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	深度神經網路介紹	Lesson 1	2025/01/13
2	局部極值與優化技術	Lesson 2	去年錄影影片
3	過度擬合的解決方案	Lesson 3	去年錄影影片
4	MxNet框架編程介紹	Lesson 4	2025/02/11
5	解決梯度消失問題	Lesson 5	2025/02/17
6	卷積神經網路與轉移特徵學習	Lesson 6	敬請期待
7	現代網路設計與邏輯可視化	Lesson 7	敬請期待
8	反卷積層與自編碼器	Lesson 8	敬請期待
9	變分自編碼器與異常檢測	Lesson 9	敬請期待
10	對抗生成網路概述	Lesson 10	敬請期待
11	對抗生成網路進階應用	Lesson 11	敬請期待
12	物體分割與物件識別模型概述	Lesson 12	敬請期待
13	物件識別模型實驗	Lesson 13	敬請期待
14	詞嵌入模型與其深度學習應用	Lesson 14	敬請期待
15	循環神經網絡介紹與注意力機制的應用	Lesson 15	敬請期待
16	通用人工智慧之路	Lesson 16	敬請期待