深度学习是一种无监督学习，是机器学习研究中的新领域，目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如图像，声音和文本。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，利用空间相对关系减少参数数目以提高训练性能。《深度学习》是一门必修专业核心课，主要介绍深度学习理论和编程知识与技能的课程，包括深度学习基础知识、深度学习框架及其对比、深度学习框架基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理，并通过8个深度学习实例的学习，帮助学生更好的掌握深度学习知识，做到理论与实践相结合，方法与应用相结合。 通过本课程的学习，同学们能够理解深度学习的基本问题和基本算法，掌握它们的实践方法，为学生今后从事数据科学与大数据技术相关领域的研究工作或项目开发工作奠定坚实的基础；通过课程思政教学，培养同学们具有爱国、爱党、良好职业道德和高度职业责任感的专业人才。 本课程教学总目标是以深度学习框架为基础，以实例的方式学习深度学习框架下的实践步骤，帮助学生更好的掌握深度学习知识，做到理论与实践相结合，方法与应用相结合，为深入学习打下良好的基础，并通过8个深度学习实例的学习，帮助学生更好的掌握深度学习知识，做到理论与实践相结合，方法与应用相结合以及主动探索和独立思考的能力。 课程思政有利于培养学生爱国精神、职业责任感，团队合作、组织、沟通等社会能力。课程教学有利于培养学生通过深度学习中算法及相关技术对大数据中复杂问题的分析判断能力，培养学生交通、电力、金融等行业大数据处理复杂系统的设计能力和创新思维。 本课程重点是深度学习和卷积神经网络的基础知识，自然语言处理中传统方法与神经网络方法，强化学习的概念、算法和应用；深度学习框架Caffe、TensorFlow、PyTorch的用途、特点和层，网络的概念；Tensor对象的创建及其运算方式，Tensor的索引、切片、变换、拼接和拆分，PyTorch的Reduction操作和自动微分Autograd；线性回归模型和平均平方误差函数，Logistic回归模型及利用PyTorch实现Logistic回归的方法；单层感知器和多层感知器，BP神经网络、梯度下降算法和后向传播算法，Dropout正则化技术；卷积、卷积层和卷积核的卷积操作，多个卷积核、多通道卷积和边界填充，使用PyTorch进行手写数字识别的过程；自然语言处理的循环神经网络架构、卷积神经网络架构、Transformer架构，表示学习与预训练技术。 本课程难点是Tensor的索引、切片、变换、拼接和拆分，PyTorch的Reduction操作和自动微分Autograd；线性回归模型和平均平方误差函数的计算， MultivariateNormal构造多元高斯分布、调用Linear实现线性模型、BCELoss损失函数和使用optim包构建优化器；BP神经网络、梯度下降算法和后向传播算法，Dropout正则化技术；卷积操作，多个卷积核、多通道卷积和边界填充，使用PyTorch进行手写数字识别的过程；自然语言处理的循环神经网络架构、卷积神经网络架构、Transformer架构，表示学习与预训练技术。