2020年3月29日下午，经济与管理学院研究生会和信息管理学院研究生会联合开展的Python训练营 ——Python在深度学习中的应用线上讲座顺利举办。本次讲座旨在加深研究生同学对深度学习的了解，提升运用Python进行深度学习的技能，提高数据处理能力。

　　本次活动主要包括两个环节：嘉宾分享与互动答疑。

　　1 嘉宾分享

　　首先，李欣同学为大家介绍了机器学习的定义和原理，进而提出深度学习的概念，其核心主要是多层神经网络。随后，李欣同学就Python在深度学习中的应用展开，具体从Python线性回归实例、Python深度学习常用工具方面进行讲解，并留下讲座小作业，供大家复习巩固。

　　接着，李欣同学从理论和实践两个部分为大家分享推荐学习资源，并进行了论文写作经验分享，干货满满。

　　2 互动答疑

　　分享会最后，李欣同学对大家的提问进行了解答。

　　Q1 请问Python课程的理论学习和实践分别是什么样的呢？学姐可以分享一些经验吗？

　　李欣：理论课程学习较为简单迅速，但容易遗忘。因此，需要动手操作加深印象。操作过程中会遇到理论学习中未学过的问题，若该问题得以解决，之后实际运用就会比较高效。建议在进行模块化的学习之后进行总结，将模块组合了才能更好地解决实际问题。

　　Q2 如何清楚掌握深度学习的原理？

　　李欣：在前面的讲解中，我用机器学习进行了铺垫，大家可以返回看看。算法的步骤是类似的，进行深度学习之前打好基础，学好基础算法。需要使用复杂算法进行深度学习时，分析算法结构后将基础算法综合起来，就能较为快速地掌握复杂算法的使用。

　　Q3 如何有条理地学习不同的深度学习方法，如何快速弄清不同方法的特点和优势？

　　李欣：初学者在进行深度学习方法前要先学习基础知识，有基础之后再学习不同深度学习的方法。在学习深度学习方法时，需要了解深度学习方法最初是解决什么问题，并根据自己的问题进行方法的选择，先找问题，再找方法。

　　Q4 如何清洗数据，对数据进行预处理？有哪些比较好的建议？

　　李欣：根据自己数据的问题进行不同的处理。常见的数据预处理方法有：①归一化，将数据归到(-1，1)区间;②数据增强，当数据量小时可以进行数据增强;③数据降维，当数据维度高但数据量少时，可运用降维算法进行此操作;④数据填充，数据存在缺失值时，可运用数据缺失值的算法来填充数据。

　　Q5 利用深度学习方法（如RNN）处理时间序列数据的预测问题，与传统的自回归方法的不同之处？

　　李欣：RNN更多用于处理文本、心电波、脑电图等数据量大的非数字型数据。当数据量大，数据分析的问题比较复杂，可以尝试使用深度学习的方法。若问题简单、数据量小、数据为数字型，则不需要运用深度学习方法。

　　Q6 请问怎么做有利于理顺写文献综述的逻辑？

　　李欣：全面地搜集中英文相关文章，按时间顺序进行梳理。最后呈现时不用将所有文献写出来，只需选择有突破性代表性的文献进行罗列。也可在已有文献的综述基础上，参考其综述逻辑，并结合领域发展和自己的研究问题，进行梳理与补充，但是要注意学术道德问题。

　　结语

　　通过本次讲座，同学们初步掌握了Python在深度学习中的应用和研究型文章中文献综述写作的方法，激发了大家的学习兴趣，为研究学习奠定了基础。本次讲座圆满完成。

　　内容整理：武大经管研究生会

　　文编：刘奕

　　排版：王义