Introduction

欢迎来到 DL-Optimization 仓库！本项目全面探索了深度学习的数学基础、算法以及优化技术，这些构成了现代深度学习的核心。博客链接是对内容的介绍，会持续更新….

项目代码链接：GitHub – Arwin-Yu/DL-Optimization

本仓库分为三个主要部分：

1. 数学基础

这些笔记本涵盖了深度学习和机器学习所需的一些基础和进阶的数学概念，掌握这些内容能帮助你深入理解深度学习模型的工作原理，并能在实际应用中进行更加高效的建模与优化。

01_Advanced_Mathematics.ipynb：深度学习中使用的高级数学概念。

02_Linear_Algebra.ipynb：线性代数基础，包括矩阵、向量和特征值。

03_Probability_Theory.ipynb：深度学习模型中必需的概率理论概念。

04_Information_Theory.ipynb：信息论的关键原理，如熵和互信息。

05_Graph_Theory.ipynb：图结构及其在机器学习中的应用。

06_Group_Theory.ipynb：群论概念及其在几何深度学习中的相关性。

07_Quantum_Mechanics.ipynb：量子力学原理及其与深度学习的联系。

2. 深度学习算法与框架

这些笔记本详细介绍了当前深度学习领域中的关键模型及其应用，涵盖了从传统神经网络到更先进的生成对抗网络（GAN）和图神经网络（GNN）等多个主题。通过学习这些内容，你将获得实现和优化各种深度学习模型的能力，理解不同模型的工作原理以及它们在不同任务中的应用。

dl_01_NN.ipynb：神经网络基础和基本架构介绍。

dl_02_CNN.ipynb：卷积神经网络在图像处理和特征提取中的应用。

dl_03_RNN.ipynb：循环神经网络用于序列建模。

dl_04_Encoder_Decoder.ipynb：编码器-解码器架构，用于翻译和摘要等任务。

dl_05_Transformer.ipynb：Transformer 模型及其在自然语言处理中的应用。

dl_06_GAN.ipynb：生成对抗网络，用于图像生成和数据增强。

dl_07_Diffusion.ipynb：扩散模型及其在概率建模中的作用。

dl_08_GNN.ipynb：图神经网络，用于图数据的表示和学习。

dl_09_RL.ipynb：强化学习算法，用于决策和控制任务。

3. 深度学习模型训练方法

opt_01_SupervisedLearning.ipynb 视频讲解：有监督学习

opt_02_UnSupervisedLearning.ipynb 视频讲解：无监督学习

opt_03_SelfsupervisedLearning.ipynb 视频讲解：自监督学习

opt_04_SimiSupervisedLearning.ipynb 视频讲解：半监督学习

opt_05_ContrastiveLearning.ipynb 视频讲解：对比学习

opt_06_TransferLearning.ipynb 视频讲解：迁移学习

opt_07_AdversarialLearning.ipynb 视频讲解：对抗学习

opt_08_EnsembleLearning.ipynb 视频讲解：集成学习

opt_09_FederatedLearning.ipynb 视频讲解：联邦学习

opt_10_ReinforcementLearning.ipynb 视频讲解：强化学习

opt_11_Active_Learning.ipynb 视频讲解：主动学习

项目目标

提供一个统一的资源，用于学习深度学习中使用的数学、算法和训练方法。

提供实践性的动手示例，巩固理论概念。

为人工智能和深度学习领域的学生、研究人员和从业者提供参考指南。