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 18152 1 0 分享
资源(151) 时长( 08:44:45) 播放量(342800)
1-1 深度学习介绍 00:14:56 2302
1-3 典型的网络结构 00:16:40 2278
1-2 深度学习的核心思想 00:18:12 2285
1-4 应用概览 00:06:24 2193
2-1 数据科学简介 00:12:05 2246
2-4 过拟合 00:05:50 2206
2-5 模型选择 00:03:40 2306
2-3 无监督学习 00:03:22 2194
2-2 有监督学习 00:17:43 2231
3-1 神经网络与MLP 00:07:08 2212
3-3 反向传播算法 00:11:41 2298
3-4 计算图与自动求导 00:11:46 2205
3-2 神经元模型 00:10:35 2194
4-1 梯度 00:15:22 2155
4-2 动量法 00:03:32 2150
4-3 自适应学习率算法 00:06:10 2159
4-4 参数范数惩罚 00:11:24 2255
4-5 dropout 00:10:30 2146
4-6 参数初始化和参数调优 00:03:29 2126
5-1 CNN概述与基本原理 00:12:13 2279
5-2 典型CNN网络 00:17:07 2155
5-3 可视化卷积 00:04:52 2157
5-4 CNN在实际中的应用 00:14:15 2208
6-1 序列数据 00:05:18 2229
6-2 展开计算图 00:06:19 2126
6-3 RNN的设计模式 00:09:04 2151
6-4 RNN的反向传播 00:07:21 2155
6-5 各种RNN结构 00:12:58 2163
6-6 RNN的应用 00:07:59 2129
6-7 LSTM和GRU 00:17:14 2127
6-8 注意力机制 00:16:05 2137
7-1 生成模型 00:06:31 2120
7-2 基于能量的模型和玻尔兹曼机 00:05:36 2140
7-3 受限玻尔兹曼机和深度玻尔兹曼机 00:09:14 2142
7-4 自编码器和变分自编码器 00:14:08 2140
7-5 生成对抗网络 00:13:42 2139
7-6 DCGAN和WGAN 00:10:01 2132
7-7 CycleGAN 00:07:12 2131
8-1 强化学习概述 00:10:15 2154
8-5 Bellman方程 00:10:15 2155
8-7 DNQ 00:07:37 2159
8-4 MDP 00:10:45 2182
8-9 model-based 00:07:34 2150
8-6 Q-learning 00:06:17 2107
8-8 策略梯度和AC框架 00:10:23 2144
8-2 强化学习的基本元素 00:08:53 2163
8-3 值函数 00:06:13 2152
9-1 深度学习的硬件 00:14:58 2182
9-2 深度学习的框架 00:03:09 2119
9-3 Tensor操作和自动求导 00:07:27 2121
9-4 神经网络训练实例 00:11:49 2133
9-5 动态计算图和静态计算图 00:04:42 2168
9-6 数据集加载与转换 00:08:32 2139
9-7 预训练模型和总结 00:08:18 2199
1-1 深度学习介绍 / 2173
1-2 深度学习的核心思想 / 2252
1-3 典型的网络结构 / 2146
1-4 应用概览 / 2221
2-1 数据科学简介 / 2262
2-2 有监督学习 / 2132
2-3 无监督学习 / 2137
2-4 过拟合 / 2147
2-5 模型选择 / 2182
3-1 神经网络与MLP / 2158
3-3 反向传播算法 / 2108
3-2 神经元模型 / 2112
4-1 梯度 / 2161
3-4 计算图与自动求导 / 2233
4-2 动量法 / 2192
4-3 自适应学习率算法 / 2185
4-4 参数范数惩罚 / 2161
4-5 dropout / 2220
4-6 参数初始化和参数调优 / 2111
5-1 CNN概述与基本原理 / 2272
5-2 典型CNN网络 / 2138
5-3 可视化卷积 / 2251
5-4 CNN在实际中的应用 / 2126
6-1 序列数据 / 2127
6-2 展开计算图 / 2201
6-3 RNN的设计模式 / 2177
6-4 RNN的反向传播 / 2108
6-5 各种RNN结构 / 2107
6-6 RNN的应用 / 2119
6-7 LSTM和GRU / 2174
6-8 注意力机制 / 2115
7-1 生成模型 / 2132
7-2 基于能量的模型和玻尔兹曼机 / 2115
7-3 受限玻尔兹曼机和深度玻尔兹曼机 / 2229
7-4 自编码器和变分自编码器 / 2284
7-5 生成对抗网络 / 2204
7-6 DCGAN和WGAN / 2098
7-7 CycleGAN / 2101
8-1 强化学习概述 / 2103
8-2 强化学习的基本元素 / 2092
8-3 值函数 / 2103
8-4 MDP / 2116
8-5 Bellman方程 / 2099
8-6 Q-learning / 2101
8-7 DNQ / 2090
8-8 策略梯度和AC框架 / 2081
8-9 model-based / 2084
9-1 深度学习的硬件 / 2426
9-2 深度学习的框架 / 2389
9-3 Tensor操作和自动求导 / 2104
9-4 神经网络训练实例 / 2122
9-5 动态计算图和静态计算图 / 2209
9-6 数据集加载与转换 / 2409
9-7 预训练模型和总结 / 2176
讲义1-1 深度学习介绍 / 2213
讲义1-2 深度学习的核心思想 / 2169
讲义1-3 典型的网络结构 / 2155
讲义1-4 深度学习应用概览 / 2152
讲义2-1 数据科学简介 / 2192
讲义2-2 有监督学习 / 2158
讲义2-3 无监督学习 / 2195
讲义2-4 过拟合 / 2159
讲义2-5 模型选择 / 2143
讲义2-1 数据科学简介 / 2104
讲义3-1 神经网络与MLP / 2109
讲义3-2 神经元模型 / 2266
讲义3-3 反向传播算法 / 2278
讲义3-4 计算图与自动求导 / 2514
讲义4-2 动量法 / 2133
讲义4-3 自适应学习率算法 / 2280
讲义4-4 参数范数惩罚 / 2154
讲义4-1 梯度 / 2150
讲义4-5 Dropout / 2169
讲义4-5 Dropout / 2156
讲义5-1 CNN概述与基本原理 / 2226
讲义5-2 典型CNN网络 / 2144
讲义5-3 可视化卷积网络 / 2186
讲义6-1 循环序列模型 / 2123
讲义6-2 自然语言处理与词嵌入 / 2189
讲义6-3 序列模型和注意力机制 / 2212
讲义7-1 生成模型 / 2157
讲义7-2 基于能量的模型和玻尔兹曼机 / 3018
讲义7-3 受限玻尔兹曼机 / 3198
讲义7-4 自编码器和变分自编码器 / 3081
讲义7-5 生成对抗网络 / 3082
讲义7-6 DCGAN和WGAN / 3013
讲义7-7 CycleGAN原理以及代码全解析 / 3033
讲义8-1 强化学习概述 / 3214
讲义8-2 强化学习求解方法 / 3088
讲义8-3 强化学习算法分类 / 3087
讲义8-4 强化学习的代表性算法 / 3046
讲义8-5 强化学习应用 / 3072
讲义9-1 深度学习的软硬件 / 3080
讲义9-2 深度学习的框架 / 3035
讲义9-3 Tensor操作和自动求导 / 3045
讲义9-4 动态计算图和静态计算图 / 3014
讲义9-5 编写自定义数据集，数据加载器和转换 / 3005
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