深度学习实战教程，视频教程下载

课程介绍：

在这门课程中，你将会全面了解卷积神经网络、循环神经网络等当前最常用的深度学习模型以及最前沿的进展、最炫酷的应用场景。课程针对不同模型，会讲解其背后的数学基础及示例代码，使你可以把学到的模型应用到日常的工作中，达到中级深度学习工程师的水平。

        课程目录：

1、课程：多层感知机DNN.1、浅层网络的问题.mp4

1、课程：多层感知机DNN.2、涌现现象与深度网络为何高效.mp4

1、课程：多层感知机DNN.3、计算图.mp4

1、课程：多层感知机DNN.4、导数的反向传播.mp4

2、课程：梯度下降法.5、从优化的层次到机器学习.mp4

2、课程：梯度下降法.6、梯度下降的变体—动量梯度下降法及代码实现.mp4

2、课程：梯度下降法.4、梯度实现的数学证明.mp4

2、课程：梯度下降法.3、梯度下降的代码实现.mp4

2、课程：梯度下降法.2、梯度下降的直观例子（二）.mp4

2、课程：梯度下降法.1、梯度下降的直观例子（一）.mp4

3、课程：BP算法.1、反向传播算法的数学推导.mp4

3、课程：BP算法.2、反向传播算法的代码实现.mp4

3、课程：BP算法.3、链式法则.mp4

3、课程：BP算法.4、反向传播算法在神经网络中的应用代码展示（一）.mp4

3、课程：BP算法.5、反向传播算法在神经网络中的应用代码展示（二）.mp4

4、课程：卷积神经网络.6、卷积是如何提取特征的、卷积网络的生物学机理.mp4

4、课程：卷积神经网络.9、卷积神经网络的训练方法.mp4

4、课程：卷积神经网络.8、池化操作与层层抽象.mp4

4、课程：卷积神经网络.7、引入激活函数以提取非线性特征.mp4

4、课程：卷积神经网络.4、图像识别的传统方法及其问题（一）.mp4

4、课程：卷积神经网络.5、图像识别的传统方法及其问题（二）.mp4

4、课程：卷积神经网络.3、卷积操作的代码展示.mp4

4、课程：卷积神经网络.2、图像识别中的滤镜与卷积.mp4

4、课程：卷积神经网络.1、卷积神经网络的历史.mp4

5、课程：PyTorch（上）.6、用类的方法实现逻辑斯蒂回归.mp4

5、课程：PyTorch（上）.1、PyTorch中的基本概念—变量.mp4

5、课程：PyTorch（上）.2、PyTorch中的反向求导.mp4

5、课程：PyTorch（上）.3、网络视角下的线性模型、PyTorch对神经网络的支持包.mp4

5、课程：PyTorch（上）.4、PyTorch中的优化器和损失函数.mp4

5、课程：PyTorch（上）.5、逻辑回归的问题介绍.mp4

5、课程：PyTorch（上）.8、Drop out在神经网络中的应用和实现.mp4

5、课程：PyTorch（上）.7、多层网络的模型构建流程、神经网络的参数初始化.mp4

6、课程：PyTorch（下）.1、梯度下降法在PyTorch中的实现.mp4

6、课程：PyTorch（下）.10、构建卷积网络的代码讲解.mp4

6、课程：PyTorch（下）.5、Adam算法.mp4

6、课程：PyTorch（下）.9、CNN要调节的主要参数（二）.mp4

6、课程：PyTorch（下）.8、CNN要调节的主要参数（一）.mp4

6、课程：PyTorch（下）.6、PyTorch中的优化器选择.mp4

6、课程：PyTorch（下）.7、PyTorch里的图像预处理与可视化.mp4

6、课程：PyTorch（下）.4、自适应的梯度下降及流平均改进法.mp4

6、课程：PyTorch（下）.3、两个参数问题下的优化面临的问题.mp4

6、课程：PyTorch（下）.2、动量化梯度下降的原理和实现.mp4

6、课程：PyTorch（下）.12、神经网络的训练与测试及训练的效果展示.mp4

6、课程：PyTorch（下）.11、卷积网络中的全连接层.mp4

7、课程：CNN进化.1、AlexNet的技术细节.mp4

7、课程：CNN进化.2、VGG19.mp4

7、课程：CNN进化.3、深度网络中的梯度消失问题.mp4

7、课程：CNN进化.4、残差网络的定义.mp4

7、课程：CNN进化.5、残差网络的数学原理.mp4

8、课程：BatchNormalization.3、阈值变换如何应对过拟合.mp4

8、课程：BatchNormalization.4、批量标准化的操作是怎么进行的.mp4

8、课程：BatchNormalization.1、批量正则化怎么做.mp4

8、课程：BatchNormalization.2、为什么批量标准化比标准化好.mp4

9、课程：Resnet残差网络.1、如何提取中间变量.mp4

9、课程：Resnet残差网络.2、在pytorch中引入批量正则化.mp4

9、课程：Resnet残差网络.3、批标准化的效果展示.mp4

9、课程：Resnet残差网络.4、1-1卷积的含义和效果（一）.mp4

9、课程：Resnet残差网络.5、1-1卷积的含义和效果（二）.mp4

9、课程：Resnet残差网络.6、构建残差网络的每个子模块.mp4

9、课程：Resnet残差网络.7、在网络中引入残差层.mp4

9、课程：Resnet残差网络.8、残差网络的维度变换.mp4

9、课程：Resnet残差网络.9、如何实例化深度残差网络.mp4

10、课程：图像识别综述.6、图像聚类与生成.mp4

10、课程：图像识别综述.2、目标检测.mp4

10、课程：图像识别综述.3、图像切割.mp4

10、课程：图像识别综述.4、图像变换.mp4

10、课程：图像识别综述.5、图像降噪和恢复.mp4

10、课程：图像识别综述.1、图像标记.mp4

11、课程：迁移学习.7、如何逐层训练.mp4

11、课程：迁移学习.8、使用detach分开训练网络.mp4

11、课程：迁移学习.10、神经风格迁移（二）.mp4

11、课程：迁移学习.11、神经风格迁移（三）.mp4

11、课程：迁移学习.12、神经风格迁移（四）.mp4

11、课程：迁移学习.1、迁移学习的用途.mp4

11、课程：迁移学习.2、迁移学习的种类.mp4

11、课程：迁移学习.3、猫狗大战实例之数据读取和预处理.mp4

11、课程：迁移学习.4、对比展示迁移学习的效果.mp4

11、课程：迁移学习.9、神经风格迁移（一）.mp4

11、课程：迁移学习.5、如何导入之前的模型.mp4

11、课程：迁移学习.6、连接特征网络和分类网络.mp4

12、课程：对抗网络.5、卷机对抗网络.mp4

12、课程：对抗网络.6、对抗训练的难点及应用（一）.mp4

12、课程：对抗网络.7、对抗训练的难点及应用（二）.mp4

12、课程：对抗网络.4、对抗学习的损失函数.mp4

12、课程：对抗网络.3、对抗学习引入.mp4

12、课程：对抗网络.1、生成式模型.mp4

12、课程：对抗网络.2、自编码器.mp4

13、课程：时间序列分析.9、模型的其他构建法.mp4

13、课程：时间序列分析.8、平稳性处理于模型构建.mp4

13、课程：时间序列分析.7、数据导入和平稳性检测.mp4

13、课程：时间序列分析.6、Python代码展示.mp4

13、课程：时间序列分析.5、二次指数平滑法.mp4

13、课程：时间序列分析.4、一阶平滑法.mp4

13、课程：时间序列分析.3、时间序列的预测方法.mp4

13、课程：时间序列分析.2、时间序列的预处理.mp4

13、课程：时间序列分析.1、时间序列是什么.mp4

13、课程：时间序列分析.10、使用LSTM进行时间序列预测.mp4

14、课程：RNN.10、RNN损失函数.mp4

14、课程：RNN.11、RNN中的求导推理.mp4

14、课程：RNN.1、时间序列数据的特点和历史（一）.mp4

14、课程：RNN.13、随时间产生的梯度消失问题.mp4

14、课程：RNN.14、梯度消失的反面—梯度爆炸.mp4

14、课程：RNN.12、RNN的求导公式推导.mp4

14、课程：RNN.2、时间序列数据的特点和历史（二）.mp4

14、课程：RNN.8、RNN下的语言模型（二）.mp4

14、课程：RNN.3、RNN的网络结构（一）.mp4

14、课程：RNN.9、RNN的前向传播.mp4

14、课程：RNN.6、RNN的代码实现.mp4

14、课程：RNN.7、RNN下的语言模型（一）.mp4

14、课程：RNN.5、RNN中的时间不变性.mp4

14、课程：RNN.4、RNN的网络结构（二）.mp4

15、课程：RNN实战.6、PyTorch下的RNN之前向传播.mp4

15、课程：RNN实战.8、模型的训练代码.mp4

15、课程：RNN实战.9、将模型改为生成模型.mp4

15、课程：RNN实战.5、模型的训练.mp4

15、课程：RNN实战.4、RNN中的梯度更新.mp4

15、课程：RNN实战.3、RNN代码展示—反向传播.mp4

15、课程：RNN实战.2、RNN代码展示—前向传递.mp4

15、课程：RNN实战.1、自然语言的编码.mp4

15、课程：RNN实战.7、模型的构建代码.mp4

16、课程：RNN时间序列预测.1、数据准备和导入.mp4

16、课程：RNN时间序列预测.2、使用线性模型进行预测.mp4

16、课程：RNN时间序列预测.3、使用神经网络进行预测.mp4

16、课程：RNN时间序列预测.4、预测结果展示与分析.mp4

16、课程：RNN时间序列预测.5、从前馈网络到RNN.mp4

16、课程：RNN时间序列预测.6、应对梯度爆炸.mp4

16、课程：RNN时间序列预测.7、加速模型的训练方法（一）.mp4

16、课程：RNN时间序列预测.8、加速模型的训练方法（二）.mp4

17、课程：RNN深度理解.9、GRU原理.mp4

17、课程：RNN深度理解.8、LSTM的方程.mp4

17、课程：RNN深度理解.7、LSTM的优势.mp4

17、课程：RNN深度理解.10、GRU的优势.mp4

17、课程：RNN深度理解.11、Attention机制.mp4

17、课程：RNN深度理解.1、RNN和动力学系统.mp4

17、课程：RNN深度理解.2、高维动力系统.mp4

17、课程：RNN深度理解.3、RNN的图灵完备性.mp4

17、课程：RNN深度理解.4、RNN与脑科学的联系.mp4

17、课程：RNN深度理解.5、如何解决梯度消失的问题.mp4

17、课程：RNN深度理解.6、LSTM的原理.mp4

18、课程：课程总结.1、机器学习的问题.mp4

18、课程：课程总结.2、机器学习的核心概念.mp4

18、课程：课程总结.4、CNN常见技巧.mp4

18、课程：课程总结.5、RNN和迁移学习.mp4

18、课程：课程总结.3、机器学习常见模型.mp4

资源下载

此资源下载价格为12学分，VIP免费，请先登录

充值比例 1元=1学分
资源失效，请咨询客服
客服QQ 980264305