学习资源站

首页视频课程学习专栏

深度学习从0基础到入门：算法原理 + 全流程实战 + 案例作业

← 返回课程列表

#1 1. 1.1 欢迎播放
#2 2. 1.2 什么是神经网络播放
#3 3. 1.3 用神经网络进行监督学习播放
#4 4. 1.4 为什么深度学习会兴起？播放
#5 5. 1.5 关于这门课播放
#6 6. 1.6 课程资源播放
#7 7. 2.1 二分分类播放
#8 8. 2.2 logistic 回归播放
#9 9. 2.3 logistic 回归损失函数播放
#10 10. 2.4 梯度下降法播放
#11 11. 2.5 导数播放
#12 12. 2.6 更多导数的例子播放
#13 13. 2.7 计算图播放
#14 14. 2.8 使用计算图求导播放
#15 15. 2.9 logistic 回归中的梯度下降法播放
#16 16. 2.10 m 个样本的梯度下降播放
#17 17. 2.11 向量化播放
#18 18. 2.12 向量化的更多例子播放
#19 19. 2.13 向量化 logistic 回归播放
#20 20. 2.14 向量化 logistic 回归的梯度输出播放
#21 21. 2.15 Python 中的广播播放
#22 22. 2.16 关于 python _ numpy 向量的说明播放
#23 23. 2.17 Jupyter _ ipython 笔记本的快速指南播放
#24 24. 2.18 （选修）logistic 损失函数的解释播放
#25 25. 3.1 神经网络概览播放
#26 26. 3.2 神经网络表示播放
#27 27. 3.3 计算神经网络的输出播放
#28 28. 3.4 多个样本的向量化播放
#29 29. 3.5 向量化实现的解释播放
#30 30. 3.6 激活函数播放
#31 31. 3.7 为什么需要非线性激活函数？播放
#32 32. 3.8 激活函数的导数播放
#33 33. 3.9 神经网络的梯度下降法播放
#34 34. 3.10 （选修）直观理解反向传播播放
#35 35. 3.11 随机初始化播放
#36 36. 4.1 深层神经网络播放
#37 37. 4.2 前向和反向传播播放
#38 38. 4.3 深层网络中的前向传播播放
#39 39. 4.4 核对矩阵的维数播放
#40 40. 4.5 为什么使用深层表示播放
#41 41. 4.6 搭建深层神经网络块播放
#42 42. 4.7 参数 VS 超参数播放
#43 43. 4.8 这和大脑有什么关系？播放
#44 44. 1. 吴恩达采访 Geoffrey Hinton 播放
#45 45. 2. 吴恩达采访 Pieter Abbeel 播放
#46 46. 3. 吴恩达采访 Ian Goodfellow 播放
#47 47. 1.1 训练_开发_测试集播放
#48 48. 1.2 偏差_方差播放
#49 49. 1.3 机器学习基础播放
#50 50. 1.4 正则化播放
#51 51. 1.5 为什么正则化可以减少过拟合？播放
#52 52. 1.6 Dropout 正则化播放
#53 53. 1.7 理解 Dropout 播放
#54 54. 1.8 其他正则化方法播放
#55 55. 1.9 归一化输入播放
#56 56. 1.10 梯度消失与梯度爆炸播放
#57 57. 1.11 神经网络的权重初始化播放
#58 58. 1.12 梯度的数值逼近播放
#59 59. 1.13 梯度检验播放
#60 60. 1.14 关于梯度检验实现的注记播放
#61 61. 2.1 Mini-batch 梯度下降法播放
#62 62. 2.2 理解 mini-batch 梯度下降法播放
#63 63. 2.3 指数加权平均播放
#64 64. 2.4 理解指数加权平均播放
#65 65. 2.5 指数加权平均的偏差修正播放
#66 66. 2.6 动量梯度下降法播放
#67 67. 2.7 RMSprop 播放
#68 68. 2.8 Adam 优化算法播放
#69 69. 2.9 学习率衰减播放
#70 70. 2.10 局部最优的问题播放
#71 71. 3.1 调试处理播放
#72 72. 3.2 为超参数选择合适的范围播放
#73 73. 3.3 超参数训练的实践：Pandas VS Caviar 播放
#74 74. 3.4 正则化网络的激活函数播放
#75 75. 3.5 将 Batch Norm 拟合进神经网络播放
#76 76. 3.6 Batch Norm 为什么奏效？播放
#77 77. 3.7 测试时的 Batch Norm 播放
#78 78. 3.8 Softmax 回归播放
#79 79. 3.9 训练一个 Softmax 分类器播放
#80 80. 3.10 深度学习框架播放
#81 81. 3.11 TensorFlow 播放
#82 82. 1. 吴恩达采访 Yoshua Bengio 播放
#83 83. 2. 吴恩达采访林元庆播放
#84 84. 1.1 为什么是 ML 策略播放
#85 85. 1.2 正交化.mp4 播放
#86 86. 1.3 单一数字评估指标播放
#87 87. 1.4 满足和优化指标播放
#88 88. 1.5 训练_开发_测试集划分播放
#89 89. 1.6 开发集合测试集的大小播放
#90 90. 1.7 什么时候该改变开发_测试集和指标播放
#91 91. 1.8 为什么是人的表现播放
#92 92. 1.9 可避免偏差播放
#93 93. 1.10 理解人的表现播放
#94 94. 1.11 超过人的表现播放
#95 95. 1.12 改善你的模型的表现播放
#96 96. 2.1 进行误差分析播放
#97 97. 2.2 清除标注错误的数据播放
#98 98. 2.3 快速搭建你的第一个系统，并进行迭代播放
#99 99. 2.4 在不同的划分上进行训练并测试播放
#100 100. 2.5 不匹配数据划分的偏差和方差播放
#101 101. 2.6 定位数据不匹配播放
#102 102. 2.7 迁移学习播放
#103 103. 2.8 多任务学习播放
#104 104. 2.9 什么是端到端的深度学习播放
#105 105. 2.10 是否要使用端到端的深度学习播放
#106 106. 1. 采访 Andrej Karpathy 播放
#107 107. 2. 采访 Ruslan Salakhutdinov 播放
#108 108. 1.1 计算机视觉播放
#109 109. 1.2 边缘检测示例播放
#110 110. 1.3 更多边缘检测内容播放
#111 111. 1.4 Padding 播放
#112 112. 1.5 卷积步长播放
#113 113. 1.6 三维卷积播放
#114 114. 1.7 单层卷积网络播放
#115 115. 1.8 简单卷积网络示例播放
#116 116. 1.9 池化层播放
#117 117. 1.10 卷积神经网络示例.mp4 播放
#118 118. 1.11 为什么使用卷积？播放
#119 119. 2.1 为什么要进行实例探究？播放
#120 120. 2.2 经典网络播放
#121 121. 2.3 残差网络播放
#122 122. 2.4 残差网络为什么有用？播放
#123 123. 2.5 网络中的网络以及 1×1 卷积播放
#124 124. 2.6 谷歌 Inception 网络简介播放
#125 125. 2.7 Inception 网络播放
#126 126. 2.8 使用开源的实现方案播放
#127 127. 2.9 迁移学习播放
#128 128. 2.10 数据扩充播放
#129 129. 2.11 计算机视觉现状播放
#130 130. 3.1 目标定位播放
#131 131. 3.2 特征点检测播放
#132 132. 3.3 目标检测播放
#133 133. 3.4 卷积的滑动窗口实现播放
#134 134. 3.5 Bounding Box预测播放
#135 135. 3.6 交并比播放
#136 136. 3.7 非极大值抑制播放
#137 137. 3.8 Anchor Boxes 播放
#138 138. 3.9 YOLO 算法播放
#139 139. 3.10 候选区域播放
#140 140. 4.1 什么是人脸识别？播放
#141 141. 4.2 One-Shot 学习播放
#142 142. 4.3 Siamese 网络播放
#143 143. 4.4 Triplet 损失播放
#144 144. 4.5 面部验证与二分类播放
#145 145. 4.6 什么是神经风格转换？播放
#146 146. 4.7 什么是深度卷积网络？播放
#147 147. 4.8 代价函数播放
#148 148. 4.9 内容代价函数播放
#149 149. 4.10 风格代价函数播放
#150 150. 4.11 一维到三维推广播放
#151 151. 1.1为什么选择序列模型播放
#152 152. 1.2数学符号播放
#153 153. 1.3循环神经网络播放
#154 154. 1.4通过时间的反向传播播放
#155 155. 1.5不同类型的循环神经网络播放
#156 156. 1.6 语言模型和序列生成播放
#157 157. 1.7 新序列采样播放
#158 158. 1.8带有神经网络的梯度消失播放
#159 159. 1.9 GRU 单元播放
#160 160. 1.10 长短期记忆（LSTM）播放
#161 161. 1.11 双向神经网络播放
#162 162. 1.12 深层循环神经网络播放
#163 163. 2.1 词汇表征播放
#164 164. 2.2 使用词嵌入播放
#165 165. 2.3 词嵌入的特性播放
#166 166. 2.4 嵌入矩阵播放
#167 167. 2.5 学习词嵌入播放
#168 168. 2.6 Word2Vec 播放
#169 169. 2.7 负采样播放
#170 170. 2.8 GloVe 词向量播放
#171 171. 2.9 情绪分类播放
#172 172. 2.10 词嵌入除偏播放
#173 173. 3.1 基础模型播放
#174 174. 3.2 选择最可能的句子播放
#175 175. 3.3 定向搜索播放
#176 176. 3.4 改进定向搜索播放
#177 177. 3.5 定向搜索的误差分析播放
#178 178. 3.6 Bleu 得分（选修）播放
#179 179. 3.7 注意力模型直观理解播放
#180 180. 3.8 注意力模型播放
#181 181. 3.9 语音辨识播放
#182 182. 3.10 触发字检测播放
#183 183. 3.11 结论和致谢播放

学习资源聚合站

仅供学习交流使用，请支持正版