扫码支付

购买商品:课程名称读取中
商品价格:

价格读取中

支付方式:
微信

请扫码进行支付

支付宝

请扫码进行支付

二维码已过期,请点击刷新

  • 课程> 人工智能> 深度学习
  • 5天搞定深度学习进阶系列

    本课程支持以下优惠:

  • 由百度云提供技术支持
    课程目录
    第一章:深度置信网络DBN-DNN
    • 1. 课程介绍,推荐系统算法介绍 (免费)
    • 18:36
    • 2. 受限玻尔兹曼机在推荐系统中的应用
    • 19:28
    • 3. 深度置信网络DBN-DNN
    • 19:08
    第二章:卷积神经网络CNN
    • 1. 卷积神经网络CNN
    • 20:00
    • 2. 手写体识别网络LeNET-5结构分析
    • 28:58
    • 3. ImageNet介绍
    • 8:33
    • 4. ILSVRC12图像识别比赛冠军AlexNet (免费)
    • 38:57
    • 5. GPU及TPU介绍
    • 9:04
    第三章:152层深度残差网络RES
    • 1. 深度残差网络RES(论文讲解)
    • 43:07
    • 2. 批量正则化Batch Normalization
    • 21:03
    • 3. 深度残差网络进一步研究(论文讲解)
    • 14:00
    第四章:长短时记忆网络LSTM
    • 1. 递归神经网络RNN
    • 11:03
    • 2. 长短时记忆网络LSTM
    • 19:14
    第五章:人工智能前沿方向
    • 1. 强化学习RL
    • 17:37
    • 2. 迁移学习TL
    • 8:35
    • 3. 生成式对抗网络GAN
    • 13:07
    • 【课程类型】技术教程 【难度级别】中级 【适合人群】所有人
    • 【课程介绍】
      这门课程是“深度学习入门系列”的后续内容。 在入门系列的课程中,我们基本掌握了深度学习的一些基础知识,在这门课程中我们将进一步学习深度学习的核心内容。核心内容包括深度置信网络DBN,卷积神经网络CNN,深度残差网络RES和长短时记忆网络LSTM的构建以及使用。 最后一部分我们也会稍微讲解一些人工智能最前沿的发展强化学习RL,迁移学习TL和生成式对抗网络GAN。
    • 【课程目标】
      理解并学会深度学习中最热门最核心的深层网络。
    • 【课程计划】
      随到随学。

    第一章:深度置信网络DBN-DNN
    解释SVD矩阵分解算法在传统推荐系统中的应用。
    通过一篇Hinton的论文介绍受限玻尔兹曼机在推荐系统中的应用。
    详细讲解一篇深度学习里程碑式的论文,该论文是第一篇发表在nature上的深度学习相关的论文。

    第二章:卷积神经网络CNN
    介绍了传统神经网络的问题,以及CNN的优势。解释了局部感受野,共享权值,卷积核等概念以及使用。
    通过一篇LeCun的论文,详细分析LeNET-5的结构以及运行。
    介绍李飞飞,以及她创建的ImageNet数据集以及图像识别比赛ILSVRC。
    详细介绍AlexNet的结构以及运行流程。包括一些AlexNet的技术细节,使用ReLu激活函数,Pooling操作,扩大数据集的方法,Dropout的使用等等。
    介绍GPU以及TPU在深度学习中的使用。

    第三章:152层深度残差网络RES
    简单介绍了VGG和GoogleNet,并详细介绍了深度残差网络的论文。
    介绍了批量正则化Batch Normalization的原理和应用。
    对深度残差网络的算法细节以及组成结构做进一步讨论。

    第四章:长短时记忆网络LSTM
    介绍递归神经网络的应用以及结构。
    介绍了长短时记忆网络LSTM内部细胞的结构以及信号的传递方式。

    第五章:人工智能前沿方向
    1 强化学习RL
    17:37
    介绍了强化学习的原理,组成部分以及应用。
    介绍了迁移学习的应用以及四种实现方式。
    介绍了生成式对抗网络GAN的组成,以及各种应用领域。

    全部评价(0
    好评(0
    中评(0
    差评(0
    发表评价
    覃秉丰
    9课程3706学员
    机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。