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 17775 1 0 分享
资源(151) 时长( 08:44:45) 播放量(336108)
1-1 深度学习介绍 00:14:56 2257
1-3 典型的网络结构 00:16:40 2227
1-2 深度学习的核心思想 00:18:12 2240
1-4 应用概览 00:06:24 2147
2-1 数据科学简介 00:12:05 2196
2-4 过拟合 00:05:50 2161
2-5 模型选择 00:03:40 2260
2-3 无监督学习 00:03:22 2150
2-2 有监督学习 00:17:43 2184
3-1 神经网络与MLP 00:07:08 2170
3-3 反向传播算法 00:11:41 2253
3-4 计算图与自动求导 00:11:46 2160
3-2 神经元模型 00:10:35 2150
4-1 梯度 00:15:22 2111
4-2 动量法 00:03:32 2105
4-3 自适应学习率算法 00:06:10 2114
4-4 参数范数惩罚 00:11:24 2211
4-5 dropout 00:10:30 2102
4-6 参数初始化和参数调优 00:03:29 2081
5-1 CNN概述与基本原理 00:12:13 2234
5-2 典型CNN网络 00:17:07 2113
5-3 可视化卷积 00:04:52 2114
5-4 CNN在实际中的应用 00:14:15 2167
6-1 序列数据 00:05:18 2188
6-2 展开计算图 00:06:19 2082
6-3 RNN的设计模式 00:09:04 2108
6-4 RNN的反向传播 00:07:21 2112
6-5 各种RNN结构 00:12:58 2120
6-6 RNN的应用 00:07:59 2087
6-7 LSTM和GRU 00:17:14 2085
6-8 注意力机制 00:16:05 2095
7-1 生成模型 00:06:31 2078
7-2 基于能量的模型和玻尔兹曼机 00:05:36 2095
7-3 受限玻尔兹曼机和深度玻尔兹曼机 00:09:14 2098
7-4 自编码器和变分自编码器 00:14:08 2097
7-5 生成对抗网络 00:13:42 2096
7-6 DCGAN和WGAN 00:10:01 2090
7-7 CycleGAN 00:07:12 2093
8-1 强化学习概述 00:10:15 2111
8-5 Bellman方程 00:10:15 2112
8-7 DNQ 00:07:37 2118
8-4 MDP 00:10:45 2142
8-9 model-based 00:07:34 2110
8-6 Q-learning 00:06:17 2070
8-8 策略梯度和AC框架 00:10:23 2106
8-2 强化学习的基本元素 00:08:53 2123
8-3 值函数 00:06:13 2111
9-1 深度学习的硬件 00:14:58 2142
9-2 深度学习的框架 00:03:09 2077
9-3 Tensor操作和自动求导 00:07:27 2083
9-4 神经网络训练实例 00:11:49 2093
9-5 动态计算图和静态计算图 00:04:42 2124
9-6 数据集加载与转换 00:08:32 2100
9-7 预训练模型和总结 00:08:18 2159
1-1 深度学习介绍 / 2132
1-2 深度学习的核心思想 / 2213
1-3 典型的网络结构 / 2107
1-4 应用概览 / 2181
2-1 数据科学简介 / 2219
2-2 有监督学习 / 2091
2-3 无监督学习 / 2092
2-4 过拟合 / 2108
2-5 模型选择 / 2144
3-1 神经网络与MLP / 2114
3-3 反向传播算法 / 2071
3-2 神经元模型 / 2074
4-1 梯度 / 2119
3-4 计算图与自动求导 / 2189
4-2 动量法 / 2153
4-3 自适应学习率算法 / 2146
4-4 参数范数惩罚 / 2122
4-5 dropout / 2183
4-6 参数初始化和参数调优 / 2073
5-1 CNN概述与基本原理 / 2227
5-2 典型CNN网络 / 2095
5-3 可视化卷积 / 2209
5-4 CNN在实际中的应用 / 2085
6-1 序列数据 / 2086
6-2 展开计算图 / 2162
6-3 RNN的设计模式 / 2138
6-4 RNN的反向传播 / 2070
6-5 各种RNN结构 / 2067
6-6 RNN的应用 / 2080
6-7 LSTM和GRU / 2136
6-8 注意力机制 / 2076
7-1 生成模型 / 2094
7-2 基于能量的模型和玻尔兹曼机 / 2077
7-3 受限玻尔兹曼机和深度玻尔兹曼机 / 2189
7-4 自编码器和变分自编码器 / 2241
7-5 生成对抗网络 / 2166
7-6 DCGAN和WGAN / 2058
7-7 CycleGAN / 2062
8-1 强化学习概述 / 2064
8-2 强化学习的基本元素 / 2054
8-3 值函数 / 2063
8-4 MDP / 2076
8-5 Bellman方程 / 2060
8-6 Q-learning / 2055
8-7 DNQ / 2054
8-8 策略梯度和AC框架 / 2043
8-9 model-based / 2045
9-1 深度学习的硬件 / 2387
9-2 深度学习的框架 / 2351
9-3 Tensor操作和自动求导 / 2066
9-4 神经网络训练实例 / 2083
9-5 动态计算图和静态计算图 / 2167
9-6 数据集加载与转换 / 2370
9-7 预训练模型和总结 / 2139
讲义1-1 深度学习介绍 / 2167
讲义1-2 深度学习的核心思想 / 2124
讲义1-3 典型的网络结构 / 2113
讲义1-4 深度学习应用概览 / 2113
讲义2-1 数据科学简介 / 2152
讲义2-2 有监督学习 / 2119
讲义2-3 无监督学习 / 2155
讲义2-4 过拟合 / 2119
讲义2-5 模型选择 / 2104
讲义2-1 数据科学简介 / 2066
讲义3-1 神经网络与MLP / 2071
讲义3-2 神经元模型 / 2227
讲义3-3 反向传播算法 / 2238
讲义3-4 计算图与自动求导 / 2474
讲义4-2 动量法 / 2094
讲义4-3 自适应学习率算法 / 2233
讲义4-4 参数范数惩罚 / 2115
讲义4-1 梯度 / 2111
讲义4-5 Dropout / 2129
讲义4-5 Dropout / 2117
讲义5-1 CNN概述与基本原理 / 2185
讲义5-2 典型CNN网络 / 2102
讲义5-3 可视化卷积网络 / 2142
讲义6-1 循环序列模型 / 2084
讲义6-2 自然语言处理与词嵌入 / 2144
讲义6-3 序列模型和注意力机制 / 2174
讲义7-1 生成模型 / 2119
讲义7-2 基于能量的模型和玻尔兹曼机 / 2949
讲义7-3 受限玻尔兹曼机 / 3121
讲义7-4 自编码器和变分自编码器 / 3010
讲义7-5 生成对抗网络 / 3012
讲义7-6 DCGAN和WGAN / 2945
讲义7-7 CycleGAN原理以及代码全解析 / 2963
讲义8-1 强化学习概述 / 3145
讲义8-2 强化学习求解方法 / 3017
讲义8-3 强化学习算法分类 / 3011
讲义8-4 强化学习的代表性算法 / 2975
讲义8-5 强化学习应用 / 3001
讲义9-1 深度学习的软硬件 / 3008
讲义9-2 深度学习的框架 / 2964
讲义9-3 Tensor操作和自动求导 / 2978
讲义9-4 动态计算图和静态计算图 / 2944
讲义9-5 编写自定义数据集，数据加载器和转换 / 2936
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