深度学习的实践与发展——杰弗里·辛顿在人工智能领域留下的遗产

杰弗里·辛顿被誉为“人工智能之父”。

我们刚刚在freeCodeCamp.org的YouTube频道上发布了一门课程，这门课程通过重现杰弗里·辛顿的开创性研究成果，帮助您掌握现代神经网络的相关知识。该课程涵盖了他的主要论文，让您能够了解这些理念是如何在几十年的发展过程中逐渐演变的——从玻尔兹曼机、反向传播算法，到深度信念网络、t-SNE技术、AlexNet模型、Dropout机制、知识蒸馏技术、胶囊网络、层归一化方法，以及前向传播算法等等。

在这门时长为27小时的课程中，穆罕默德·阿布拉赫将会详细解释每项研究背后的动机、所解决的问题、论文中提出的核心理念，并将这些理论与使用PyTorch实现的实践应用联系起来进行讲解。

本教程涵盖的内容包括：

• 杰弗里·辛顿在深度学习领域的研究历程

• 玻尔兹曼机如何通过基于能量的模型实现学习功能

• 如何利用反向传播算法来学习数据表示

• 分布式表示技术以及自适应局部专家混合模型

• 亥姆霍兹机与Wake-Sleep算法

• 随机邻居嵌入技术与t-SNE的基础原理

深度信念网络及贪婪式逐层预训练方法

• 深度玻尔兹曼机

• 修正线性单元如何帮助改进受限玻尔兹曼机

• 利用深度卷积神经网络（AlexNet）进行ImageNet分类

• Dropout机制在减少过拟合中的作用

知识蒸馏技术及神经网络之间的知识迁移

• 层归一化方法

• 胶囊网络中的动态路由机制

• 视觉表示的对比学习方法

• 前向传播算法

这些核心理念在PyTorch中的实际应用案例

• 有助于理解相关算法的可视化演示与实验

• 这些历史性研究理论与现代人工智能架构之间的联系

请访问freeCodeCamp.org的YouTube频道观看这门完整的课程（时长27小时）。