來源：Linkedin
譯者：胡祥傑
【新智元導讀】本文是2016 臺灣資料科學年會前導課程「一天搞懂深度學習」的全部講義PPT（共268頁），由臺灣大學電機工程學助理教授李宏毅主講。作者在文中分四個部分對神經網絡的原理、目前存在形態以及未來的發展進行了介紹。深度學習的每一個核心概念在文中都有相關案例進行呈現，通俗易懂。一天的時間搞懂深度學習？其實並不是沒有可能。
關注新智元，在公眾號後臺回復0822，可下載全部PPT（PDF版）
深度學習 ( Deep Learning ) 是機器學習 ( Machine Learning ) 中近年來備受重視的一支，深度學習根源於類神經網絡 ( Artificial Neural Network ) 模型，但今日深度學習的技術和它的前身已截然不同，目前最好的語音識別和影像辨識系統都是以深度學習技術來完成，你可能在很多不同的場合聽過各種用深度學習做出的驚人應用 ( 例如：最近紅遍大街小巷的 AlphaGo )，聽完以後覺得心痒痒的，想要趕快使用這項強大的技術，卻不知要從何下手學習，那這門課就是你所需要的。
這門課程將由臺大電機系李宏毅教授利用短短的一天議程簡介深度學習。以下是課程大綱：
什麼是深度學習
深度學習的技術表面上看起來五花八門，但其實就是三個步驟：設定好類神經網絡架構、訂出學習目標、開始學習，這堂課會簡介如何使用深度學習的工具 Keras，它可以幫助你在十分鐘內完成深度學習的程序。另外，有人說深度學習很厲害、有各種吹捧，也有人說深度學習只是個噱頭，到底深度學習和其他的機器學習方法有什麼不同呢？這堂課要剖析深度學習和其它機器學習方法相比潛在的優勢。
深度學習的各種小技巧
雖然現在深度學習的工具滿街都是，想要寫一個深度學習的程序只是舉手之勞，但要得到好的成果可不簡單，訓練過程中各種枝枝節節的小技巧才是成功的關鍵。本課程中將分享深度學習的實作技巧及實戰經驗。
有記憶力的深度學習模型
機器需要記憶力才能做更多事情，這段課程要講解遞歸式類神經網絡 ( Recurrent Neural Network )，告訴大家深度學習模型如何可以有記憶力。
深度學習應用與展望
深度學習可以拿來做甚麼？怎麼用深度學習做語音識別？怎麼用深度學習做問答系統？接下來深度學習的研究者們在意的是什麼樣的問題呢？
本課程希望幫助大家不只能了解深度學習，也可以有效率地上手深度學習，用在手邊的問題上。無論是從未嘗試過深度學習的新手，還是已經有一點經驗想更深入學習，都可以在這門課中有所收穫。
下面是課程全部PPT，由於篇幅有限，新智元對第一部分進行了翻譯：
深度學習吸引了很大的關注：
我相信，你之前肯定見到過很多激動人心的結果。圖中是谷歌內部深度學習技術的使用趨勢，可以看到從2015年第二季度開始，使用量呈直線上升。本講義聚焦深度學習基礎技術。
大綱：
報告第一部分：介紹深度學習
報告第二部分：關於訓練深度神經網絡的一些建議
報告第三部分：各種各樣的神經網絡
報告第四部分：下一股浪潮
報告1：深度學習介紹
深度學習有3步：神經網絡架構--學習目標--學習。
這三個步驟都是以數據為基礎的。
第3步：選擇最佳的功能函數。
從原理上說，深度學習非常簡單。
從函數的角度理解深度學習：第一步，是一個函數集；第二步，定義函數的擬合度；第三部，選擇最佳函數。
人類大腦的構成
神經網絡：神經元
激活函數的工作原理
不同的連接會導致不同的網絡結構
完全連接的反向網絡：S型網絡
極深網絡：從8層到19層，一直到152層。
全連接的反向網絡：矩陣系統
輸出層（選擇）
問題：
下圖中，總共有多少層？每一層有多少個神經元？
結構能自動決定嗎？
第二步：學習目標，定義函數擬合度。
例子：識別「2」
訓練數據：
準備訓練數據：圖像和相應的標籤
學習目標
損失：一個好的函數應該讓所有例子中的損失降到最小。
全局損失
第三步：學習！選擇最佳函數。
如何選擇最佳函數
梯度下降
梯度下降：綜合多個參數考慮的時候，你發現什麼問題了嗎？
局部最小值：梯度下降從來不會保證可以獲得全局最小值
反向傳播
可以做什麼？
篇幅有限。200頁以後PPT請在新智元公眾號後臺回復0822，下載瀏覽。
新智元招聘信息，請點擊閱讀原文。