课时1：预告

课时2：课程安排

课时3：深度学习介绍

课时4：安装

课时5：数据操作 + 数据预处理

课时6：线性代数

课时7：矩阵计算

课时8：自动求导

课时9：线性回归 + 基础优化算法

课时10：Softmax 回归 + 损失函数 + 图片分类数据集

课时11：多层感知机 + 代码实现

课时12：模型选择 + 过拟合和欠拟合

课时13：权重衰退

课时14：丢弃法

课时15：数值稳定性 + 模型初始化和激活函数

课时16：实战：Kaggle房价预测 + 课程竞赛：加州2020年房价预测

课时17：PyTorch 神经网络基础

课时18：使用和购买 GPU

课时19：预测房价竞赛总结

课时20：卷积层

课时21：卷积层里的填充和步幅

课时22：AutoGluon背后的技术

课时23：卷积层里的多输入多输出通道

课时24：池化层

课时25：经典卷积神经网络 LeNet

课时26：深度卷积神经网络 AlexNet

课时27：使用块的网络 VGG

课时28：网络中的网络 NiN

课时29：含并行连结的网络 GoogLeNet - Inception V3

课时30：批量归一化

课时31：残差网络 ResNet

课时32：ResNet为什么能训练出1000层的模型

课时33：第二部分完结竞赛：图片分类

课时34：深度学习硬件：CPU 和 GPU

课时35：深度学习硬件：TPU和其他

课时36：单机多卡并行

课时37：多GPU训练实现

课时38：分布式训练

课时39：数据增广

课时40：微调

课时41：第二次竞赛 树叶分类结果

课时42：实战 Kaggle 比赛：图像分类（CIFAR-10）

课时43：实战 Kaggle 比赛：狗的品种识别（ImageNet Dogs）

课时44：物体检测和数据集

课时45：锚框

课时46：树叶分类竞赛技术总结

课时47：物体检测算法：R-CNN，SSD，YOLO

课时48：SSD实现

课时49：语义分割和数据集

课时50：转置卷积

课时51：转置卷积是一种卷积

课时52：全连接卷积神经网络FCN

课时53：样式迁移

课时54：课程竞赛：牛仔行头检测

课时55：序列模型

课时56：文本预处理

课时57：语言模型

课时58：循环神经网络RNN

课时59：循环神经网络RNN的实现

课时60：门控循环单元（GRU）

课时61：长短期记忆网络（LTSM）

课时62：深层循环神经网络

课时63：双向循环神经网路

课时64：机器翻译数据集

课时65：编码器-解码器架构

课时66：序列到序列学习（seq2seq）

课时67：束搜索

课时68：注意力机制

课时69：注意力分数

课时70：使用注意力机制的seq2seq

课时71：自注意力

课时72：Transformer

课时73：BERT预训练

课时74：BERT微调

课时75：目标检测竞赛总结

课时76：优化算法

课时77：课程总结和进阶学习