Deep learning

Deep learning (DL) has been a driving force behind modern Artificial Intelligence. The remarkable success of DL in various applications has garnered significant attention and made it a highly sought-after skill across numerous industries. This unit will provide you with a comprehensive understanding of deep learning theory within the broader context of machine learning. Additionally, you will acquire practical skills to apply DL to real-world applications across a range of AI cognitive tasks, such as image and object recognition in computer vision and text classification using deep neural embeddings. The learning activities will focus on fundamental DL concepts, including neural networks (NN), convolutional NN, backpropagation, optimisation for deep learning, adversarial robustness, attention mechanism and transformers.

### 📊 课程难度与压力分析 FIT2112（Deep learning）整体难度建议按“中等偏上”看待，真正压力通常不是来自单一知识点，而是来自连续周任务叠加：lecture 理解、lab 实操、作业推进和测试复盘会在 Week 4-10 形成持续负载。很多同学前期觉得节奏可控，但到中段会因为需求拆解不充分、测试覆盖不足或文档质量不稳而被动赶工。建议你把这门课当成“工程训练课”而不只是“知识课”，尽早建立固定学习节奏，按周交付可运行结果，而不是临近截止日一次性提交。 ### 🎯 备考重点与高分策略 高分关键是“正确性 + 可解释性 + 工程规范”三件事同时在线。复习时优先梳理课程主线：核心概念定义、典型题型步骤、常见边界条件、方案取舍依据。面对作业题，不要只追求跑通，要明确输入输出约束、失败场景和验证方法。建议采用三轮备考：第一轮补基础与错题归因，第二轮做专题强化与同类题迁移，第三轮限时模拟并做答题结构优化。考试前最后一周，重点放在高频错误模式清单和模板化解题流程，稳定性会明显提升。 ### 📚 学习建议与资源推荐 推荐学习流程：先读本周目标与评分标准，再看 lecture/tut，随后完成一次独立实现，最后做复盘记录。资料优先级建议为：官方课件与公告 > tutor 讲解与讨论区 > 往年题与示例。每周至少保留一次 45-60 分钟的“复盘时段”，把本周 bug、误区、时间消耗点记录下来，形成个人知识库。对于抽象概念，优先用最小可运行例子验证，再扩展到课程作业场景，能显著降低理解偏差和返工成本。 ### ⚠️ 作业与 Lab 避坑指南 常见失分点包括：只完成 happy path、忽略异常输入处理、提交内容缺乏结构化说明、代码可读性不足、命名与分层混乱。建议采用 D-7 / D-3 / D-1 三阶段推进：D-7 完成主功能与核心测试，D-3 做边界与性能回归，D-1 专注提交材料校对（格式、截图、说明、依赖版本）。如果是小组任务，要在第一周就明确分工、接口和验收标准，避免后期集成冲突。所有提交都要以“可复现”为底线，确保助教按说明可以完整运行。 ### 💬 过来人经验分享 这门课最稳的策略不是“爆发式刷题”，而是“持续小步快跑”。把每周目标拆成可执行任务：预习、实现、测试、复盘四步循环。遇到卡点先写出你已验证过的假设，再去问 tutor/同学，沟通效率会大幅提高。建议保留一份个人错题与 bug pattern 清单，期末前只看这份高价值材料就能快速回到状态。只要你能连续 8-10 周保持稳定输出，最终成绩通常会比临时冲刺更可控，也更容易拿到高分区间。