}
本课程将引领你进一步探索深度学习的奥秘，让你手把手学会如何为神经网络赋予思考的能力。通过学习和训练，神经网络能够利用数学理论知识进行有效的编程实践。本课程主要围绕参数调整展开，分为五个部分。
首先，了解损失函数的重要性，它比较神经网络输出与正确答案之间的差异，以确定参数的好坏。接着，深入探究数学知识，具体涉及导数的概念，它反映了损失函数随参数变化的幅度，为参数调整提供依据。随后，介绍梯度下降法，这是神经网络学习过程中的核心算法，参数根据导数的值进行调整。
此外，课程还涉及数据获取和处理的相关知识。神经网络的学习训练需要大量的数据，这部分将讲解如何从不同来源获取数据，并对其进行必要的转换和处理，以供神经网络训练之用。
最后，进入实践环节。创建两层神经网络的类，结合预测值、损失函数和梯度，对神经网络进行深度学习实践。通过自制数据集，进一步巩固和拓展神经网络的应用能力。
课程目录如下：
1. 课程介绍
2. 损失函数详解
3. 均方误差编程实现
4. 交叉熵误差及编程
5. 导数的概念与编程实现
6. 导数的计算
7. 偏导数的介绍
8. 从导数到梯度的转换
9. 梯度的编程实践
10. 梯度下降法编程实践
11. 梯度算法优化
12. 运用到简单的神经网络实践
13. 数据集介绍
14. 从互联网获取数据集
15. 数据的转换和处理
16. 数据的保存和加载实践
17. 创建两层神经网络的类
18. 预测值、损失函数、梯度的结合实践
19. 神经网络类的小结
20. 神经网络的深度学习实践
21. 自制数据集初步探索
附：AI0（资料）.rar
