1. 改进一：Embedding层；2. 改进二：Negative Sampling（负采样）：多分类到二分类的实现、负采样、采样方法、负采样的实现；3. 改进版word2vec的学习：CBOW模型的实现、CBOW模型的学习代码、CBOW模型的评价；4. word2vec相关的其他话题：应用例、单词向量的评价方法......

1. 整体结构；2. 卷积层：全连接层存在的问题、卷积运算、3维数据的卷积运算、批处理；3. 池化层；4. 卷积层和池化层的实现：卷积层、池化层；5. CNN的实现；6. CNN的可视化：第1层权重的可视化、基于分层结构的信息提取；7. 具有代表性的CNN：LeNet、AlexNet...

1. 什么是自然语言处理；2. 同义词词典；3. 基于计数的方法：基于Python的语料库的预处理、分布式、共现矩阵、向量间的相似度、相似单词的排序；4. 基于计数的方法的改进：点互信息（PMI）、降维 dimensionality reduction、基于SVD的降维、PTB数据集、基于PTB数据集的评价；0. 补充：enumerate、argsort...

1. 计算图：用计算图求解、局部计算、为何用计算图解体（优点）2. 链式法则 3. 反向传播 4.简单层的实现：乘法层（MulLayer）、加法层（AddLayer）5. 激活函数层的实现 6. Affine/Softmax层的实现：Affine层批版本的Affine层、Softmax-with-Loss层 7. 误差反向传播法的实现：梯度确认、使用误差反向传播法的学习...

1. 计算图：用计算图求解、局部计算、为何用计算图解体（优点）2. 链式法则 3. 反向传播 4.简单层的实现：乘法层（MulLayer）、加法层（AddLayer）5. 激活函数层的实现 6. Affine/Softmax层的实现：Affine层批版本的Affine层、Softmax-with-Loss层 7. 误差反向传播法的实现：梯度确认、使用误差反向传播法的学习...

1.概率和语言模型：概率视角下的word2vec、语言模型将CBOW模型用作语言模型？；2. RNN：循环的神经网络、展开循环、Backpropagation Through Time、Truncated BPTT、Truncated BPTT的mini-batch学习；3. RNN的实现：RNN层的实现、Time RNN层的实现；4. 处理时序数据的层的实现：RNNLM的全貌图、Time层的实现

1. 基于推理的方法和神经网络：神经网络中单词的处理方法；2. 简单的word2vec：CBOW模型的推理与学习；3. 学习数据的准备：上下文和目标词、转化为one-hot表示、数据预处理总结；4. CBOW模型的实现；5. word2vec的补充说明：CBOW模型和概率、skip-gram模型、两个模型的区别分析、基于计数与基于推理总结...

python版本高于3.7，可能会出现pyradiomics安装后部分功能无法使用的问题。pip命令安装pyradiomics,使用阿里云的源。为稳妥起见专门为影像组学研究配置一个虚拟环境。查看pyradiomics版本。进入创建好的虚拟环境。

1.概率和语言模型：概率视角下的word2vec、语言模型将CBOW模型用作语言模型？；2. RNN：循环的神经网络、展开循环、Backpropagation Through Time、Truncated BPTT、Truncated BPTT的mini-batch学习；3. RNN的实现：RNN层的实现、Time RNN层的实现；4. 处理时序数据的层的实现：RNNLM的全貌图、Time层的实现

1. 从数据从中学习：数据驱动、训练数据和测试数据；2. loss function：均方误差、交叉熵误差、mini-batch学习、mini-batch版交叉熵误差的实现；3. 数值微分：梯度、梯度法（gradient method）、神经网络的梯度；4. 学习算法的实现：2层神经网络的类、mini-batch的实现、基于测试数据的评价；5. 小结...