1. 首页
  2. 神经网络与深度学习
神经网络与深度学习 扫码继续查看
共151个素材 17497 1 0 分享
资源(151) 时长( 08:44:45) 播放量(331264)
1-1 深度学习介绍 00:14:56 2226
1-3 典型的网络结构 00:16:40 2192
1-2 深度学习的核心思想 00:18:12 2208
1-4 应用概览 00:06:24 2116
2-1 数据科学简介 00:12:05 2163
2-4 过拟合 00:05:50 2129
2-5 模型选择 00:03:40 2228
2-3 无监督学习 00:03:22 2119
2-2 有监督学习 00:17:43 2152
3-1 神经网络与MLP 00:07:08 2140
3-3 反向传播算法 00:11:41 2223
3-4 计算图与自动求导 00:11:46 2129
3-2 神经元模型 00:10:35 2120
4-1 梯度 00:15:22 2082
4-2 动量法 00:03:32 2076
4-3 自适应学习率算法 00:06:10 2085
4-4 参数范数惩罚 00:11:24 2181
4-5 dropout 00:10:30 2073
4-6 参数初始化和参数调优 00:03:29 2052
5-1 CNN概述与基本原理 00:12:13 2205
5-2 典型CNN网络 00:17:07 2085
5-3 可视化卷积 00:04:52 2086
5-4 CNN在实际中的应用 00:14:15 2137
6-1 序列数据 00:05:18 2159
6-2 展开计算图 00:06:19 2053
6-3 RNN的设计模式 00:09:04 2080
6-4 RNN的反向传播 00:07:21 2083
6-5 各种RNN结构 00:12:58 2091
6-6 RNN的应用 00:07:59 2058
6-7 LSTM和GRU 00:17:14 2056
6-8 注意力机制 00:16:05 2065
7-1 生成模型 00:06:31 2049
7-2 基于能量的模型和玻尔兹曼机 00:05:36 2062
7-3 受限玻尔兹曼机和深度玻尔兹曼机 00:09:14 2069
7-4 自编码器和变分自编码器 00:14:08 2068
7-5 生成对抗网络 00:13:42 2067
7-6 DCGAN和WGAN 00:10:01 2061
7-7 CycleGAN 00:07:12 2064
8-1 强化学习概述 00:10:15 2082
8-5 Bellman方程 00:10:15 2082
8-7 DNQ 00:07:37 2088
8-4 MDP 00:10:45 2113
8-9 model-based 00:07:34 2080
8-6 Q-learning 00:06:17 2041
8-8 策略梯度和AC框架 00:10:23 2076
8-2 强化学习的基本元素 00:08:53 2093
8-3 值函数 00:06:13 2081
9-1 深度学习的硬件 00:14:58 2113
9-2 深度学习的框架 00:03:09 2048
9-3 Tensor操作和自动求导 00:07:27 2054
9-4 神经网络训练实例 00:11:49 2064
9-5 动态计算图和静态计算图 00:04:42 2092
9-6 数据集加载与转换 00:08:32 2071
9-7 预训练模型和总结 00:08:18 2130
1-1 深度学习介绍 / 2101
1-2 深度学习的核心思想 / 2181
1-3 典型的网络结构 / 2075
1-4 应用概览 / 2150
2-1 数据科学简介 / 2188
2-2 有监督学习 / 2060
2-3 无监督学习 / 2060
2-4 过拟合 / 2076
2-5 模型选择 / 2113
3-1 神经网络与MLP / 2083
3-3 反向传播算法 / 2040
3-2 神经元模型 / 2042
4-1 梯度 / 2089
3-4 计算图与自动求导 / 2157
4-2 动量法 / 2123
4-3 自适应学习率算法 / 2115
4-4 参数范数惩罚 / 2092
4-5 dropout / 2153
4-6 参数初始化和参数调优 / 2043
5-1 CNN概述与基本原理 / 2198
5-2 典型CNN网络 / 2065
5-3 可视化卷积 / 2180
5-4 CNN在实际中的应用 / 2056
6-1 序列数据 / 2057
6-2 展开计算图 / 2132
6-3 RNN的设计模式 / 2108
6-4 RNN的反向传播 / 2040
6-5 各种RNN结构 / 2037
6-6 RNN的应用 / 2050
6-7 LSTM和GRU / 2106
6-8 注意力机制 / 2047
7-1 生成模型 / 2065
7-2 基于能量的模型和玻尔兹曼机 / 2046
7-3 受限玻尔兹曼机和深度玻尔兹曼机 / 2156
7-4 自编码器和变分自编码器 / 2209
7-5 生成对抗网络 / 2137
7-6 DCGAN和WGAN / 2029
7-7 CycleGAN / 2033
8-1 强化学习概述 / 2035
8-2 强化学习的基本元素 / 2025
8-3 值函数 / 2034
8-4 MDP / 2047
8-5 Bellman方程 / 2030
8-6 Q-learning / 2023
8-7 DNQ / 2025
8-8 策略梯度和AC框架 / 2014
8-9 model-based / 2016
9-1 深度学习的硬件 / 2357
9-2 深度学习的框架 / 2321
9-3 Tensor操作和自动求导 / 2036
9-4 神经网络训练实例 / 2054
9-5 动态计算图和静态计算图 / 2137
9-6 数据集加载与转换 / 2340
9-7 预训练模型和总结 / 2109
讲义1-1 深度学习介绍 / 2134
讲义1-2 深度学习的核心思想 / 2092
讲义1-3 典型的网络结构 / 2082
讲义1-4 深度学习应用概览 / 2082
讲义2-1 数据科学简介 / 2122
讲义2-2 有监督学习 / 2088
讲义2-3 无监督学习 / 2124
讲义2-4 过拟合 / 2088
讲义2-5 模型选择 / 2072
讲义2-1 数据科学简介 / 2036
讲义3-1 神经网络与MLP / 2041
讲义3-2 神经元模型 / 2195
讲义3-3 反向传播算法 / 2208
讲义3-4 计算图与自动求导 / 2444
讲义4-2 动量法 / 2064
讲义4-3 自适应学习率算法 / 2200
讲义4-4 参数范数惩罚 / 2085
讲义4-1 梯度 / 2081
讲义4-5 Dropout / 2099
讲义4-5 Dropout / 2087
讲义5-1 CNN概述与基本原理 / 2155
讲义5-2 典型CNN网络 / 2072
讲义5-3 可视化卷积网络 / 2112
讲义6-1 循环序列模型 / 2054
讲义6-2 自然语言处理与词嵌入 / 2110
讲义6-3 序列模型和注意力机制 / 2143
讲义7-1 生成模型 / 2089
讲义7-2 基于能量的模型和玻尔兹曼机 / 2902
讲义7-3 受限玻尔兹曼机 / 3070
讲义7-4 自编码器和变分自编码器 / 2963
讲义7-5 生成对抗网络 / 2965
讲义7-6 DCGAN和WGAN / 2897
讲义7-7 CycleGAN原理以及代码全解析 / 2915
讲义8-1 强化学习概述 / 3097
讲义8-2 强化学习求解方法 / 2970
讲义8-3 强化学习算法分类 / 2960
讲义8-4 强化学习的代表性算法 / 2928
讲义8-5 强化学习应用 / 2951
讲义9-1 深度学习的软硬件 / 2960
讲义9-2 深度学习的框架 / 2917
讲义9-3 Tensor操作和自动求导 / 2929
讲义9-4 动态计算图和静态计算图 / 2897
讲义9-5 编写自定义数据集，数据加载器和转换 / 2889
创建者
wuqiang

上传：222份资源

创建：3个课程

暂无

更多
详细信息
所属分类：

江开本科 - 人工智能（本科）

人群： 青少年

知识体系： 信息技术 - 工学

主持人： 吴强
主讲老师： 朱占星
版权归属： 江苏开放大学版权
项目编码：
关键词
神经网络 深度学习 人工智能
  • 创建于：2021-08-27
  • 最近更新：2021-08-27