[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-heartcored98--Standalone-DeepLearning":3,"tool-heartcored98--Standalone-DeepLearning":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":23,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":107,"github_topics":83,"view_count":23,"oss_zip_url":83,"oss_zip_packed_at":83,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":111},3022,"heartcored98\u002FStandalone-DeepLearning","Standalone-DeepLearning","2019 KAIST 딥러닝 홀로서기 세미나용 저장소입니다.","Standalone-DeepLearning 是韩国科学技术院（KAIST）于 2019 年推出的深度学习自学研讨会开源资源库。它旨在解决初学者在入门深度学习时面临的理论晦涩、缺乏系统实战指导以及环境配置困难等痛点。\n\n该项目将学习路径精心划分为多个模块，每个模块包含理论讲座、动手实验和课后作业。内容涵盖从机器学习基础、线性回归、逻辑回归到人工神经网络等核心概念，并全面采用 PyTorch 框架进行代码演示。其独特亮点在于提供了完整的“学练结合”闭环：不仅公开了所有讲座的幻灯片和 YouTube 视频录像，还配备了可在 Google Colab 上直接运行的 Jupyter Notebook 实验代码，极大地降低了学习门槛。此外，项目维护者对代码中的常见陷阱（如梯度清零时机）进行了修正与说明，确保学习者能接触到严谨的工程实践。\n\nStandalone-DeepLearning 非常适合希望系统掌握深度学习基础的开发者、高校学生以及人工智能领域的初级研究人员。对于具备一定 Python 基础但渴望深入理解模型原理并积累实战经验的学习者来说，这是一套结构清晰、资源免费且经过教学验证的优质","Standalone-DeepLearning 是韩国科学技术院（KAIST）于 2019 年推出的深度学习自学研讨会开源资源库。它旨在解决初学者在入门深度学习时面临的理论晦涩、缺乏系统实战指导以及环境配置困难等痛点。\n\n该项目将学习路径精心划分为多个模块，每个模块包含理论讲座、动手实验和课后作业。内容涵盖从机器学习基础、线性回归、逻辑回归到人工神经网络等核心概念，并全面采用 PyTorch 框架进行代码演示。其独特亮点在于提供了完整的“学练结合”闭环：不仅公开了所有讲座的幻灯片和 YouTube 视频录像，还配备了可在 Google Colab 上直接运行的 Jupyter Notebook 实验代码，极大地降低了学习门槛。此外，项目维护者对代码中的常见陷阱（如梯度清零时机）进行了修正与说明，确保学习者能接触到严谨的工程实践。\n\nStandalone-DeepLearning 非常适合希望系统掌握深度学习基础的开发者、高校学生以及人工智能领域的初级研究人员。对于具备一定 Python 基础但渴望深入理解模型原理并积累实战经验的学习者来说，这是一套结构清晰、资源免费且经过教学验证的优质自学指南。","[![Hits](https:\u002F\u002Fhits.seeyoufarm.com\u002Fapi\u002Fcount\u002Fincr\u002Fbadge.svg?url=https%3A%2F%2Fgithub.com%2Fheartcored98%2FStandalone-DeepLearning&count_bg=%2379C83D&title_bg=%23555555&icon=&icon_color=%23E7E7E7&title=hits&edge_flat=false)](https:\u002F\u002Fhits.seeyoufarm.com)\n\n\n![Test Image 1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fheartcored98_Standalone-DeepLearning_readme_f11d98135650.png)  \n\n\n## 이 저장소를 활용하시는 모든 분들께 알리는 중요 공지사항 (2021.01.05)  \n\n> 여러 랩 실습 코드 내에서 `optimizer.zero_grad()`가 매 iteration의 초반부에 호출되지 않고 Epoch 마다 한번씩만 실행되는 오류가 있었습니다. 해당 오류들은 모두 파악하여 trainloader 내에서 호출되도록 변경하였습니다. 오류 정정으로 강의 영상 상에서 보여지는 코드와 일부 달라질 수 있으나 본 저장소의 코드를 기준으로 강의를 수강해주시면 감사하겠습니다. (오류를 알려주신 @High-East님, 이준재님 감사드립니다.)\n\n\n## Standalone-DeepLearning \n2019 KAIST 딥러닝 홀로서기 세미나용 저장소입니다.  \n\n각 세미나는 3~4개의 강의 세션과 실습 세션들로 구성되어 있습니다.  \n- 슬라이드를 원하시는 경우 `슬라이드` 링크를 통해 들어가신 후 우측 중간 쯤에 있는 `Download` 버튼을 누르시면 다운로드가 가능합니다.  \n- 오프라인 세미나 영상 자료는 유튜브 채널 혹은 `비디오` 링크를 통해 확인하실 수 있습니다.  \n- 실습 코드는 `실습 코드` 링크를 통해 들어가셔서 확인할 수 있으며 구글 콜라이보레이터를 통해서 직접 실행을 시키고 싶은 경우 실습 코드네 안내를 참고해주세요!  \n- :bookmark_tabs:는 시작하기 전에 보면 좋은 자료, :pencil2:는 이론 강의, :bar_chart:는 실습 강의, :mortar_board:는 과제 그리고 :loudspeaker:는 각 회차에 대한 피드백을 남길 수 있는 설문 링크입니다!   \n\n**만약 저희 세미나가 마음에 드셨다면 우측 상단에 있는 :star2:Star를 박아주세요! 미리 감사드리겠습니다!**  \n\n\n## Contents  \n#### Lec1 (01\u002F17, Thur)  \n딥러닝 홀로서기 세미나 오리엔테이션, Machine Learning Basic과 Linear Regression에 대한 내용을 다뤘습니다.  \n\n:pencil2: Lec1-A(OT) \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec1\u002FLec1-A.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FnHSCpxyAHx8)  \n\n:pencil2: Lec1-B(Machine Learning Basic) \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec1\u002FLec1-B.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FhPXeVHdIdmw)  \n\n:pencil2: Lec1-C(Linear Regression) \u002F 모두를 위한 머신러닝-딥러닝 강의 [슬라이드1](https:\u002F\u002Fhunkim.github.io\u002Fml\u002Flec2.pdf), [슬라이드2](https:\u002F\u002Fhunkim.github.io\u002Fml\u002Flec3.pdf), [슬라이드3](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1bHVxjCVvRKjCgtf6OMmxe35nR65LnsERoWSefWscv2I\u002F) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FDWdtr_IURkU)\n\n:bar_chart: Lab1(Linear Regression) \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec1\u002FLab1_linear_regression.ipynb) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FnQqMT0wbthw)  \n\n:loudspeaker: **1회차**를 즐기셨거나 혹은 어려웠다면 **피드백**을 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FEjHD7zJ6lvmh9thB2) \n\n# \n\n#### Lec2 (01\u002F21, Mon)  \nLogistic Regression, Multi-Label Classification, Artificial Neural Network  \n\n\u003C시작 전에 보면 좋은 자료들>\n\n:bookmark_tabs: Python Class를 잘 모르겠다 -> [점프 투 파이썬 - 클래스 편](https:\u002F\u002Fwikidocs.net\u002F28)  \n:bookmark_tabs: Python 자료형을 잘 모르겠다(tuple, dictionary, set 등) -> [점프 투 파이썬 - 자료형 편](https:\u002F\u002Fwikidocs.net\u002F11)  \n:bookmark_tabs: Numpy와 빠르게 익숙해지고 싶다 -> [김태완님 - Numpy CheatSheet](http:\u002F\u002Ftaewan.kim\u002Fpost\u002Fnumpy_cheat_sheet\u002F)  \n:bookmark_tabs: 다양한 변수들로 실험한 결과를 관리하고 시각화하고 싶다  -> [조재영 - Tox21 MLP](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FCH485_AI_Chemistry\u002Fblob\u002Fmaster\u002FPractice4_logP_CNN\u002FAssignment4_logP_CNN.ipynb)\n\n\n:pencil2: Lec2-A \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLec2-A_before_class.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002Fis_Vw-aJMg4)  \n\n:pencil2: Lec2-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLec2-B_before_class.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FoOQCrm4Vemo)  \n\n:pencil2: Lec2-C \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLec2-C_before_class.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FoOQCrm4Vemo?t=719)  \n\n:bar_chart: Lab2(Pytorch Regression) \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLab2_pytorch_regression_demo.ipynb) \u002F [비디오1](https:\u002F\u002Fyoutu.be\u002F-hWgqTB09DM), [비디오2](https:\u002F\u002Fyoutu.be\u002FkeQ59-RHnJE)   \n\n:bar_chart: Lab3(Pytorch Classification) \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLab3_pytorch_classification_demo.ipynb) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002F_zbSlxz7ENI)\n\n:mortar_board: Assignment1(Pytorch MNIST) \u002F [시작 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FAssignment1_pytorch_MNIST_MLP.ipynb) \u002F [설명 비디오](https:\u002F\u002Fyoutu.be\u002FkeQ59-RHnJE?t=644) \u002F   \n       [피드백 및 과제 제출용 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FznUwZOIHyAtrw2jG3) \u002F (**Due: 2019.01.23(Wed) 22:00**)  \n\n:loudspeaker: **2회차**를 즐기셨거나 혹은 어려웠다면 **피드백**을 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FznUwZOIHyAtrw2jG3)    \n\n#  \n\n#### Lec3 (01\u002F24, Thur)  \nModel Capacity, Overfitting\u002FUnderfitting, Regularization \n\n\u003C시작 전에 보면 좋은 자료들>\n\n:bookmark_tabs: Train, Validation, Test 뭔가 헷갈린다?? -> [About Train, Validation and Test Sets in Machine Learning](https:\u002F\u002Ftowardsdatascience.com\u002Ftrain-validation-and-test-sets-72cb40cba9e7)  \n:bookmark_tabs: Pandas 맛보기 -> [10 Minutes to Pandas](https:\u002F\u002Fpandas.pydata.org\u002Fpandas-docs\u002Fstable\u002F10min.html)  \n:bookmark_tabs: 실험 결과 로깅을 위한 json 파일 포맷 이해하기 -> [JSON으로 작업하기](https:\u002F\u002Fdeveloper.mozilla.org\u002Fko\u002Fdocs\u002FLearn\u002FJavaScript\u002FObjects\u002FJSON)  \n:bookmark_tabs: matplotlib보다 더 쩌는 시각화 라이브러리 -> [seaborn](https:\u002F\u002Fseaborn.pydata.org\u002Findex.html)  \n\n:pencil2: Lec3-A \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-A.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002F5zOkE7IPhxc)  \n  \n:pencil2: Lec3-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-B.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002Fssf49Ppvh8c)  \n    \n:pencil2: Lec3-C \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-C.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002F4ZIw7wWFhZ8)  \n\n:pencil2: Lec3-D \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-D.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002F_sz3KTyB9Lk)  \n\n:pencil2: Lec3-E \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-E.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002F-i8b-srMhGM)  \n\n:bar_chart: Lab4(Pretty Code) \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLab4_write_pretty_DL_code.ipynb) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002Flh2Ed-b5l28)  \n\n:mortar_board: Assignment2(Cifar10 Hyperparameter Tuning) \u002F [시작 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLab4_write_pretty_DL_code.ipynb) \u002F [설명 비디오](https:\u002F\u002Fyoutu.be\u002Flh2Ed-b5l28) \u002F  \n      [피드백 및 과제 제출용 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002F2bTUJdyzHTEFxFth1) \u002F (**Due: 2019.01.27(Sun) 22:00**)    \n\n:loudspeaker: **3회차**를 즐기셨거나 혹은 어려웠다면 **피드백**을 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002F2bTUJdyzHTEFxFth1)    \n\n#  \n\n#### Lec4 (01\u002F28, Mon)  \nOptimizer, Visualize 5 dimension Data with Pandas & Seaborn  \n\n:pencil2: Lec4-A(with Lab5) \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLec4-A.pdf) \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLab5_regularization_implemented.ipynb) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002Fqx9uglq80Qs)  \n\n:pencil2: Lec4-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLec4-B.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002Fa5R4gL1ObP8)    \n\n:bar_chart: Lab6 \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLec4-C.pdf) \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLab6_result_report.ipynb) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002F7CMxgqvrDgg)  \n\n:mortar_board: Assignment3(Again, Cifar10 Hyperparameter Tuning) \u002F [시작 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FAssignment3_cifar10_MLP.ipynb) \u002F  \n      [피드백 및 과제 제출용 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FXQHdElHCueyCwfoi2) \u002F (**Due: 2019.01.30(Wed) 22:00**)  \n\n:loudspeaker: **4회차**를 즐기셨거나 혹은 어려웠다면 **피드백**을 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FXQHdElHCueyCwfoi2)    \n\n#\n    \n#### Lec5 (01\u002F31, Thur)\n\nBasic of Convolutional Neural Network (CNN)\n\n:pencil2: Lec5-A (Review of assignment #3) \u002F [과제 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FAssignment3_cifar10_MLP.ipynb) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=NPcQ_SdSDN0&t=5s)\n\n:pencil2: Lec5-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec5\u002FLec5-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=PIft4URoQcw)\n\n:bar_chart: Lab7 \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec5\u002FLab7_CIFAR-10_with_CNN.ipynb) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uskpN90u-dE)\n\n:mortar_board: Assignment4(CIFAR-10 classification with CNN) \u002F [시작코드]() \u002F [피드백 및 과제 제출용 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002F32IOKOodoBjY63VO2) \u002F (**Due: 2019.02.06(Wed) 22:00**)\n\n:loudspeaker: **5회차**를 즐기셨거나 혹은 어려웠다면 **피드백**을 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002F32IOKOodoBjY63VO2)\n\n#\n    \n#### Lec6 (02\u002F07, Thur)\n\nAdvanced CNN Architectures (Skip-connection, Inception, ResNet)\n\n:pencil2: Lec6-A (Review of assignment #4) \u002F [과제 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec5\u002FAssignment4_CIFAR-10_with_CNN.ipynb) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fPibzxr6LdQ&t=17s)\n\n:pencil2: Lec6-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FLec6-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=8mI9zRdx2Es)\n\n:bar_chart: Lab8 \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FLab8_CIFAR_100_with_ResNet.ipynb) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Fh3vxJNoREA)\n\n:mortar_board: Assignment5(CIFAR-100 classification with ResNet) \u002F [시작코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FAssignment5_CIFAR-100_with_ResNet.ipynb) \u002F [피드백 및 과제 제출용 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FawJO5Sk1fKCT82mY2) \u002F (**Due: 2019.02.010(Sun) 22:00**)\n\n:loudspeaker: **6회차**를 즐기셨거나 혹은 어려웠다면 **피드백** 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FawJO5Sk1fKCT82mY2)\n\n#  \n \n#### Lec7 (02\u002F11, Mon)  \n \nBasic of Recurrent Neural Network (RNN)  \n  \n:pencil2: Lec7-A (Review of assignment #5) \u002F [과제 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FAssignment5_CIFAR-100_with_ResNet.ipynb) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bPVQGnxbwr0)\n\n:pencil2: Lec7-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec7\u002FLec7-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bPRfnlG6dtU)\n\n:bar_chart: Lab9 \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec7\u002FLab9_learn_trigonometric_with_RNN.ipynb) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002FtlyzfIYvMWE)\n\n:loudspeaker: **7회차**를 즐기셨거나 혹은 어려웠다면 **피드백** 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FoheopjRPfQGVjTLD3)\n\n\n#  \n \n#### Lec8 (02\u002F14, Thur)   \n \nAdvanced RNN Architectures (LSTM, GRU)  \n\n\u003C시작 전에 보면 좋은 자료들>\n\n:bookmark_tabs: LSTM을 시각적으로 쉽게 이해하고 싶다면 -> [Understanding LSTM Networks - Colah's Blog](http:\u002F\u002Fcolah.github.io\u002Fposts\u002F2015-08-Understanding-LSTMs\u002F)    \n:bookmark_tabs: pytorch에서 나만의 데이터셋을 만들려면? -> [Data Loading Tutorial - Pytorch Official Tutorial](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Fbeginner\u002Fdata_loading_tutorial.html)  \n:bookmark_tabs: LSTM을 pytorch에서 정확하게 쓰려면? -> [LSTM for time series in pytorch - Jessica's Blog](http:\u002F\u002Fwww.jessicayung.com\u002Flstms-for-time-series-in-pytorch\u002F)    \n\n:pencil2: Lec8-A \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec8\u002FLec8-A.pdf) \u002F [비디오](https:\u002F\u002Fyoutu.be\u002Fcs3tSnAsyRs)\n\n:bar_chart: Lab10 \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec8\u002FLab10_Stock_Price_Prediction_with_LSTM.ipynb) \u002F [비디오]()  \n\n:loudspeaker: **8회차**를 즐기셨거나 혹은 어려웠다면 **피드백** 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002Fa7gbaxIvYUOTue1T2)\n\n\n#  \n \n#### Lec9 (02\u002F18, Mon)   \n \nBasic of Graph Convolutional Network (GCN)  \n\n\u003C시작 전에 보면 좋은 자료들>\n\n:bookmark_tabs: GCN을 찬찬히 제대로 다시 공부하고 싶다면? -> [Graph Convolutional Networks - Thomas's Blog](https:\u002F\u002Ftkipf.github.io\u002Fgraph-convolutional-networks\u002F)    \n:bookmark_tabs: 분자 데이터를 쉽게 다룰 수 있는 RDkit 라이브러리를 더 알고 싶다면? -> [Practice RDkit - Seongok's Jupyter Notebook](https:\u002F\u002Fgithub.com\u002FSeongokRyu\u002FCH485---Artificial-Intelligence-and-Chemistry\u002Fblob\u002Fmaster\u002FPractice%2002\u002Fpractice_rdkit.ipynb)    \n\n\n:pencil2: Lec9-A \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec9\u002FLec9-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=YL1jGgcY78U)\n\n:bar_chart: Lab11 \u002F [실습 코드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec9\u002FLab11_logP_Prediction_with_GCN.ipynb) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=htTt4iPJqMg)  \n\n:loudspeaker: **9회차**를 즐기셨거나 혹은 어려웠다면 **피드백** 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002F09g6VmE4tdIQAi8E3)\n\n#  \n \n#### Lec10 (02\u002F21, Thur)   \n \nGenerative Model: VAE and GAN\n\n\u003C시작 전에 보면 좋은 자료들>\n\n:bookmark_tabs: Maximum Likelihood에 대해 궁금하다면? -> [Probability vs Likelihood](http:\u002F\u002Frpubs.com\u002FStatdoc\u002F204928)    \n\n:pencil2: Lec10-A \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec10\u002FLec10-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=54hyK1J4wTc)  \n\n:pencil2: Lec10-B \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec10\u002FLec10-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=LeMnE1TIil4)  \n\n:pencil2: Lec10-C \u002F [슬라이드](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec10\u002FLec10-A.pdf) \u002F [비디오](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=JOjMk-E1CnQ)  \n  \n:loudspeaker: **10회차**를 즐기셨거나 혹은 어려웠다면 **피드백** 남겨주세요! \u002F [피드백 설문](https:\u002F\u002Fgoo.gl\u002Fforms\u002FQZtWwQwTYsfAd6zA2)  \n\n# Course Review  \n\n**저희 세미나와 함께 해주셨던 분들이 남겨주신 최종 피드백입니다.**    \n\n> 어려운 내용도 쉽게 설명해주시려 했던점, 항상 매 강의마다 피드백을 받고 개선하시려던 모습, 어려운부분\u002F궁금한 점은 없는지 한 학생 한학생 신경쓰시면서 수업 진행해주셔서 감사했습니다. 덕분에 딥러닝에 대해 자세히 공부할 수있는 시간이었고, 무엇보다도 가장 좋았던 것은 이론과 함께 실제 코드에서는 어떻게 사용되는지 실습까지 함께 이루어져서 좋았습니다. 한달동안 강사분들 너무 수고하셨어요~  \n\n\u003Cp align=\"right\"> \n-문화기술대학원 석사과정 수강생\n\u003C\u002Fp>\n\n#  \n\n> 혼자서 어떻게 딥러닝에 대해 알아야되나 고민을 했는데 해결이 조금 된것 같습니다. 좋은 강의 잘 들었습니다!  \n\n\u003Cp align=\"right\"> \n-생명과학과 석사과정 수강생\n\u003C\u002Fp>\n\n#  \n\n> 파이썬에 대한 기초 지식없이 수강 신청부터 해버려서 진도를 따라감에 있어서 다소 어려움이 있었으나 강의 자체는 많은 도움이 되었습니다. 감사합니다~  \n\n\u003Cp align=\"right\"> \n-기술경영학과 박사과정 수강생\n\u003C\u002Fp>\n  \n#  \n\n> 강의하시느라 고생이 많으셨습니다. 중간부터는 제가 박사과정학생인 관계로 참석을 하지 못해서 죄송할 뿐입니다. 유익한 수업 덕분에 많은 것들을 배워갑니다.  \n\n\u003Cp align=\"right\"> \n-생명화학공학과 박사과정 수강생\n\u003C\u002Fp>\n  \n#  \n\n> 수업 시간에 실습을 하는 수업을 처음 들어봤는데 장단점이 모두 있었습니다. 일단 코딩을 시작한지 얼마 안된 입장에서는 이미 완벽하게 짠 코드를 보고 할 때보다 코드 한줄 한줄이 어떤 순서로 왜 들어갔는지 이해하기 좋았고, 문제가 생겼을 때 디버깅\u002F트러블슈팅을 어떻게 하는지 알 수 있어 특히 유용했습니다! 동시에 그만큼 코딩이 익숙하지 않은 사람은 후반부 수업에서는 '이미 프로그래밍을 어느 정도 해본 선생님들의 코딩 방식+오늘 배운 개념+이전에 짠 코드를 바탕으로 추가되는 모듈'을 따라가는 것이 조금 버겁게 느껴질 때가 있었네요. 하지만 좀 버거워도 지금 이렇게 수업을 듣고 코딩을 해본 것이, 당장은 이해가 안되도 매번 MNIST, CIFAR 같은 쉬운 데이터셋만 다루는 것보다 나중에 참고해서 공부하면 장기적으로 더 좋겠다는 생각도 듭니다! \n이론 수업은 제가 이전에 몇 번 공부를 하기도 했고, 또 너무 수학적으로 치우치지 않으면서도 대충 용어만 설명하지 않고 도출 과정의 논리를 말씀해주셔서 알맞게 좋았습니다. \n잠도 제대로 못자고 수업 준비 하고, 무려 라이브코딩과 과제리뷰(나중엔 거의 못냈지만 다 시도는 해보았습니다)까지 어마무시한 수업 준비하고 강의해주신 것 다시 한 번 정말 감사드립니다!   \n\n\u003Cp align=\"right\"> \n-문화기술대학원 석사과정 수강생\n\u003C\u002Fp>\n\n#  \n\n> 여건을 고려하면 아주 훌륭한 강의였습니다! 특히 두 분의 강의력에 매번 감탄하며 수업을 들었던 기억이 나네요 :) \n현실적으로 가능하다면 추후에는 좀 더 다양한 real world problem case에 대해 실습을 진행하면 좋지 않을까 싶네요ㅎㅎ 덕분에 겨울방학을 보람차게 보낼 수 있었습니다. 강의 진행하신 두 분, 그리고 이 강의에 도움 주신 모든 분들께 감사드립니다☺️\n\n\u003Cp align=\"right\"> \n-화학과 학사과정 수강생\n\u003C\u002Fp> \n\n#  \n\n> 코딩을 직접보고 어떻게 작성하는지 그 과정을 지켜보는 것도 흥미로왔고 짜여져 있는 코드를 내 상황에 맞는 변수로 수정해서 작동해 보며 프로그래밍에 훨씬 친숙해지는 계기가되어 좋았음\n애쓰셨습니다.  \n\n\u003Cp align=\"right\"> \n-투자정보과 박사과정 수강생\n\u003C\u002Fp>\n  \n  \n\n## 만든이 \n\n조재영(Kevin Jo)\u003Csup>1,2,3\u003C\u002Fsup>, 김승수(SeungSu Kim)\u003Csup>1,2,3\u003C\u002Fsup>  \n\n\u003Csup>1\u003C\u002Fsup> \u003Csub>현재는 오토피디아에서 차량문제 해결 서비스, 닥터차를 만들고 있어요!\u003C\u002Fsub>  \n\u003Csup>2\u003C\u002Fsup> \u003Csub>딩브로 주식회사\u003C\u002Fsub>  \n\u003Csup>3\u003C\u002Fsup> \u003Csub>KAIST\u003C\u002Fsub>  \n\n> 오토피디아는 지금 채용 중!  \n> [> 포지션 살펴보기](https:\u002F\u002Fcareer.doctor-cha.com\u002F?utm_source=github&utm_medium=social&utm_campaign=%EB%94%A5%EB%9F%AC%EB%8B%9D%ED%99%80%EB%A1%9C%EC%84%9C%EA%B8%B0)  \n","[![Hits](https:\u002F\u002Fhits.seeyoufarm.com\u002Fapi\u002Fcount\u002Fincr\u002Fbadge.svg?url=https%3A%2F%2Fgithub.com%2Fheartcored98%2FStandalone-DeepLearning&count_bg=%2379C83D&title_bg=%23555555&icon=&icon_color=%23E7E7E7&title=hits&edge_flat=false)](https:\u002F\u002Fhits.seeyoufarm.com)\n\n\n![测试图片1](Lec1\u002F封面1次.png)  \n\n\n## 致所有使用本仓库的朋友们的重要通知（2021年1月5日）  \n\n> 在多个实验代码中，曾出现`optimizer.zero_grad()`未在每个迭代开始时调用，而仅在每个Epoch结束时执行一次的错误。现已查明并修复了这些问题，已将其修改为在trainloader内部进行调用。由于错误修正，部分代码可能与课程视频中的展示有所不同，但请以本仓库中的代码为准来学习课程，非常感谢！（特别感谢@High-East和李俊宰同学指出此问题。）\n\n\n## Standalone-DeepLearning \n这是2019年KAIST“深度学习独立入门”研讨会的代码仓库。  \n\n每次研讨会由3至4个理论讲座和若干实践环节组成。  \n- 如需幻灯片，请点击“幻灯片”链接，然后在页面右侧中部找到“Download”按钮进行下载。  \n- 线下研讨会的视频资料可通过YouTube频道或“视频”链接查看。  \n- 实践代码可在“实践代码”链接中获取；若希望使用Google Colab直接运行代码，请参考实践代码内的说明！  \n- :bookmark_tabs:表示开始前值得阅读的资料，:pencil2:表示理论课程，:bar_chart:表示实践课程，:mortar_board:表示作业，而:loudspeaker:则是每期反馈问卷的链接！  \n\n**如果您喜欢我们的研讨会，请在右上角点个:star2:Star吧！提前感谢您的支持！**  \n\n\n## 目录  \n#### Lec1（1月17日，周四）  \n本次研讨会介绍了“深度学习独立入门”的整体情况，并讲解了机器学习基础及线性回归的相关内容。  \n\n:pencil2: Lec1-A（OT） \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec1\u002FLec1-A.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FnHSCpxyAHx8)  \n\n:pencil2: Lec1-B（机器学习基础） \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec1\u002FLec1-B.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FhPXeVHdIdmw)  \n\n:pencil2: Lec1-C（线性回归） \u002F 《面向所有人》机器学习-深度学习课程 [幻灯片1](https:\u002F\u002Fhunkim.github.io\u002Fml\u002Flec2.pdf), [幻灯片2](https:\u002F\u002Fhunkim.github.io\u002Fml\u002Flec3.pdf), [幻灯片3](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1bHVxjCVvRKjCgtf6OMmxe35nR65LnsERoWSefWscv2I\u002F) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FDWdtr_IURkU)\n\n:bar_chart: Lab1（线性回归） \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec1\u002FLab1_linear_regression.ipynb) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FnQqMT0wbthw)  \n\n:loudspeaker: 如果您享受了**第一期**的内容，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FEjHD7zJ6lvmh9thB2) \n\n# \n\n#### Lec2（1月21日，周一）  \n逻辑回归、多标签分类以及人工神经网络  \n\n\u003C开始前值得阅读的资料>\n\n:bookmark_tabs: 对Python类不太熟悉 -> [跳转到Python - 类篇](https:\u002F\u002Fwikidocs.net\u002F28)  \n:bookmark_tabs: 对Python数据类型不熟悉（元组、字典、集合等） -> [跳转到Python - 数据类型篇](https:\u002F\u002Fwikidocs.net\u002F11)  \n:bookmark_tabs: 想快速掌握Numpy -> [金泰完 - Numpy速查表](http:\u002F\u002Ftaewan.kim\u002Fpost\u002Fnumpy_cheat_sheet\u002F)  \n:bookmark_tabs: 希望管理和可视化多种变量的实验结果 -> [赵在英 - Tox21 MLP](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FCH485_AI_Chemistry\u002Fblob\u002Fmaster\u002FPractice4_logP_CNN\u002FAssignment4_logP_CNN.ipynb)\n\n\n:pencil2: Lec2-A \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLec2-A_before_class.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002Fis_Vw-aJMg4)  \n\n:pencil2: Lec2-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLec2-B_before_class.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FoOQCrm4Vemo)  \n\n:pencil2: Lec2-C \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLec2-C_before_class.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FoOQCrm4Vemo?t=719)  \n\n:bar_chart: Lab2（PyTorch回归） \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLab2_pytorch_regression_demo.ipynb) \u002F [视频1](https:\u002F\u002Fyoutu.be\u002F-hWgqTB09DM), [视频2](https:\u002F\u002Fyoutu.be\u002FkeQ59-RHnJE)   \n\n:bar_chart: Lab3（PyTorch分类） \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FLab3_pytorch_classification_demo.ipynb) \u002F [视频](https:\u002F\u002Fyoutu.be\u002F_zbSlxz7ENI)\n\n:mortar_board: Assignment1（PyTorch MNIST） \u002F [起始代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec2\u002FAssignment1_pytorch_MNIST_MLP.ipynb) \u002F [讲解视频](https:\u002F\u002Fyoutu.be\u002FkeQ59-RHnJE?t=644) \u002F   \n       [用于反馈和提交作业的问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FznUwZOIHyAtrw2jG3) \u002F (**截止日期：2019年1月23日（周三）22:00**）  \n\n:loudspeaker: 如果您享受了**第二期**的内容，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FznUwZOIHyAtrw2jG3)    \n\n#  \n\n#### Lec3（1月24日，周四）  \n模型容量、过拟合\u002F欠拟合以及正则化  \n\n\u003C开始前值得阅读的资料>\n\n:bookmark_tabs: 训练集、验证集、测试集总是搞混？ -> [关于机器学习中的训练集、验证集和测试集](https:\u002F\u002Ftowardsdatascience.com\u002Ftrain-validation-and-test-sets-72cb40cba9e7)  \n:bookmark_tabs: Pandas入门 -> [十分钟学会Pandas](https:\u002F\u002Fpandas.pydata.org\u002Fpandas-docs\u002Fstable\u002F10min.html)  \n:bookmark_tabs: 理解用于实验结果记录的JSON文件格式 -> [使用JSON](https:\u002F\u002Fdeveloper.mozilla.org\u002Fko\u002Fdocs\u002FLearn\u002FJavaScript\u002FObjects\u002FJSON)  \n:bookmark_tabs: 比matplotlib更强大的可视化库 -> [seaborn](https:\u002F\u002Fseaborn.pydata.org\u002Findex.html)  \n\n:pencil2: Lec3-A \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-A.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002F5zOkE7IPhxc)  \n  \n:pencil2: Lec3-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-B.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002Fssf49Ppvh8c)  \n    \n:pencil2: Lec3-C \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-C.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002F4ZIw7wWFhZ8)  \n\n:pencil2: Lec3-D \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-D.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002F_sz3KTyB9Lk)  \n\n:pencil2: Lec3-E \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLec3-E.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002F-i8b-srMhGM)  \n\n:bar_chart: Lab4（整洁代码） \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLab4_write_pretty_DL_code.ipynb) \u002F [视频](https:\u002F\u002Fyoutu.be\u002Flh2Ed-b5l28)  \n\n:mortar_board: Assignment2（CIFAR10超参数调优） \u002F [起始代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec3\u002FLab4_write_pretty_DL_code.ipynb) \u002F [讲解视频](https:\u002F\u002Fyoutu.be\u002Flh2Ed-b5l28) \u002F  \n      [用于反馈和提交作业的问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002F2bTUJdyzHTEFxFth1) \u002F (**截止日期：2019年1月27日（周日）22:00**）    \n\n:loudspeaker: 如果您享受了**第三期**的内容，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002F2bTUJdyzHTEFxFth1)\n\n#\n\n#### 第4讲（01月28日，周一）  \n优化器，使用Pandas与Seaborn可视化5维数据  \n\n:pencil2: Lec4-A（含Lab5） \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLec4-A.pdf) \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLab5_regularization_implemented.ipynb) \u002F [视频](https:\u002F\u002Fyoutu.be\u002Fqx9uglq80Qs)  \n\n:pencil2: Lec4-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLec4-B.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002Fa5R4gL1ObP8)    \n\n:bar_chart: Lab6 \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLec4-C.pdf) \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FLab6_result_report.ipynb) \u002F [视频](https:\u002F\u002Fyoutu.be\u002F7CMxgqvrDgg)  \n\n:mortar_board: 作业3（再次，Cifar10超参数调优） \u002F [起始代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FAssignment3_cifar10_MLP.ipynb) \u002F  \n      [反馈及作业提交问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FXQHdElHCueyCwfoi2) \u002F (**截止日期：2019年01月30日（周三）22:00**）  \n\n:loudspeaker: 如果您享受了第4次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FXQHdElHCueyCwfoi2)    \n\n#\n\n#### 第5讲（01月31日，周四）\n\n卷积神经网络（CNN）基础\n\n:pencil2: Lec5-A（作业#3回顾） \u002F [作业代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec4\u002FAssignment3_cifar10_MLP.ipynb) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=NPcQ_SdSDN0&t=5s)\n\n:pencil2: Lec5-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec5\u002FLec5-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=PIft4URoQcw)\n\n:bar_chart: Lab7 \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec5\u002FLab7_CIFAR-10_with_CNN.ipynb) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uskpN90u-dE)\n\n:mortar_board: 作业4（使用CNN进行CIFAR-10分类） \u002F [起始代码]() \u002F [反馈及作业提交问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002F32IOKOodoBjY63VO2) \u002F (**截止日期：2019年02月06日（周三）22:00**）\n\n:loudspeaker: 如果您享受了第5次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002F32IOKOodoBjY63VO2)\n\n#\n\n#### 第6讲（02月07日，周四）\n\n高级CNN架构（跳跃连接、Inception、ResNet）\n\n:pencil2: Lec6-A（作业#4回顾） \u002F [作业代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec5\u002FAssignment4_CIFAR-10_with_CNN.ipynb) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fPibzxr6LdQ&t=17s)\n\n:pencil2: Lec6-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FLec6-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=8mI9zRdx2Es)\n\n:bar_chart: Lab8 \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FLab8_CIFAR_100_with_ResNet.ipynb) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Fh3vxJNoREA)\n\n:mortar_board: 作业5（使用ResNet进行CIFAR-100分类） \u002F [起始代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FAssignment5_CIFAR-100_with_ResNet.ipynb) \u002F [反馈及作业提交问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FawJO5Sk1fKCT82mY2) \u002F (**截止日期：2019年02月10日（周日）22:00**）\n\n:loudspeaker: 如果您享受了第6次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FawJO5Sk1fKCT82mY2)\n\n#\n\n#### 第7讲（02月11日，周一）  \n循环神经网络（RNN）基础  \n\n:pencil2: Lec7-A（作业#5回顾） \u002F [作业代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec6\u002FAssignment5_CIFAR-100_with_ResNet.ipynb) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bPVQGnxbwr0)\n\n:pencil2: Lec7-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec7\u002FLec7-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bPRfnlG6dtU)\n\n:bar_chart: Lab9 \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec7\u002FLab9_learn_trigonometric_with_RNN.ipynb) \u002F [视频](https:\u002F\u002Fyoutu.be\u002FtlyzfIYvMWE)\n\n:loudspeaker: 如果您享受了第7次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FoheopjRPfQGVjTLD3)\n\n\n#\n\n#### 第8讲（02月14日，周四）   \n高级RNN架构（LSTM、GRU）  \n\n\u003C开始前值得参考的资料>\n\n:bookmark_tabs: 如果想直观易懂地理解LSTM -> [理解LSTM网络 - Colah的博客](http:\u002F\u002Fcolah.github.io\u002Fposts\u002F2015-08-Understanding-LSTMs\u002F)    \n:bookmark_tabs: 想在PyTorch中创建自己的数据集吗？ -> [数据加载教程 - PyTorch官方教程](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Fbeginner\u002Fdata_loading_tutorial.html)  \n:bookmark_tabs: 想在PyTorch中准确使用LSTM吗？ -> [PyTorch中的时间序列LSTM - Jessica的博客](http:\u002F\u002Fwww.jessicayung.com\u002Flstms-for-time-series-in-pytorch\u002F)    \n\n:pencil2: Lec8-A \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec8\u002FLec8-A.pdf) \u002F [视频](https:\u002F\u002Fyoutu.be\u002Fcs3tSnAsyRs)\n\n:bar_chart: Lab10 \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec8\u002FLab10_Stock_Price_Prediction_with_LSTM.ipynb) \u002F [视频]()  \n\n:loudspeaker: 如果您享受了第8次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002Fa7gbaxIvYUOTue1T2)\n\n\n#\n\n#### 第9讲（02月18日，周一）   \n图卷积网络（GCN）基础  \n\n\u003C开始前值得参考的资料>\n\n:bookmark_tabs: 想仔细深入地重新学习GCN吗？ -> [图卷积网络 - Thomas的博客](https:\u002F\u002Ftkipf.github.io\u002Fgraph-convolutional-networks\u002F)    \n:bookmark_tabs: 想进一步了解易于处理分子数据的RDkit库吗？ -> [RDkit实践 - Seongok的Jupyter Notebook](https:\u002F\u002Fgithub.com\u002FSeongokRyu\u002FCH485---Artificial-Intelligence-and-Chemistry\u002Fblob\u002Fmaster\u002FPractice%2002\u002Fpractice_rdkit.ipynb)    \n\n\n:pencil2: Lec9-A \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec9\u002FLec9-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=YL1jGgcY78U)\n\n:bar_chart: Lab11 \u002F [实践代码](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec9\u002FLab11_logP_Prediction_with_GCN.ipynb) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=htTt4iPJqMg)  \n\n:loudspeaker: 如果您享受了第9次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002F09g6VmE4tdIQAi8E3)\n\n#\n\n#### 第10讲（02月21日，周四）   \n生成模型：VAE和GAN\n\n\u003C开始前值得参考的资料>\n\n:bookmark_tabs: 想了解最大似然估计吗？ -> [概率与似然](http:\u002F\u002Frpubs.com\u002FStatdoc\u002F204928)    \n\n:pencil2: Lec10-A \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec10\u002FLec10-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=54hyK1J4wTc)  \n\n:pencil2: Lec10-B \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec10\u002FLec10-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=LeMnE1TIil4)  \n\n:pencil2: Lec10-C \u002F [幻灯片](https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning\u002Fblob\u002Fmaster\u002FLec10\u002FLec10-A.pdf) \u002F [视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=JOjMk-E1CnQ)  \n  \n:loudspeaker: 如果您享受了第10次课程，或者觉得有些困难，请留下您的**反馈**！ \u002F [反馈问卷](https:\u002F\u002Fgoo.gl\u002Fforms\u002FQZtWwQwTYsfAd6zA2)\n\n# 课程评价  \n\n**参加我们研讨会的各位学员留下的最终反馈如下。**    \n\n> 老师们总是努力将难点通俗易懂地讲解，每节课都会认真听取反馈并不断改进，还细心关注每位同学是否有困难或疑问，非常感谢这样的授课方式。多亏了老师们的耐心指导，我才有机会深入学习深度学习；最让我受益的是，不仅有理论讲解，还能通过实际代码操作来理解其应用，这种理论与实践相结合的教学方式真的太棒了！一个月来，老师们辛苦了~  \n\n\u003Cp align=\"right\"> \n-文化技术研究生院硕士生\n\u003C\u002Fp>\n\n#  \n\n> 我一直苦恼于该如何自学深度学习，这次课程让我找到了一些方向。非常感谢精彩的课程！  \n\n\u003Cp align=\"right\"> \n-生命科学系硕士生\n\u003C\u002Fp>\n\n#  \n\n> 我在对Python基础一无所知的情况下就报名参加了课程，因此在跟上进度时遇到了一些困难。不过，整体来说这门课对我帮助很大。谢谢老师！  \n\n\u003Cp align=\"right\"> \n-技术管理学博士生\n\u003C\u002Fp>\n  \n#  \n\n> 老师们备课和授课一定很辛苦吧。很抱歉从中期开始因为博士课程的缘故没能继续参加。这门课内容非常实用，让我学到了很多东西。  \n\n\u003Cp align=\"right\"> \n-生命化学工程系博士生\n\u003C\u002Fp>\n  \n#  \n\n> 这是我第一次上需要课堂实操的课程，确实各有优劣。对于像我这样刚开始接触编程的人来说，比起直接看已经写好的代码，逐行分析代码的逻辑顺序以及为什么这样写反而更容易理解；遇到问题时，也能更直观地学习如何调试和排查错误，这一点特别有用！当然，对于编程不太熟练的同学来说，在课程后半段，要跟上“有一定编程经验的老师们的写法+当天学到的新概念+基于之前代码新增的模块”可能会有些吃力。不过即便有些难度，现在能亲自参与这样的课程、动手编写代码，也让我觉得很有意义——即使暂时还不完全明白，但比起只反复练习MNIST、CIFAR这类简单数据集，长远来看，这些经验将来一定会派上用场！  \n至于理论部分，我个人之前也自学过几次，而这次课程既没有过于偏重数学推导，也没有仅仅停留在术语解释上，而是详细讲解了推导过程背后的逻辑，我觉得非常恰当且易于理解。  \n为了准备这门课，老师您们连觉都睡不好，还要进行现场编码演示、批改作业（虽然后来我几乎没完成，但还是尽力尝试了），如此高强度的备课和授课真的令人敬佩！再次向您表达由衷的感谢！  \n\n\u003Cp align=\"right\"> \n-文化技术研究生院硕士生\n\u003C\u002Fp>\n\n#  \n\n> 在现有条件下，这真是一门非常优秀的课程！尤其是两位老师的授课水平，每次听课都让我深深折服 :) 如果条件允许的话，以后如果能增加更多真实世界问题的实战练习就更好了，哈哈。多亏了这门课，我的寒假过得充实又有意义。衷心感谢两位主讲老师以及所有为这门课程付出努力的人们☺️\n\n\u003Cp align=\"right\"> \n-化学系本科生\n\u003C\u002Fp> \n\n#  \n\n> 能亲眼看到代码是如何一步步写出来的，这个过程本身就很有意思；而且通过修改现成的代码、调整变量以适应自己的需求，让程序运行起来，让我对编程有了更亲切的感受，真是太好了。辛苦各位老师了。  \n\n\u003Cp align=\"right\"> \n-投资信息学博士生\n\u003C\u002Fp>\n  \n  \n\n## 制作人  \n\n赵在英(Kevin Jo)\u003Csup>1,2,3\u003C\u002Fsup>, 金承洙(SeungSu Kim)\u003Csup>1,2,3\u003C\u002Fsup>  \n\n\u003Csup>1\u003C\u002Fsup> \u003Csub>目前在Autopedia公司开发车辆问题解决服务“Doctor Cha”！\u003C\u002Fsub>  \n\u003Csup>2\u003C\u002Fsup> \u003Csub>丁布罗有限公司\u003C\u002Fsub>  \n\u003Csup>3\u003C\u002Fsup> \u003Csub>KAIST\u003C\u002Fsub>  \n\n> Autopedia目前正在招聘！  \n> [> 查看职位](https:\u002F\u002Fcareer.doctor-cha.com\u002F?utm_source=github&utm_medium=social&utm_campaign=%EB%94%A5%EB%9F%AC%EB%8B%9D%ED%99%80%EB%A1%9C%EC%84%9C%EA%B8%B0)","# Standalone-DeepLearning 快速上手指南\n\n本指南基于 2019 年 KAIST 深度学习研讨会内容整理，涵盖从机器学习基础到 CNN、RNN 及 GCN 的完整学习路径。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux, macOS 或 Windows (推荐 WSL2)\n- **Python 版本**: Python 3.6+ (推荐 3.7 或 3.8，以匹配原始实验环境)\n- **硬件**: 建议配备 NVIDIA GPU 以加速模型训练（可选，CPU 亦可运行基础示例）\n\n### 前置依赖\n本项目主要依赖以下核心库：\n- `PyTorch`: 深度学习框架\n- `NumPy`: 数值计算\n- `Pandas`: 数据处理\n- `Matplotlib` \u002F `Seaborn`: 数据可视化\n- `Jupyter Notebook`: 交互式实验环境\n\n> **国内加速建议**：推荐使用清华源或阿里源安装 Python 包，以提升下载速度。\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先将项目代码克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fheartcored98\u002FStandalone-DeepLearning.git\ncd Standalone-DeepLearning\n```\n\n### 2. 创建虚拟环境 (推荐)\n使用 `conda` 或 `venv` 隔离环境。以下是使用 `conda` 的示例：\n\n```bash\nconda create -n standalone_dl python=3.7\nconda activate standalone_dl\n```\n\n### 3. 安装依赖\n使用 pip 安装所需库。**国内用户请优先使用镜像源**：\n\n```bash\n# 使用清华镜像源安装 PyTorch (根据是否需 CUDA 选择命令，此处为 CPU 版本示例)\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装其他依赖\npip install numpy pandas matplotlib seaborn jupyter notebook -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：若需 GPU 支持，请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取对应的 CUDA 版本安装命令，并将 `-i` 参数替换为国内镜像地址。\n\n### 4. 启动 Jupyter Notebook\n进入课程目录并启动服务：\n\n```bash\njupyter notebook\n```\n浏览器打开后，导航至对应的 `LecX` 文件夹即可开始实验。\n\n## 基本使用\n\n本仓库的核心内容是每个讲座对应的 `.ipynb` (Jupyter Notebook) 实验文件。以下以 **Lec1 线性回归 (Linear Regression)** 为例演示基本流程。\n\n### 1. 打开实验文件\n在 Jupyter 界面中打开 `Lec1\u002FLab1_linear_regression.ipynb`。\n\n### 2. 运行基础代码示例\nNotebook 中已包含完整的数据加载、模型定义和训练循环。核心代码逻辑如下（基于 PyTorch）：\n\n```python\nimport torch\nimport torch.nn as nn\nimport torch.optim as optim\n\n# 1. 准备数据 (示例数据)\nx_train = torch.FloatTensor([[1], [2], [3]])\ny_train = torch.FloatTensor([[1], [2], [3]])\n\n# 2. 定义模型 (线性回归: y = wx + b)\nmodel = nn.Linear(1, 1)\n\n# 3. 定义损失函数和优化器\ncriterion = nn.MSELoss()\noptimizer = optim.SGD(model.parameters(), lr=0.01)\n\n# 4. 训练循环\nnb_epochs = 1000\nfor epoch in range(nb_epochs):\n    # 前向传播\n    prediction = model(x_train)\n    \n    # 计算损失\n    cost = criterion(prediction, y_train)\n    \n    # 反向传播与优化\n    optimizer.zero_grad()  # 梯度清零\n    cost.backward()        # 反向传播\n    optimizer.step()       # 更新参数\n    \n    if epoch % 100 == 0:\n        print(f'Epoch {epoch}, Cost: {cost.item()}')\n\n# 5. 测试模型\nwith torch.no_grad():\n    test_input = torch.FloatTensor([[4]])\n    output = model(test_input)\n    print(f'Prediction for input 4: {output.item()}')\n```\n\n### 3. 进阶学习路径\n按照仓库目录顺序依次学习：\n- **Lec1-2**: 机器学习基础、逻辑回归、ANN 基础。\n- **Lec3-4**: 模型容量、过拟合\u002F欠拟合、正则化、优化器。\n- **Lec5-6**: 卷积神经网络 (CNN)、ResNet 等高级架构。\n- **Lec7-8**: 循环神经网络 (RNN)、LSTM、GRU。\n- **Lec9+**: 图卷积网络 (GCN) 及其他高级主题。\n\n每个章节均包含理论幻灯片链接（PDF）和对应的 YouTube 教学视频链接，建议在运行代码前结合视频理解理论部分。","一名刚接触深度学习的化学专业研究生，试图利用 PyTorch 构建模型预测分子性质，却因缺乏系统的代码框架而陷入调试困境。\n\n### 没有 Standalone-DeepLearning 时\n- **基础概念模糊**：面对线性回归与逻辑回归的数学推导，只能碎片化搜索网络资料，难以建立从理论到代码的清晰映射。\n- **环境配置受阻**：在本地搭建 PyTorch 环境时频繁报错，且不清楚如何正确管理 `optimizer.zero_grad()` 等关键训练步骤，导致模型无法收敛。\n- **实验复现困难**：缺乏标准的笔记本（Notebook）模板，每次修改超参数或数据结构时都要重写大量样板代码，效率极低且容易引入新 Bug。\n- **学习路径混乱**：找不到涵盖从入门导向、理论讲解到实战作业（如 MNIST 分类）的完整闭环资源，学习过程断断续续。\n\n### 使用 Standalone-DeepLearning 后\n- **理论实战贯通**：直接跟随 Lec1 至 Lec2 的结构化视频与幻灯片，将机器学习基础与线性回归理论迅速转化为可运行的 Python 代码。\n- **规避常见陷阱**：利用仓库中已修正的训练循环代码（特别是修复了梯度清零时机错误），确保模型训练流程规范，避免重蹈前人覆辙。\n- **高效迭代实验**：基于 Lab2 和 Lab3 提供的标准 PyTorch 回归与分类模板，只需替换数据集即可快速开展分子性质预测实验，大幅缩短开发周期。\n- **系统化进阶**：通过“导向 - 理论 - 实操 - 作业”的完整 семинар 体系，按部就班完成从基础到 MNIST 实战的进阶，建立起扎实的深度学习知识树。\n\nStandalone-DeepLearning 通过提供经过纠错的标准化教学代码与完整课程体系，帮助初学者跨越了从理论理解到工程落地的最高门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fheartcored98_Standalone-DeepLearning_f11d9813.png","heartcored98","JaeYoung Jo","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fheartcored98_09ad3e44.jpg","Lead Product Engineer (ML\u002FRobotics)\r\n\r\nI am striving to ensure that you can trust and purchase your next car by building an AI-driven robotic vehicle inspection","Autopedia Co., Ltd","Seoul","kevin.jo@autopediacar.com",null,"https:\u002F\u002Fmedium.com\u002F@kevin.jo","https:\u002F\u002Fgithub.com\u002Fheartcored98",[87],{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",100,665,203,"2026-03-21T16:14:55","MIT","未说明","未说明 (代码基于 PyTorch，通常支持 CUDA GPU 加速，但 README 未明确具体型号或显存要求)",{"notes":98,"python":99,"dependencies":100},"这是一个 2019 年 KAIST 深度学习研讨会的学习资料库。主要依赖 Google Colaboratory 运行实验代码（Jupyter Notebook 格式）。内容涵盖线性回归、CNN、RNN、GCN 等基础到进阶主题。部分化学相关实验需要 RDkit 库。由于项目较旧，具体的 PyTorch 版本未在文中锁定，建议参考当时主流的 PyTorch 版本（如 1.x）或根据代码兼容性调整。","未说明 (提及 Python Class 和 Numpy，暗示需要 Python 环境)",[101,102,103,104,105,106],"PyTorch","NumPy","Pandas","Matplotlib","Seaborn","RDkit",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T08:40:07.647671",[],[]]