INT301 生物计算

Bio-Computation

课程概览

深入剖析人工神经网络与仿生计算核心算法，带你掌握从生物启发逻辑到工程系统设计的全流程建模能力，助力构建具备深度学习推导与科研实践的专业技术框架。

25-26

本课程深度剖析卷积神经网络核心架构，通过解析卷积、池化及非线性激活等关键组件，带你掌握从原始像素到高级语义的特征自动提取逻辑，并结合端到端学习与迁移学习策略，助你构建高效的计算机视觉知识体系。

25-26

本课程深入解析多层感知器MLP，从网络层级结构与非线性激活函数的基础原理出发，系统讲解前向传播与反向传播的数学逻辑，并探讨学习率设置、动量法、权重衰减及交叉验证等工程调优策略，助你掌握神经网络这一深度学习核心基石，理解如何模拟复杂逻辑并提升模型的泛化能力。

25-26

本课程深度解析神经网络基石，通过可视化误差曲面与微积分工具，带你掌握梯度下降与增量学习的核心原理，详解Sigmoid激活函数如何赋予模型处理非线性的能力，助你精准理解从参数微调到模型收敛的进化逻辑，构建通往深度学习的知识底座。

25-26

本课程深入剖析生物计算核心模型感知机，通过贷款审批等实战案例拆解监督学习流程，带你掌握感知机结构、Delta学习规则及误差修正机制，并从几何视角揭示其作为线性分类器的局限与收敛原理，为你构建深入理解深度学习架构的坚实理论基础。

25-26

本课程带你深入神经网络的底层逻辑，从模拟生物神经活动的M-P模型出发，剖析权重如何通过Hebb规则实现自我进化，最终详解感知机如何通过误差修正实现从计算到学习的跨越，为你揭开现代深度学习的演进基石。

25-26

本课程深度解析生物计算的核心逻辑，带你从生物神经系统的结构中汲取灵感，剖析人工神经网络如何通过模拟生物信号传递与学习机制，将生物智能抽象为高效的计算算法，助你掌握连接生物学智慧与深度学习的前沿技术基石。

25-26

本课程深度剖析神经网络核心考点，从Sigmoid数学特性与计算效率、全连接网络参数统计、BP算法在线与离线训练对比、感知机线性可分性判定、动量反向传播步骤、卷积与池化操作，到RBF神经网络、Hopfield网络联想记忆及PCA特征降维等关键知识点，通过详尽解题逻辑助你掌握模型构建与优化精髓。

24-25

本课程深入解析机器学习核心算法，涵盖监督与无监督学习范式、神经网络前向传播与反向传播参数更新、RBF网络、Hopfield联想记忆、SOM自组织映射及RNN与自编码器原理，助你掌握从模型架构设计到性能评估的完整数学推导与计算方法。

24-25