| 资源(54) | 时长( 08:44:45) | 播放量(114033) |
|---|---|---|
1-1 深度学习介绍 |
00:14:56 | 2235 |
|
1-3 典型的网络结构 |
00:16:40 | 2201 |
|
1-2 深度学习的核心思想 |
00:18:12 | 2217 |
|
1-4 应用概览 |
00:06:24 | 2125 |
|
2-1 数据科学简介 |
00:12:05 | 2173 |
|
2-4 过拟合 |
00:05:50 | 2137 |
|
2-5 模型选择 |
00:03:40 | 2235 |
|
2-3 无监督学习 |
00:03:22 | 2126 |
|
2-2 有监督学习 |
00:17:43 | 2160 |
|
3-1 神经网络与MLP |
00:07:08 | 2148 |
|
3-3 反向传播算法 |
00:11:41 | 2229 |
|
3-4 计算图与自动求导 |
00:11:46 | 2137 |
|
3-2 神经元模型 |
00:10:35 | 2128 |
|
4-1 梯度 |
00:15:22 | 2090 |
|
4-2 动量法 |
00:03:32 | 2084 |
|
4-3 自适应学习率算法 |
00:06:10 | 2093 |
|
4-4 参数范数惩罚 |
00:11:24 | 2189 |
|
4-5 dropout |
00:10:30 | 2081 |
|
4-6 参数初始化和参数调优 |
00:03:29 | 2060 |
|
5-1 CNN概述与基本原理 |
00:12:13 | 2213 |
|
5-2 典型CNN网络 |
00:17:07 | 2092 |
|
5-3 可视化卷积 |
00:04:52 | 2093 |
|
5-4 CNN在实际中的应用 |
00:14:15 | 2145 |
|
6-1 序列数据 |
00:05:18 | 2167 |
|
6-2 展开计算图 |
00:06:19 | 2061 |
|
6-3 RNN的设计模式 |
00:09:04 | 2087 |
|
6-4 RNN的反向传播 |
00:07:21 | 2091 |
|
6-5 各种RNN结构 |
00:12:58 | 2099 |
|
6-6 RNN的应用 |
00:07:59 | 2066 |
|
6-7 LSTM和GRU |
00:17:14 | 2064 |
|
6-8 注意力机制 |
00:16:05 | 2074 |
|
7-1 生成模型 |
00:06:31 | 2057 |
|
7-2 基于能量的模型和玻尔兹曼机 |
00:05:36 | 2070 |
|
7-3 受限玻尔兹曼机和深度玻尔兹曼机 |
00:09:14 | 2077 |
|
7-4 自编码器和变分自编码器 |
00:14:08 | 2076 |
|
7-5 生成对抗网络 |
00:13:42 | 2075 |
|
7-6 DCGAN和WGAN |
00:10:01 | 2069 |
|
7-7 CycleGAN |
00:07:12 | 2072 |
|
8-1 强化学习概述 |
00:10:15 | 2090 |
|
8-5 Bellman方程 |
00:10:15 | 2090 |
|
8-7 DNQ |
00:07:37 | 2096 |
|
8-4 MDP |
00:10:45 | 2121 |
|
8-9 model-based |
00:07:34 | 2088 |
|
8-6 Q-learning |
00:06:17 | 2049 |
|
8-8 策略梯度和AC框架 |
00:10:23 | 2084 |
|
8-2 强化学习的基本元素 |
00:08:53 | 2101 |
|
8-3 值函数 |
00:06:13 | 2089 |
|
9-1 深度学习的硬件 |
00:14:58 | 2121 |
|
9-2 深度学习的框架 |
00:03:09 | 2056 |
|
9-3 Tensor操作和自动求导 |
00:07:27 | 2062 |
|
9-4 神经网络训练实例 |
00:11:49 | 2072 |
|
9-5 动态计算图和静态计算图 |
00:04:42 | 2101 |
|
9-6 数据集加载与转换 |
00:08:32 | 2079 |
|
9-7 预训练模型和总结 |
00:08:18 | 2138 |