱增，从图像 识别、人脸识别到语音识别、智能助手，从 AlphaGo 到智能驾驶，人工智能的应用领域越来越广泛， 对人类的影响越来越大，这很大程度上都得益于神经网络（Neural Network，NN）模型的不断发展 与成熟。党和国家高度重视并大力发展人工智能。党的十八大以来，习近平总书记把创新摆在国家 发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能 新时代指明方向。2016 年 7 月习总书记明确指出，人工智能技术的发展将深刻改变人类社会生活， 改变世界，应抓住机遇，在这一高技术领域抢占先机。在党的十九大报告中，习总书记强调“要推 动互联网、大数据、人工智能和实体经济深度融合”。 深度学习是一种以神经网络模型为架构，从数据中进行学习的一种算法，是实现人工智能最重 要的手段，在深度学习的具体实践中，Python 是主要的编程语言。《Python 深度学习》这门课程 旨在让同学们了解神经网络的工作原理以及常见的应用领域，学会使用深度学习解决自身相关专业 实际问题。课程内容主要分为两个部分：课程前半部分偏重于神经网络理论讲解，内容包括：神经 网络的思想、神经网络的数学基础、神经网络的最优化、神经网络的误差反向传播；课程后半部分 偏重于编程实践，内容包括：深度学习入门、计算机视觉、文本和序列、生成对抗网络（GAN）。 本课程的重点内容为神经网络的基本原理和各种常用的神经网络模型，难点在于神经网络的误差反 向传播推导过程本课程。本课程采用课堂讲授与练习相结合的教学方法，课程成绩由考勤、课后作 业完成情况以及期末成绩构成。不包含 Python 基础语法，选择课程之前必须修过 Python 基础语 法相关课程或者自学过相关内容。 *课程简介 （Description） In recent years, the importance of artificial intelligence (AI) technology in the field of information technology has been increasing day by day. From image recognition, face recognition to speech recognition, intelligent assistants, from AlphaGo to intelligent driving, the application fields of artificial intelligence are becoming more and more extensive. , which has an increasing impact on human beings, which is largely due to the continuous development and maturity of the Neural Network (NN) model. The party and the country attach great importance to and vigorously develop artificial intelligence. Since the 18th National Congress of the Communist Party of China, General Secretary Xi Jinping has placed innovation at the core of the overall national development. He has attached great importance to the development of artificial intelligence. He has repeatedly talked about the importance of artificial intelligence, and pointed out the direction for how artificial intelligence can empower the new era. In July 2016, General Secretary Xi Jinping clearly pointed out that the development of artificial intelligence technology will profoundly change the life of human society and the world. We should seize the opportunity and seize the opportunity in this high-tech field. In the report of the 19th National Congress of the Communist Party of China, General Secretary Xi emphasized "to
promote thedeep integration of the Internet, bigdata, artificial intelligence and the realeconomy".Deeplearningisanalgorithmthat learns fromdatabasedonaneuralnetworkmodel.It isthemost importantmeanstoachieveartificial intelligence.In the specificpracticeofdeeplearning,Python is themain programminglanguage.The course"Python Deep Learning"aimstolet students understand theworkingprincipleofneural network and commonapplicationfields,andlearntousedeeplearningtosolvepractical problemsrelatedtotheir own professional. The course content is mainly divided into two parts: the first halfof thecoursefocuses on thetheoretical explanation of neural networks,including:theidea ofneuralnetworks,themathematicalbasisofneural networks,theoptimizationofneuralnetworks,andtheerrorbackpropagationofneural networks;thesecond halfofthecoursePartsfocus on programmingpracticeand include:IntroductiontoDeepLearning,ComputerVision,TextandSequences,GenerativeAdversarialNetworks(GANs)Thefocus ofthiscourse is thebasicprinciples ofneural networks andvarious commonlyused neural network models.The difficulty lies in the derivationprocess of neuralnetwork error back propagation. This course adopts a teaching method that combinesclassroom lectures and exercises.The course grades are composed of attendance,homework completionand final grades.It doesnot includebasic Python grammar.Beforechoosingthecourse,youmusthavetakencoursesrelated tobasicPythongrammarorself-taught relevant content.*教材《Python深度学习（第2版）》，作者：[美）弗朗索瓦·肖莱（FrancoisChollet），出版社：人民邮电出版社，出版时间：2022年08月，版次2，国际标准书号ISBN：9787115597175。(Textbooks)参考资料(OtherReferences)*课程类别口公共基础课/全校公共必修课V通识教育课口专业基础课口专业拓展课/专业选修课口其他（CourseCategory）口专业核心课/专业必修课口线上，教学平台*授课对象*授课模式全校本科生v线下口混合式口其他(TargetStudents)(Modeof Instruction)口实践类（70%以上学时深入基层）v中文*开课院系*授课语言口全外语计算机教研部(School)(Languageof Instruction)口双语：中文+（外语讲授不低于50%）徐卫克，1980年生，男，中国社会科学院大学计算机教研部教师，计课程负责人算社会科学研究中心成员，主要研究方向为数据分析、人工智能。教姓名及简介授课程有《大学计算机》、《Python数据分析》、《Python深度学习》、*授课教师信息《Python编程导论》、《数据获取与网络爬虫》等。(Teacher Information)团队成员姓名及简介
promote the deep integration of the Internet, big data, artificial intelligence and the real economy". Deep learning is an algorithm that learns from data based on a neural network model. It is the most important means to achieve artificial intelligence. In the specific practice of deep learning, Python is the main programming language. The course "Python Deep Learning" aims to let students understand the working principle of neural network and common application fields, and learn to use deep learning to solve practical problems related to their own professional. The course content is mainly divided into two parts: the first half of the course focuses on the theoretical explanation of neural networks, including: the idea of neural networks, the mathematical basis of neural networks, the optimization of neural networks, and the error back propagation of neural networks; the second half of the course Parts focus on programming practice and include: Introduction to Deep Learning, Computer Vision, Text and Sequences, Generative Adversarial Networks (GANs). The focus of this course is the basic principles of neural networks and various commonly used neural network models. The difficulty lies in the derivation process of neural network error back propagation. This course adopts a teaching method that combines classroom lectures and exercises. The course grades are composed of attendance, homework completion and final grades. It does not include basic Python grammar. Before choosing the course, you must have taken courses related to basic Python grammar or self-taught relevant content. *教材 （Textbooks） 《Python 深度学习（第 2 版）》，作者:[美] 弗朗索瓦·肖莱（Francois Chollet），出版社:人民邮电出 版社，出版时间:2022 年 08 月，版次 2，国际标准书号 ISBN：9787115597175。 参考资料 （Other References） *课程类别 （Course Category） 公共基础课/全校公共必修课 √通识教育课 专业基础课 专业核心课/专业必修课 专业拓展课/专业选修课 其他 *授课对象 （Target Students） 全校本科生 *授课模式 （Mode of Instruction） 线上，教学平台 √线下 混合式 其他 实践类（70%以上学时深入基层） *开课院系 （School） 计算机教研部 *授课语言 （Language of Instruction） √中文 全外语 双语：中文+ （外语讲授不低于 50%） *授课教师信息 （Teacher Information） 课程负责人 姓名及简介 徐卫克，1980 年生，男，中国社会科学院大学计算机教研部教师，计 算社会科学研究中心成员，主要研究方向为数据分析、人工智能。教 授课程有《大学计算机》、《Python 数据分析》、《Python 深度学习》、 《Python 编程导论》、《数据获取与网络爬虫》等。 团队成员 姓名及简介
1.了解人工智能和神经网络的发展历史；掌握神经网络的基本架构：2.3.了解神经网络的数学基础；掌握神经网络的基本原理；4.学习目标掌握Keras框架的基本用法：5.Learning(6.掌握卷积神经网络的工作原理和基本用法；Outcomes)7.掌握计算机视觉深度学习；8．掌握如何使用神经网络处理序列数据；9.掌握深度学习处理文本：10.了解生成对抗网络的工作原理：*考核方式平时成绩30%，期末成绩70%(Grading)*课程教学计划（TeachingPlan）其中周教学内容摘要课其实周次学讲程他（必含章节名称、讲述的内容提要、实验的名称、教学方法、课堂讨论的题目、验时授讨阅读文献参考书目及作业等环A课论节第一章神经网络的思想1.1神经网络和深度学习1.2神经元工作的数学表示1.3将神经元的工作一般化1.4什么是神经网络1.5负责特征提取的隐藏层第一周321.6用神经网络的语言进行描述1.7网络自学习教学方法：讲授。作业：https://www.tensorflow.org/tutorials/quickstart/beginner。科技公司的深度学习框架都有哪些。第二章神经网络的数学基础2.1函数2.2数列和递推关系式2.3符号2.4向量2.5矩阵2.6导数第二周322.7偏导数2.8链式法则2.9多变量函数的近似公式2.10梯度下降法2.11用Excel体验梯度下降法2.12最优化问题与回归分析教学方法：讲授
学习目标 （ Learning Outcomes） 1. 了解人工智能和神经网络的发展历史； 2. 掌握神经网络的基本架构； 3. 了解神经网络的数学基础； 4. 掌握神经网络的基本原理； 5. 掌握 Keras 框架的基本用法； 6. 掌握卷积神经网络的工作原理和基本用法； 7. 掌握计算机视觉深度学习； 8. 掌握如何使用神经网络处理序列数据； 9. 掌握深度学习处理文本； 10. 了解生成对抗网络的工作原理； *考核方式 （Grading） 平时成绩 30%，期末成绩 70% *课程教学计划（Teaching Plan） 周次 周 学 时 其中 教学内容摘要 （必含章节名称、讲述的内容提要、实验的名称、教学方法、课堂讨论的题目、 阅读文献参考书目及作业等） 讲 授 实 验 课 习 题 课 课 程 讨 论 其 他 环 节 第一周 3 2 1 第一章 神经网络的思想 1.1 神经网络和深度学习 1.2 神经元工作的数学表示 1.3 将神经元的工作一般化 1.4 什么是神经网络 1.5 负责特征提取的隐藏层 1.6 用神经网络的语言进行描述 1.7 网络自学习 教学方法：讲授。 作业： https://www.tensorflow.org/tutorials/quickstart/beginner。 科技公司的深度学习框架都有哪些。 第二周 3 2 1 第二章 神经网络的数学基础 2.1 函数 2.2 数列和递推关系式 2.3 Σ 符号 2.4 向量 2.5 矩阵 2.6 导数 2.7 偏导数 2.8 链式法则 2.9 多变量函数的近似公式 2.10 梯度下降法 2.11 用 Excel 体验梯度下降法 2.12 最优化问题与回归分析 教学方法：讲授
实验一线性回归代价函数（w）实验一线性回归梯度下降（w）实验一线性回归代价函数（w,b）实验一分类（激活函数）实验一分类（隐藏层）第三周213实验一分类（两输入）实验一分类（两输入，向量）教学方法：案例教学。作业：线性回归梯度下降。第三章神经网络的最优化3.1神经网络的参数和变量3.2神经网络的变量的关系式3.3学习数据和正解第四周3.4神经网络的代价函数C23.5用Excel体验神经网络教学方法：讲授。作业：分类（两输入、向量、隐藏层）。第四章神经网络和误差反向传播4.1回顾梯度下降法4.2神经单元误差8j第五周24.3神经网络和误差反向传播法34.4用Excel体验神经网络的误差反向传播法实验一使用Python实现反向传播算法教学方法：讲授和案例教学，第五章深度学习入门5.1基本概念5.2手写数字分类实验一手写数字分类第六周5.3Keras简介325.4电影评论分类：二分类问题实验一电影评论分类：二分类问题进一步的实验教学方法：讲授和案例教学5.5新闻分类：多分类问题实验一新闻分类：多分类问题进一步的实验5.6预测房价：回归问题实验一预测房价：回归问题第七周3215.7评估方法5.8过拟合教学方法：讲授和案例教学。作业：分类（两输入、Keras）
第三周 3 2 1 实验—线性回归代价函数（w） 实验—线性回归梯度下降（w） 实验—线性回归代价函数（w,b） 实验—分类（激活函数） 实验—分类（隐藏层） 实验—分类（两输入） 实验—分类（两输入，向量） 教学方法：案例教学。 作业： 线性回归梯度下降。 第四周 3 2 1 第三章 神经网络的最优化 3.1 神经网络的参数和变量 3.2 神经网络的变量的关系式 3.3 学习数据和正解 3.4 神经网络的代价函数 3.5 用 Excel 体验神经网络 教学方法：讲授。 作业： 分类（两输入、向量、隐藏层）。 第五周 3 2 1 第四章 神经网络和误差反向传播 4.1 回顾梯度下降法 4.2 神经单元误差 δlj 4.3 神经网络和误差反向传播法 4.4 用 Excel 体验神经网络的误差反向传播法 实验—使用 Python 实现反向传播算法 教学方法：讲授和案例教学。 第六周 3 2 1 第五章 深度学习入门 5.1 基本概念 5.2 手写数字分类 实验—手写数字分类 5.3 Keras 简介 5.4 电影评论分类: 二分类问题 实验—电影评论分类: 二分类问题 进一步的实验 教学方法：讲授和案例教学。 第七周 3 2 1 5.5 新闻分类: 多分类问题 实验—新闻分类: 多分类问题 进一步的实验 5.6 预测房价: 回归问题 实验—预测房价: 回归问题 5.7 评估方法 5.8 过拟合 教学方法：讲授和案例教学。 作业： 分类（两输入、Keras）
第六章深入Keras6.1Keras工作流程6.2构建Keras模型的不同方法第八周326.3使用内置的训练循环和评估循环6.4编写自定义的训练循环和评估循环教学方法：讲授和案例教学。第七章计算机视觉7.1卷积神经网络入门第九周32实验一使用卷积神经网络对MNIST数字进行分类7.2卷积神经网络的结构教学方法：讲授和案例教学，7.3在小型数据集上从头开始训练一个卷积神经网络实验一在小型数据集上从头开始训练一个卷积神经网络第十周7.4使用预训练的卷积神经网络实验一使用预训练的卷积神经网络7.5三项基本的计算机视觉任务7.6图像分割示例第十一周7.7现代卷积神经网络架构模式7.8解释卷积神经网络学到的内容教学方法：讲授和案例教学。第八章深度学习处理时间序列8.1处理文本数据实验一利用Embedding层学习词嵌入实验一使用预训练的词嵌入教学方法：讲授和案例教学。8.2循环神经网络第十二周32实验一SimpleRNN和LSTM实验一温度预测8.3卷积神经网络实验一一维卷积神经网络实验一结合CNN和RNN来处理长序列教学方法：讲授和案例教学。第九章深度学习处理文本9.1自然语言处理概述第十三周9.2准备文本数据329.3表示单词组的两种方法教学方法：讲授和案例教学。9.4Transformer架构第十四周9.5超越文本分类：序列到序列学习32教学方法：讲授和案例教学。第十章生成式深度学习10.1文本生成第十五周10.2DeepDream教学方法：讲授和案例教学
第八周 3 2 1 第六章 深入 Keras 6.1 Keras 工作流程 6.2 构建 Keras 模型的不同方法 6.3 使用内置的训练循环和评估循环 6.4 编写自定义的训练循环和评估循环 教学方法：讲授和案例教学。 第九周 3 2 1 第七章 计算机视觉 7.1 卷积神经网络入门 实验—使用卷积神经网络对 MNIST 数字进行分类 7.2 卷积神经网络的结构 教学方法：讲授和案例教学。 第十周 3 2 1 7.3 在小型数据集上从头开始训练一个卷积神经网络 实验—在小型数据集上从头开始训练一个卷积神经网络 7.4 使用预训练的卷积神经网络 实验—使用预训练的卷积神经网络 第十一周 3 2 1 7.5 三项基本的计算机视觉任务 7.6 图像分割示例 7.7 现代卷积神经网络架构模式 7.8 解释卷积神经网络学到的内容 教学方法：讲授和案例教学。 第十二周 3 2 1 第八章 深度学习处理时间序列 8.1 处理文本数据 实验—利用 Embedding 层学习词嵌入 实验—使用预训练的词嵌入 教学方法：讲授和案例教学。 8.2 循环神经网络 实验—SimpleRNN 和 LSTM 实验—温度预测 8.3 卷积神经网络 实验—一维卷积神经网络 实验—结合 CNN 和 RNN 来处理长序列 教学方法：讲授和案例教学。 第十三周 3 2 1 第九章 深度学习处理文本 9.1 自然语言处理概述 9.2 准备文本数据 9.3 表示单词组的两种方法 教学方法：讲授和案例教学。 第十四周 3 2 1 9.4 Transformer 架构 9.5 超越文本分类:序列到序列学习 教学方法：讲授和案例教学。 第十五周 3 2 1 第十章 生成式深度学习 10.1 文本生成 10.2 DeepDream 教学方法：讲授和案例教学
10.3神经风格迁移10.4用变分自编码器生成图像第十六周2310.5生成式对抗网络教学方法：讲授和案例教学。1总计4832备注（Notes）
第十六周 3 2 1 10.3 神经风格迁移 10.4 用变分自编码器生成图像 10.5 生成式对抗网络 教学方法：讲授和案例教学。 总计 48 32 1 6 备注（Notes）