人工智能时代对创新型人才的需求、数字化学习存在的弊端以及当前浅层学习暴露出的问题，急需教学论研究聚焦深度学习，促进浅层学习向深度学习转化，实现学生高阶思维发展。每一种学习形态都有其特定的发生机制，关于深度学习的研究要突破强调重要性和论述基本特征的局限，从学习准备、学习过程、学习结果和学习环境等方面厘清深度学习的发生机制，引导教师科学调适教育教学的方式方法，有的放矢地促进学生学习

深度学习的概念内涵 深度学习的主要特征 深度学习的理论基础 促进深度学习的策略

• 深度学习基础 – 深度学习的发展过程 – 深度学习常用技术框架 – 常用深度学习算法 • 音频质量评价 – 音频样本及特征预处理 – 音频特征选择 – 卷积神经网络模型训练 • 模型参数调优 • 性能验证

深度学习作为机器学习领域的新兴技术给人工智能及相关领域带来了生机与活力

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路

深度学习简介 Neural Network Goodness of Function Pick the Best Function 前馈神经网络 Tips for Deep Learning 卷积神经网络（Convolutional Neural Network, CNN） 循环神经网络（Recurrent Neural Network, RNN） Keras CNN in Keras RNN in Keras

《工程科学学报》：基于深度学习的人体低氧状态识别

《工程科学学报》：基于深度学习的行人重识别方法综述

《工程科学学报》：深度学习在炼钢流程中的研究进展及应用现状（北京科技大学）