随后Raymond教授简单介绍了卷积神经网络、循环神经网络以及深度强化学习的基本内容，并分析了为什么在人工智能领域，科学家总是热衷于让AI跟人类下棋，玩游戏？
卷积介绍我们尝试用一个简单的神经网络，来探讨如何解决这个问题。假设有4个输入节点和4个隐藏层节点的神经网络，如图所示：
卷积神经网络和最大池化是深度学习的核心设计，复杂的模式通过这种方式被逐层进行特征抽象，最终可以被有效地分析。
发布于 2020-08-24赞同添加评论收藏喜欢收起继续浏览内容知乎发现更大的世界打开浏览器继续大江东去浪淘尽要实现图像识别的功能，现在最常用的是卷积神经网络吧。在卷积神经网络中，有比较基础的，例如LeNet、AlexNet，也有比较新的，例如残差网络、深度残差收缩网络。
过去十年中深度神经网络的发展彻底改变了机器学习，并导致许多可执行计算任务精度的重大改进。然而，在五年前的对抗性例子中发现，输入的微小变化可以欺骗训练有素的神经网络，这使得当输入可以被对手操纵时，预测结果很难让人信服。这个问题在目标识别、自动驾驶、网络安全等方面有很多应用和含义，但它还远未被理解。特别是，没有令人信服的解释为什么存在这样的对抗性例子，以及哪些参数决定了为了误导网络而必须改变的输入坐标的数量。
卷积神经网络由于我对计算机视觉不太感兴趣，至少在我参加这次课程之前，我对计算机视觉这块内容的期待并没有太高。但是事实证明，这成为了我整个系列课程中最具有教育意义的一门课程。
基于神经网络的微观经济学才是对整个经济规律最最准确的表达，每个人对于自己在社会中的输入进行各自的调整，并且调整同样会作为输入反馈到社会中。
现在开始加入该微专业，你可以与这位国际顶尖人工智能大师直接学习知识技术，在了解丰富的人工智能应用案例的同时，还可实践搭建出最先进的神经网络模型，训练出属于你自己的AI。
