神经网络新手入门（1）目录
神经网络新手入门目录
第一阶段：基础认知
-
神经网络发展简史
- 从生物神经元到MP模型（1943）
- 感知机与AI寒冬
- 深度学习的复兴
-
核心概念解析
- 神经元结构：输入/权重/激活函数/输出
- 网络层级：输入层/隐藏层/输出层
- 前向传播与反向传播初探
第二阶段：数学工具准备
3. 必备数学基础
- 线性代数：向量运算/矩阵乘法
- 微积分基础：导数/梯度概念
- 概率统计：均值/方差基础
第三阶段：网络结构演进
4. 单层神经网络
- 感知机原理与局限性
- 逻辑门实现示例（AND/OR）
- 激活函数：Sigmoid vs ReLU
- 多层神经网络
- 隐藏层的革命性意义
- 万能近似定理
- 深度神经网络架构图解
第四阶段：训练方法论
6. 学习机制详解
- 损失函数：MSE/交叉熵
- 梯度下降算法可视化
- 反向传播的链式法则
- 实战调优技巧
- 过拟合对策：Dropout/正则化
- 学习率衰减策略
- Batch Normalization原理
第五阶段：项目实践
8. 经典案例实战
- MNIST手写数字识别（Python+TensorFlow）
- 简单图像分类项目
- 调参日志记录与分析
第六阶段：拓展提升
9. 现代网络架构
- CNN卷积神经网络入门
- RNN循环神经网络概览
- Transformer基础认知
- 学习资源导航
- 推荐书籍：《深度学习》(花书)
- 优质课程：Andrew Ng深度学习专项
- 开发工具：Colab/Jupyter环境配置
学习建议：每个章节建议配合代码实践（如用NumPy实现简单网络），推荐使用Kaggle进行数据集练习，遇到问题可参考电子工程世界论坛的技术讨论。