课程描述
深度学习是一个专门在大型，非结构化数据集中发现和提取复杂结构的领域，用于对具有多层结构的人工神经网络进行参数化。由于深度学习推动了许多研究和应用领域中的最先进技术，因此它已成为现代技术不可缺少的一部分。
本课程的重点是通过将其连接到统计中的相关概念（例如广义线性模型和最大似然估计）来理解深度的人工神经网络。除了涵盖用于预测建模的深度学习模型之外，本课程的后半部分还将重点介绍深度生成模型和基于随机变分推理的模型，从而可以学习定向的概率模型。
除了在数学和概念层面涵盖和解释深度学习和生成模型之外，本课程还强调了深度学习的实践方面。来自Python开放源代码生态系统用于科学计算的开放源代码库将用于为学生提供实践经验，以实现深层神经网络，从事有监督的学习任务以及将生成模型应用于数据集合成。关于班级项目，学生将组成一个三人一组的团队，共同研究项目提案，以概述项目的计划范围，并与讲师会面，以进行进一步的讨论和反馈。收到有关建议的反馈后，学生将独立完成最终项目报告，论文将以会议论文的形式提交，供其他学生和讲师进行同行评审。最后，学生将在学期末进行8到10分钟的演讲，以在课堂上正式介绍他们的项目。
课程大纲
课程主页
http://pages.stat.wisc.edu/~sraschka/teaching/stat453-ss2021/#course-topics-and-calendar
课程视频截图
