《深度学习导论与应用实践》代码合集
本次将《深度学习导论与应用实践》中所有实践代码在AI Studio上进行开源，每个项目均可fork后直接运行。
Note:运行项目时请根据运行环境为GPU或者CPU，对代码中相关参数进行设置。
第2章 Python入门
2.5 实践：豆瓣高分电影爬取
数据是人工智能时代的燃料. 通过此节, 您可以掌握Python语言的基本知识以及如何使用Python获取数据.
项目链接：[点击这里]
第3章 机器学习基础
3.5 实践：鸢尾花分类
深度学习是机器学习下的一个分支, 因此有必要了解一下机器学习的基本原理和知识
项目链接：[点击这里]
第 4 章 深度学习基础
4.6 实践：手写数字识别
本节是深度学习入门的最佳样例, 大多数的深度学习框架都会以MNIST手写数字识别作为相关第一课.
项目链接：[点击这里]
第 5 章 卷积神经网络
5.8 实践：猫狗识别
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一.
卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求.
项目链接：[点击这里]
第 6 章 循环神经网络
6.5 实践:电影评论情感分析
在自然语言处理中，情感分析一般指判断一段文本所表达的情绪状态，属于文本分类问题。本实验采用IMDB评论数据集, 包含来自互联网的50000条严重两极分化的评论. 用户将在此节学到自然语言处理的基本知识.
项目链接：[点击这里]
第 7 章 深度学习进阶
7.4 实践：生成对抗网络
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。
项目链接：[点击这里]
第 8 章 深度学习应用：计算机视觉
8.3 实践：目标检测
目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。 随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
项目链接：[点击这里]
第 9 章 深度学习应用：自然语言处理
9.3 实践：机器翻译
机器翻译，又称为自动翻译，是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支，是人工智能的终极目标之一，具有重要的科学研究价值。
项目链接：[点击这里]
