【极致中配】CMU11785卡内基梅隆大学 深度学习导论｜2026 年春季（持续更新）
CMU经典深度学习导论课，从感知机、MLP与反向传播出发，系统讲解CNN、RNN、注意力机制等核心模型的原理与实现。
- 难度
- 难度 4/5 — 需线性代数、概率与Python编程基础，涵盖前沿深度学习理论与大量编程作业
- 适合人群
- 有理工科数学与编程基础、想系统掌握深度学习的高年级本科生及研究生
- 前置要求
- 线性代数（矩阵运算、向量空间）、概率论与统计（概率分布、期望、最大似然）、微积分（多元微分、链式法则，用于反向传播）、Python编程（熟悉NumPy，作业中会用PyTorch）
- 课程规模
- 14 讲 · 1454播放
主题覆盖
感知机与MLP反向传播万能逼近定理梯度下降与优化正则化卷积神经网络CNN循环神经网络RNNLSTM/GRU序列建模注意力机制神经网络训练技巧损失函数
课程大纲（14 讲）
- P1 · Lecture 021 分钟
- P2 · Lecture 158 分钟
- P3 · Lecture 258 分钟
- P4 · Lecture 357 分钟
- P5 · Lecture 456 分钟
- P6 · Lecture 558 分钟
- P7 · Lecture 657 分钟
- P8 · Lecture 756 分钟
- P9 · Lecture 857 分钟
- P10 · Lecture 956 分钟
- P11 · Lecture 1058 分钟
- P12 · Lecture 1156 分钟
- P13 · Lecture 1256 分钟
- P14 · Lecture 1357 分钟
本课程卡由 AI 生成，可能存在误差，欢迎反馈。