面向医学领域的深度学习项目实战

面向医学领域的深度学习项目实战
共100节 1975人在学 课程详情

  • 神经网络原理解读与整体架构

    • 深度学习要解决的问题
    • 深度学习应用领域
    • 计算机视觉任务
    • 视觉任务中遇到的问题
    • 得分函数
    • 损失函数的作用
    • 前向传播整体流程
    • 返向传播计算方法
    • 神经网络整体架构
    • 神经网络架构细节
    • 神经元个数对结果的影响
    • 神经元个数对结果的影响
    • 神经网络过拟合解决方法

  • 卷积神经网络原理与参数解读

    • 卷积神经网络应用领域
    • 卷积的作用
    • 卷积特征值计算方法
    • 得到特征图表示
    • 步长与卷积核大小对结果的影响
    • 边缘填充方法
    • 特征图尺寸计算与参数共享
    • 池化层的作用
    • 整体网络架构
    • VGG网络架构
    • 残差网络Resnet
    • 感受野的作用

  • PyTorch框架基本处理操作

    • PyTorch框架发展趋势简介
    • 框架安装方法（CPU与GPU版本）
    • PyTorch基本操作简介
    • 自动求导机制
    • 线性回归DEMO-数据与参数配置
    • 线性回归DEMO-训练回归模型
    • 常见tensor格式
    • Hub模块简介

  • PyTorch框架必备核心模块解读

    • 卷积网络参数定义
    • 网络流程解读
    • Vision模块功能解读
    • 分类任务数据集定义与配置
    • 图像增强的作用
    • 数据预处理与数据增强模块
    • Batch数据制作
    • 迁移学习的目标
    • 迁移学习策略
    • 加载训练好的网络模型
    • 优化器模块配置
    • 实现训练模块
    • 训练结果与模型保存
    • 加载模型对测试数据进行预测
    • 额外补充-Resnet论文解读
    • 额外补充-Resnet网络架构解读

  • 基于Resnet的医学数据集分类实战

    • 医学疾病数据集介绍
    • Resnet网络架构原理分析
    • dataloader加载数据集
    • Resnet网络前向传播
    • 残差网络的shortcut操作
    • 特征图升维与降采样操作
    • 网络整体流程与训练演示

  • 图像分割及其损失函数概述

    • 语义分割与实例分割概述
    • 分割任务中的目标函数定义
    • MIOU评估标准

  • Unet系列算法讲解

    • Unet网络编码与解码过程
    • 网络计算流程
    • Unet升级版本改进
    • 后续升级版本介绍

  • unet医学细胞分割实战

    • 医学细胞数据集介绍与参数配置
    • 数据增强工具
    • Debug模式演示网络计算流程
    • 特征融合方法演示
    • 迭代完成整个模型计算任务
    • 模型效果验证

  • deeplab系列算法

    • SPP层的作用
    • ASPP特征融合策略
    • deeplabV3Plus版本网络架构
    • deeplab分割算法概述
    • 空洞卷积的作用
    • 感受野的意义

  • 基于deeplabV3+版本进行VOC分割实战

    • PascalVoc数据集介绍
    • 项目参数与数据集读取
    • 网络前向传播流程
    • ASPP层特征融合
    • 分割模型训练

  • 基于deeplab的心脏视频数据诊断分析

    • 数据集与任务概述
    • 项目基本配置参数
    • 任务流程解读
    • 文献报告分析
    • 补充：视频数据源特征处理方法概述
    • 补充：R(2plus1)D处理方法分析

  • 1-深度学习经典检测方法与YOLO思想概述

    • 检测任务中阶段的意义
    • 不同阶段算法优缺点分析
    • IOU指标计算
    • 评估所需参数计算
    • map指标计算
    • YOLO算法整体思路解读
    • 检测算法要得到的结果
    • 整体网络架构解读
    • 位置损失计算
    • 置信度误差与优缺点分析

  • YOLOV2V3V4算法解读

    • V2版本细节升级概述
    • 网络结构特点
    • 架构细节解读
    • 基于聚类来选择先验框尺寸
    • 偏移量计算方法
    • 坐标映射与还原
    • 感受野的作用
    • 特征融合改进
    • V3版本改进概述
    • 多scale方法改进与特征融合
    • 经典变换方法对比分析
    • 残差连接方法解读
    • 整体网络模型架构分析
    • 先验框设计改进
    • sotfmax层改进
    • V4版本整体概述
    • V4版本贡献解读
    • 数据增强策略分析
    • DropBlock与标签平滑方法
    • 损失函数遇到的问题
    • CIOU损失函数定义
    • NMS细节改进
    • SPP与CSP网络结构
    • SAM注意力机制模块
    • PAN模块解读
    • 激活函数与整体架构总结

  • 基于YOLO5细胞检测实战

    • 任务与细胞数据集介绍
    • 模型与算法配置参数解读
    • 网络训练流程演示
    • 效果评估与展示
    • 细胞检测效果演示

  • 知识图谱原理解读

    • 知识图谱通俗解读
    • 知识图谱在搜索引擎中的应用
    • 知识图谱在搜索引擎中的应用
    • 金融与推荐领域的应用
    • 数据获取分析
    • 数据关系抽取分析
    • 常用NLP技术点分析
    • graph-embedding的作用与效果
    • 金融领域图编码实例
    • 视觉领域图编码实例
    • 图谱知识融合与总结分析

  • Neo4j数据库实战

    • Neo4j图数据库介绍
    • Neo4j数据库安装流程演示
    • 可视化例子演示
    • 创建与删除操作演示
    • 数据库更改查询操作演示

  • 基于知识图谱的医药问答系统实战

    • 项目概述与整体架构分析
    • 医疗数据介绍及其各字段含义
    • 任务流程概述
    • 环境配置与所需工具包安装
    • 提取数据中的关键字段信息
    • 创建关系边
    • 打造医疗知识图谱模型
    • 加载所有实体数据
    • 实体关键词字典制作
    • 完成对话系统构建

  • 词向量模型与RNN网络架构

    • 词向量模型通俗解释
    • 模型整体框架
    • 训练数据构建
    • CBOW与Skip-gram模型
    • 负采样方案
    • 额外补充-RNN网络模型解读

  • 医学糖尿病数据命名实体识别

    • 数据与任务介绍
    • 整体模型架构
    • 数据-标签-语料库处理
    • 输入样本填充补齐
    • 训练网络模型
    • 医疗数据集（糖尿病）实体识别

    订阅失败

    面向医学领域的深度学习项目实战
    面向医学领域的深度学习项目实战 ...

    订阅列表已满，请先移出部分订阅内容。

    当前章节需购买后观看
    开通超级会员免费看！专家精选系列课程，满足你从入门到精通！更有问答月卡免费送，你的问题有问必答！
    提交答案

    购买课程

    扫码完成付费，可继续学习全部课程内容

    加载中...
    播放页问题反馈
    视频学习中有任何产品建议都可由此反
    馈，我们将及时处理！

    课时介绍

    偏移量计算方法

    课程介绍

    面向医学领域的深度学习实战课程旨在帮助同学们快速掌握深度学习核心算法及其在医疗领域应用实例。课程内容主要包括：1.深度学习经典算法解读（包括分类，检测，识别，分割，命名实体识别，知识图谱等经典算法）；2.基于医疗数据集的项目实战（包括数据处理，网络架构分析，源码解读）；3.实际应用场景效果分析与应用实例。整体风格通俗易懂，提供课程所需全部内容。

     

    推荐课程
    正在试验
    后自动删除环境
    课程实验
    本次实验时间已到期 00:00:00
    课件正在飞速打包中，请耐心等待几秒钟～