第三次人工智能爆發在演算法上主要是深度學習技術的突破，本課程將從梯度下降法開始講述深度學習的原理，並且透過R語言從頭開始實現幾個基礎的模型架構，並在理論基礎完備後帶領同學使用MxNet框架進行快速的深度學習模型開發，並且實際重複幾個經典的網路研究，並在最終將深度學習模型擴展至圖像分類以外的任務，像是物件識別、自然語言處理以及圖像生成等。本節課的教學目標在於希望學生在未來能利用框架進行快速的網路開發，並有能力做出各式相關實驗已精進自己的演算法。

　 　 　　 　　 　　 　　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　

進度	授課主題與內容	課程講義	教學錄影
1	基礎統計原理及梯度下降法	Lesson 1
2	反向傳播及多層感知器	Lesson 2
3	局部極值與優化技術	Lesson 3
4	多類別預測與避免過擬合	Lesson 4
5	MxNet框架編程介紹	Lesson 5
6	圖像辨識與卷積神經網路	Lesson 6
7	解決梯度消失問題	Lesson 7
8	經典網路研究與轉移特徵學習	Lesson 8
9	現代網路設計與邏輯可視化	Lesson 9
10	反卷積層與自編碼器	Lesson 10
11	物體分割與物件識別模型概述	Lesson 11
12	物件識別模型實驗	Lesson 12
13	詞嵌入模型與其深度學習應用	Lesson 13
14	循環神經網絡介紹與注意力機制的應用	Lesson 14
15	對抗生成網路概述	Lesson 15
16	對抗生成網路進階應用	Lesson 16