- 1.1.1-神经网络简介
- 1.2.1-BP神经网络1
- 1.3.1-BP神经网络2
- 1.3.2-神经网络训练
- 1.3.3-神经网络应用
- 1.3.8-BP网络精讲1
- 1.3.9-BP网络精讲2
- 1.3.10-BP网络精讲3
- 1.3.11-BP网络精讲4
- 1.3.12-BP网络精讲5
- 1.3.13-BP网络精讲6
- 1.4.1-银行客户流失预测1
- 1.5.1-银行客户流失预测2
- 1.6.1-银行客户流失预测3
- 1.7.1-银行客户流失预测4
- 1.9.1-操作过程讲解
- 2.1.1-深度学习在人工智能中的应用1
- 2.2.1-深度学习在人工智能中的应用2
- 2.3.1-深度学习在人工智能中的应用3
- 2.4.1-深度学习在人工智能中的应用4
- 3.1.1-卷积神经网络概况
- 3.2.1-卷积与感受野机制
- 3.3.1-卷积的概念
- 3.4.1-图像编码与卷积
- 3.5.1-卷积操作
- 3.6.1-卷积特征图及计算
- 3.7.1-多通道卷积
- 3.8.1-池化操作
- 3.9.1-Lenet5卷积神经网络
- 3.10.1-Lenet5卷积神经网络(2-1)
- 3.10.2-Lenet5卷积神经网络(2-2)
- 3.11.1-Lenet5卷积神经网络(3-1)
- 3.11.2-Lenet5卷积神经网络(3-2)
- 3.12.1-完整的卷积神经网络过程
- 3.12.3-剪刀石头布手势识别模型训练
- 3.13.1-卷积神经网络训练
- 3.13.3-Lenet-5手写体实现
- 3.14.1-图像分类1
- 3.15.1-图像分类2
- 3.16.1-股票预测1
- 3.17.1-股票预测2
- 3.18.1-股票预测3
- 3.19.2-手写体识别视频
- 4.1.1-Alexnet卷积神经网络1
- 4.2.1-AlexNet卷积神经网络2
- 4.3.1-AlexNet卷积神经网络模型3
- 4.4.1-VGG卷积神经网络模型
- 4.5.1-GoogLeNet卷积神经网络模型
- 4.6.1-残差神经网络模型
- 4.6.2-ResNet精讲(1)
- 4.6.3-ResNet精讲(2)
- 4.6.4-ResNet精讲(3)
- 4.6.5-ResNet精讲(4)
- 4.6.7-Resnet的Python代码分析
- 4.7.1-动物识别1
- 4.8.1-动物识别2
- 4.9.1-动物识别3
- 4.10.2-VGG16动物识别Python程序讲解
- 5.1.1-循环神经网络基本原理1
- 5.2.1-循环神经网络基本原理2
- 5.3.1-循环神经网络模型
- 5.4.1-长短期记忆神经网络模型1
- 5.5.1-长短期记忆神经网络模型2
- 5.6.1-长短期记忆神经网络模型3
- 5.7.1-基于LSTM的股票预测
- 5.7.3-LSTM股票预测实现
- 6.1.1-目标检测的基本概念(1)
- 6.2.1-目标检测基本概念(2)
- 6.3.1-目标检测发展
- 6.4.1-基于候选区域的目标检测1
- 6.5.1-基于候选区域的目标检测2
- 6.6.1-基于候选区域的目标检测4
- 6.7.1-基于候选区域的目标检测4
- 6.8.1-Fast-RCNN目标检测算法
- 6.9.1-Faster-R-CNN目标检测算法
- 6.10.1-Yolo目标检测算法1
- 6.11.1-Yolo目标检测算法2
- 6.12.1-Yolo目标检测算法3
- 6.13.1-Yolo目标检测算法4
- 6.13.4-Yolo算法(补充1)
- 6.13.5-Yolo算法(补充2)
- 6.13.6-Yolo算法(补充3)
- 6.14.1-目标检测案例解析1
- 6.15.1-目标检测案例解析2
- 6.16.1-目标检测案例解析3
- 6.17.1-目标检测案例解析4
- 6.21.1-RetinaNet和UNet(1)
- 6.21.2-RetinaNet和UNet(2)
- 6.21.3-RetinaNet和UNet(3)
- 7.1.1-生成对抗网络基本原理1
- 7.10.1-手写体生成2
- 7.11.1-手写体生成3
- 7.12.1-手写体生成4
- 7.13.1-手写体生成5
- 7.15.1-画风转移(1)
- 7.15.2-画风转移(2)
- 10.1.1-强化学习
- 10.2.1-迁移学习基础
- 10.3.1-对偶学习
本课程将全面的介绍近年发展起来的基于神经网络的深度学习技术的基本概念,主要结构,核心方法和关键应用。主要内容包括:(1)机器学习和神经网络的基本概念和算法及其背后概率论、线性代数、优化理论相关基础;(2)深度学习的主流结构、激活函数、正则化技术,实用算法细节和应用案例;(3)计算机视觉与白然语言处理技术原理与应用;(4)包括模型压缩、生成对抗网络技术在内的新兴技术简介;(5)前沿论文与技术探讨。
通过课程的学习,使同学们巩固基础数学及机器学习的基本概念和算法;掌握神经网络基本概念;掌握深度学习中的主要网络结构的基本概念和相关算法;了解具体应用领域的背景知识、应用相关的深度学习技术;并了解生成对抗网络、深度神经网络模型压缩等新兴技术。
深度学习是目前人工智能、机器学习领域异常火热的研究方向,受到了学术界和
工业界的高度关注,被《麻省理工学院技术评论》(MIT Technology Review)评为2013年十大突破性技术之首。深度学习已经在语音识别、图像识别、自然语言处理等诸多
领域取得了突破性进展,对学术界和工业界产生了深远的影响。本课程采用google开源软件TensorFlow作为深度学习技术实现平台,讲解了全连接神经网络、自编码器
和多层感知机、卷积神经网络、循环神经网络等的设计与实现,以及网络训练过程中的数据处理、网络优调与超参数设计,并介绍深度强化学习和网络模型的可视化、多
GPU并行与分布式处理技术。通过本课程的学习使学生掌握深度学习技术并应用该技
术解决实际问题,了解应用领域的背景知识。
Deep learning is currently an extremely hot research direction in the field of artificial intelligence and machine learning.It has received great attention from academia and industry.It was rated as one of the top ten breakthrough technologies in 2013 by the MIT Technology Review.The first.Deep learning has made breakthroughs in many fields such as speech recognition,image recognition,and natural language processing,and has had a profound impact on academia and industry.This course uses Google's open source software TensorFlow as the deep learning technology implementation platform,and explains the design and implementation of fully connected neural networks,autoencoders and multilayer perceptrons,convolutional neural networks,recurrent neural networks,etc.,as well as the network training process Data processing,network optimization and hyperparameter design,and introduction of deep reinforcement learning and network model visualization,