xyz軟體王

深度學習理論入門基礎課程 中文教學版(DVD9一片裝 此片售價200元)


深度學習理論入門基礎課程 中文教學版(DVD9一片裝 此片售價200元) -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= 軟體名稱:深度學習理論入門基礎課程 中文教學版(DVD9一片裝 此片售價200元) 語系版本:中文教學版 光碟片數:單片裝 破解說明: 系統支援:Windows 7/8/10 軟體類型:電腦教學 硬體需求:PC 更新日期:2024-12-28 官方網站: 中文網站: 軟體簡介: 銷售價格:$200元 -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= 　 軟體簡介: 　 001-01 - 1.0歡迎.mp4 002-02 - 1.1什麼是神經網絡.mp4 003-03 - 1.2監督學習與神經網絡.mp4 004-04 - 1.3監督學習與神經網絡.mp4 005-05 - 1.4關於這門課.mp4 006-06 - 1.5課程資源.mp4 007-07 - 1.6Geoffrey Hinton訪談（選修）.mp4 008-08 - 2.1二元分類.mp4 009-09 - 2.2邏輯回歸.mp4 010-10 - 2.3邏輯回歸損失函數.mp4 011-11 - 2.4梯度下降.mp4 012-12 - 2.5導數.mp4 013-13 - 2.6更多導數示例.mp4 014-14 - 2.7計算圖.mp4 015-15 - 2.8計算圖求導數.mp4 016-16 - 2.9邏輯回歸梯度下降.mp4 017-17 - 2.10m示例上的梯度下降.mp4 018-18 - 2.11向量化.mp4 019-19 - 2.12更多向量化示例.mp4 020-20 - 2.13向量化邏輯回歸.mp4 021-21 - 2.14向量化邏輯回歸的梯度輸出.mp4 022-22 - 2.15Python中的廣播.mp4 023-23 - 2.16python numpy 向量的註釋.mp4 024-24 - 2.17Jupyter iPython 筆記本的快速瀏覽.mp4 025-25 - 2.18邏輯回歸損失函數的解釋（選修）.mp4 026-26 - 2.19Pieter Abbeel訪談（選修）.mp4 027-27 - 3.1神經網絡概覽.mp4 028-28 - 3.2神經網絡的表現形式.mp4 029-29 - 3.3計算神經網絡的輸出.mp4 030-30 - 3.4多樣本向量化.mp4 031-31 - 3.5向量化實現的解釋.mp4 032-32 - 3.6激活函數.mp4 033-33 - 3.7為什麼需要非線性激活函數.mp4 034-34 - 3.8激活函數的導數.mp4 035-35 - 3.9神經網絡的梯度下降.mp4 036-36 - 3.10反向傳播的直覺（選修）.mp4 037-37 - 3.11隨機初始化.mp4 038-38 - 3.12Ian Goodfellow訪談（選修）.mp4 039-39 - 4.1深L層神經網絡.mp4 040-40 - 4.2深層網絡中的正向傳播.mp4 041-41 - 4.3正確的矩陣維數.mp4 042-42 - 4.4為什麼深度這麼有理.mp4 043-43 - 4.5為深層神經網絡構建模塊.mp4 044-44 - 4.6正向和反向傳播.mp4 045-45 - 4.7參數vs超參數.mp4 046-46 - 4.8這與大腦的關係是什麼.mp4 047-第二課1.1訓練 開發 測試集.mp4 048-1.2偏見 方差.mp4 049-1.3機器學習的基本配方.mp4 050-1.4正則化.mp4 051-1.5為什麼正則化可以減少過擬合.mp4 052-1.6正規化拋棄.mp4 053-1.7理解拋棄.mp4 054-1.8其他的正則化方法.mp4 055-1.9歸一化輸入.mp4 056-1.10梯度消失 爆炸.mp4 057-1.11深度網絡權值初始化.mp4 058-1.12梯度的數值近似.mp4 059-1.13梯度檢查.mp4 060-1.14梯度檢查實施須知.mp4 061-2.1小批量梯度下降.mp4 062-2.2理解小批量梯度下降.mp4 063-2.3指數加權平均.mp4 064-2.4理解指數加權平均.mp4 065-2.5指數加權平均數的偏差修正.mp4 066-2.6動量梯度下降.mp4 067-2.7RMSprop.mp4 068-2.8適應性矩估計（Adam）算法優化.mp4 069-2.9學習速率衰減.mp4 070-2.10局部最優解問題.mp4 071-3.1參數調整過程.mp4 072-3.2使用適當的標準來選擇超參數.mp4 073-3.3實踐中的超參數調整 熊貓vs魚子醬.mp4 074-3.4網絡中的正常化激活.mp4 075-3.5將Batch Norm擬合到神經網絡中.mp4 076-3.6為什麼Batch Norm有效.mp4 077-3.7測試時的Batch Norm.mp4 078-3.8Softmax回歸.mp4 079-3.9訓練一個softmax分類器.mp4 080-3.10深度學習框架.mp4 081-3.11TensorFlow.mp4 082-第三課01 - 1.1為什麼選擇ML策略.mp4 083-02 - 1.2正交化.mp4 084-03 - 1.3單數評價指標.mp4 085-04 - 1.4滿足和優化指標.mp4 086-05 - 1.5訓練 開發 測試分佈.mp4 087-06 - 1.6開發和測試集的大小和指標.mp4 088-07 - 1.7何時更改開發 測試集和指標.mp4 089-08 - 1.8為什麼選擇人類水平表現.mp4 090-09 - 1.9可避免的偏見.mp4 091-10 - 1.10理解人類水平表現.mp4 092-11 - 1.11超越人類水平表現.mp4 093-12 - 1.12提高您的模型性能.mp4 094-13 - 1.13Andrej Karpathy訪談.mp4 095-14 - 2.1進行誤差分析.mp4 096-15 - 2.2清理錯誤標注的數據.mp4 097-16 - 2.3快速構建您的第一個系統，並進行迭代.mp4 098-17 - 2.4訓練和測試的不同分佈.mp4 099-18 - 2.5不匹配數據分佈的偏差和方差.mp4 100-19 - 2.6解決數據不匹配問題.mp4 101-20 - 2.7遷移學習.mp4 102-21 - 2.8多任務學習.mp4 103-22 - 2.9什麼是端到端深度學習.mp4 104-23 - 2.10是否使用端到端深度學習.mp4 105-24 - 2.11Ruslan Salakhutdinov訪談.mp4 106-第四課01 - 1.1計算機視覺.mp4 107-02 - 1.2邊緣探測示例.mp4 108-03 - 1.3更多邊緣探測.mp4 109-04 - 1.4填充.mp4 110-05 - 1.5卷積步長.mp4 111-06 - 1.6三維卷積.mp4 112-07 - 1.7卷積網絡的一層.mp4 113-08 - 1.8卷積網絡的簡單示例.mp4 114-09 - 1.9池化層.mp4 115-10 - 1.10CNN示例.mp4 116-11 - 1.11為什麼用卷積.mp4 117-12 - 2.1為什麼要進行案例研究？.mp4 118-13 - 2.2經典網絡.mp4 119-14 - 2.3殘差網絡.mp4 120-15 - 2.4為什麼使用殘差網絡.mp4 121-16 - 2.5網絡中的網絡及1x1卷積.mp4 122-17 - 2.6初始網絡動機.mp4 123-18 - 2.7初始網絡.mp4 124-19 - 2.8MobileNet.mp4 125-20 - 2.9MobileNet架構.mp4 126-21 - 2.10EfficientNet.mp4 127-22 - 2.11使用開放源碼.mp4 128-23 - 2.12遷移學習.mp4 129-24 - 2.13數據增強.mp4 130-25 - 2.14計算機視覺狀態.mp4 131-26 - 3.1目標定位.mp4 132-27 - 3.2地標檢測.mp4 133-28 - 3.3目標檢測.mp4 134-29 - 3.4在卷積網絡上實現滑動窗口.mp4 135-30 - 3.5邊界框預測.mp4 136-31 - 3.6並交比.mp4 137-32 - 3.7非極大值抑制.mp4 138-33 - 3.8錨框.mp4 139-34 - 3.9YOLO（You Only Look Once）算法.mp4 140-35 - 3.10區域推薦網絡（選修）.mp4 141-3.11 用u-net進行語義分割.mp4 142-3.12 轉置卷積.mp4 143-3.13 u-net 結構靈感.mp4 144-3.14 u-net 結構.mp4 145-36 - 4.1.1什麼是人臉識別.mp4 146-37 - 4.1.2單樣本學習.mp4 147-38 - 4.1.3孿生神經網絡.mp4 148-39 - 4.1.4Triplet Loss三元組損失.mp4 149-40 - 4.1.5人臉驗證和二進制分類.mp4 150-41 - 4.2.1什麼是神經風格遷移.mp4 151-42 - 4.2.2什麼是深度卷積神經網絡學習.mp4 152-43 - 4.2.3代價函數.mp4 153-44 - 4.2.4內容代價函數.mp4 154-45 - 4.2.5風格代價函數.mp4 155-46 - 4.2.6 1維和3維推廣.mp4 156-第四課1.1為什麼用序列模型.mp4 157-1.2註釋.mp4 158-1.3循環神經網絡模型.mp4 159-1.4通過時間的反向傳播.mp4 160-1.5不同類型的RNNs.mp4 161-1.6語言模型和序列生成.mp4 162-1.7對新序列的採樣.mp4 163-1.8RNNs的梯度消失.mp4 164-1.9門控循環單元（GRU）.mp4 165-1.10長短期記憶（LSTM）.mp4 166-1.11雙向RNN.mp4 167-1.12深度RNNs.mp4 168-2.1詞表示.mp4 169-2.2使用詞嵌入.mp4 170-2.3詞嵌入的性能.mp4 171-2.4矩陣嵌入.mp4 172-2.5學習詞嵌入.mp4 173-2.6詞轉換成向量形式.mp4 174-2.7負採樣.mp4 175-2.8GloVe 詞向量.mp4 176-2.9情感分類.mp4 177-2.10詞嵌入除偏.mp4 178-3.1基礎模型.mp4 179-3.2選擇最有可能的句子.mp4 180-3.3集束搜索.mp4 181-3.4細化集束搜索.mp4 182-3.5集束搜索中的錯誤分析.mp4 183-3.6Bleu分數（選修）.mp4 184-3.7注意力模型直覺.mp4 185-3.8注意力模型.mp4 186-3.9語音識別.mp4 187-3.10觸發詞檢測.mp4 188-3.11Transformer網絡直覺.mp4 189-3.12自注意力機制.mp4 190-3.13多頭注意力機制.mp4 191-3.14Transformer網絡.mp4 192-3.15結論及感謝.mp4 -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=