(强推)李宏毅2021/2022春机器学习课程
2022-机器学习相关规定
298.3万
4.9万
2021-02-27 20:39:21
4.2万
2.1万
14.5万
2.7万
2022课程与2021课程基本相同，李老师只做小补充，UP会标识2022，会根据22课程大纲将内容进行相应更新！！！
公众号【啥都会一点的研究生】，本课资料对应序号05,能满足全部资料需求。
人工智能技术探讨群：571218304，不定期分享AI干货，点赞关注一起进步！
2021课程地址：https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.html
2022课程地址：https://speech.ee.ntu.edu.tw/~hylee/ml/2022-spring.php
课件和资料Github版：https://github.com/Fafa-DL/Lhy_Machine_Learning
课件和资料Gitee版：https://gitee.com/zzhzwh/Lhy_Machine_Learning
CSDN版https://blog.csdn.net/zzh516451964zzh/article/details/123212671
我是up主啥都生，非科班上岸算法工程师，分享我的学习路线：BV16341177c1
CS
1/110
加载中...
2022-机器学习相关规定
32:27
2021-机器学习相关规定
32:45
第一节 2021 - (上) - 机器学习基本概念简介
50:00
2021 - (下) - 深度学习基本概念简介
58:35
2022-Colab教学
12:34
2022-PyTorch Tutorial 1
31:01
2022-PyTorch Tutorial 2
15:52
2021-Google Colab教学
09:24
2021-Pytorch 教学 part 1
22:01
2021-Pytorch 教学 part 2（英文有字幕）
09:21
2022-作业HW1
40:36
2021-作业HW1
18:58
(选修)To Learn More - 深度学习简介
46:29
(选修)To Learn More - 反向传播(Backpropagation)
31:26
(选修)To Learn More - 预测神奇宝贝Pokemon
01:18:36
(选修)To Learn More - 分类神奇宝贝Pokemon
01:09:40
(选修)To Learn More - 逻辑回归
01:07:12
第二节 2021 - 机器学习任务攻略
51:24
2021 - 类神经网络训练不起来怎么办(一) 局部最小值 (local minima) 与鞍点 (saddle point)
33:45
2021 - 类神经网络训练不起来怎么办(二) 批次 (batch) 与动量 (momentum)
30:59
2021 - 类神经网络训练不起来怎么办(三) 自动调整学习率 (Learning Rate)
37:42
2021 - 类神经网络训练不起来怎么办(四) 损失函数 (Loss) 也可能有影响
19:27
2022 - 再探宝可梦、数码宝贝分类器 — 浅谈机器学习原理
01:14:00
(选修)To Learn More - Gradient Descent 样例1
02:36
(选修)To Learn More - Gradient Descent 样例2
01:41
(选修)To Learn More - Optimization for Deep Learning (1_2)
54:35
(选修)To Learn More - Optimization for Deep Learning (2_2)
54:31
2022 - 作业HW2
20:04
2021 - 作业说明 HW2中文低画质版
30:50
2021 - 作业说明 HW2-英文有字幕高清版
26:55
第三节 2021 - 卷积神经网络(CNN)
55:40
2022 - 为什么用了验证集 (validation set) 结果却还是过拟合(overfitting)了呢？
08:56
2022 - 鱼与熊掌可以兼得的机器学习
41:35
(选修)To Learn More - Spatial Transformer Layer
32:55
2022 - 作业说明HW3
34:21
2021- 作业说明HW3 中文低画质
24:55
2021- 作业说明HW3 英文高画质有字幕
29:07
第四节 2021 - 自注意力机制(Self-attention)(上)
28:18
2021 - 自注意力机制 (Self-attention) (下)
45:57
(选修)To Learn More - Recurrent Neural Network (Part I)
48:59
(选修)To Learn More - Recurrent Neural Network (Part II)
01:30:50
(选修)To Learn More - Graph Neural Network(1_2)
39:01
(选修)To Learn More - Graph Neural Network(2_2)
01:11:36
(选修)To Learn More - Unsupervised Learning - Word Embedding
40:38
2022 - 作业说明HW4
19:23
2021 - 作业说明 HW4-中文低画质版
25:22
2021 - 作业说明 HW4-英文无字幕高清版
22:43
第五节 2021 - 类神经网络训练不起来怎么办 (五) 批次标准化 (Batch Normalization)
30:55
2021 - Transformer (上)
32:47
2021 - Transformer (下)
01:00:33
2022 - 各式各样神奇的自注意力机制 (Self-attention) 变型
01:11:16
(选修)To Learn More - Non-Autoregressive Sequence Generation
01:01:52
(选修)To Learn More - Pointer Network
13:35
2022 - 作业说明HW5
37:52
2021 - 作业说明 HW5 中文 + Judgeboi讲解
50:17
2021 - 作业说明 HW5 slides tutorial -英文版机翻
16:48
2021 - 作业说明 HW5 code tutorial -英文版机翻
16:14
第六节 2021 - 生成式对抗网络(GAN) (一) – 基本概念介紹
39:08
2021 - 生成式对抗网络(GAN) (二) – 理论介绍与WGAN
46:40
2021 - 生成式对抗网络(GAN) (三) – 生成器效能评估与条件式生成
49:46
2021 - 生成式对抗网络(GAN) (四) – Cycle GAN
23:40
(选修)To Learn More - GAN Basic Theory
01:20:19
(选修)To Learn More - General Framework
25:04
(选修)To Learn More - WGAN, EBGAN
50:07
(选修)To Learn More - Unsupervised Learning - Deep Generative Model (Part I)
29:34
(选修)To Learn More - Unsupervised Learning - Deep Generative Model (Part II)
01:03:31
(选修)To Learn More - Flow-based Generative Model
01:07:51
2021 - 作业说明 HW6 中文版低画质
29:03
2021 - 作业说明 HW6 英文版高画质有字幕
12:20
2022 - 作业说明 HW6
38:51
第七节 2021 - 自监督式学习 (一) – 芝麻街与进击的巨人
07:09
2021 - 自监督式学习 (二) – BERT简介
50:40
2021 - 自监督式学习 (三) – BERT的奇闻轶事
24:13
2021 - 自监督式学习 (四) – GPT的野望
17:04
2022 - 如何有效的使用自督导式模型 - Data-Efficient & Parameter-Efficient Tuning
01:22:09
2022 - 语音与影像上的神奇自督导式学习模型
01:21:59
(选修)To Learn More - BERT and its family - Introduction and Fine-tune
50:08
(选修)To Learn More - ELMo, BERT, GPT, XLNet, MASS, BART, UniLM, ELECTRA, others
01:11:46
(选修)To Learn More - Multilingual BERT
39:13
(选修)To Learn More - 來自獵人暗黑大陸的模型 GPT-3
29:57
2021 - 作业说明 HW7 中文版低画质
21:07
2022 - Homework 7
25:56
第八节 2021 - 自编码器 (Auto-encoder) (上) – 基本概念
19:01
2021 - 自编码器 (Auto-encoder) (下) – 领结变声器与更多应用
30:35
2021 - Anomaly Detection (1_7)
13:23
2021 - Anomaly Detection (2_7)
14:10
2021 - Anomaly Detection (3_7)
14:05
2021 - Anomaly Detection (4_7)
04:08
2021 - Anomaly Detection (5_7)
12:18
2021 - Anomaly Detection (6_7)
12:20
2021 - Anomaly Detection (7_7)
06:02
(选修)To Learn More - Unsupervised Learning - Linear Methods
01:40:21
(选修)To Learn More - Unsupervised Learning - Neighbor Embedding
30:59
2021 - 作业说明 HW8 中文版低画质
25:44
2022 - 作业说明 Homework 8
21:31
第九节 2021 - 机器学习的可解释性 (上) – 为什么神经网络可以正确分辨宝可梦和数码宝贝
49:08
2021 - 机器学习的可解释性 (下) –机器心中的猫长什么样子
22:46
2022 - 自然语言处理上的对抗式攻击 (由姜成翰助教讲授) - Part 1
56:06
2021 - 作业说明 HW9 中文版低画质
42:22
2022 - Homework 9
10:35
第十节 2021 - 来自人类的恶意攻击 (Adversarial Attack) (上) – 基本概念
29:50
2021 - 来自人类的恶意攻击 (Adversarial Attack) (下) – 类神经网络能否躲过人类深不见底的恶意
46:33
2022 - 自然语言处理上的对抗式攻击 (由姜成翰助教讲授) - Part 2
01:26:22
2022 - 自然语言处理上的对抗式攻击 (由姜成翰助教讲授) - Part 3
01:10:20
2022 - 自然语言处理上的模仿攻击 (Imitation Attack) 以及后门攻击 (Backdoor Attack) (由姜成翰助教讲授)
43:13
(选修)To Learn More - More about Adversarial Attack (1_2)
29:58
(选修)To Learn More - More about Adversarial Attack (2_2)
29:45
2021 - 作业说明 HW10 中文版低画质
36:50
2022 - Homework 10
30:30
第十一节 2021 - 概述领域自适应 (Domain Adaptation)
34:33
2022 - 恶搞自督导式学习模型 BERT的三个故事
53:43
2021 - 作业说明 HW11 Domain Adaptation
51:55
2022 - 作业说明 Homework11
31:55
第十二节 2021 - 概述增強式學習(一) – 增强式学习和机器学习一样都是三个步骤
45:02
2021 - 概述增强式学习 (二) – Policy Gradient 与修课心情
41:15
2021 - 概述增强式学习 (三) – Actor-Critic
34:41
2021 - 概述增强式学习 (四) – 回馈非常罕見的時候怎么办？机器的望梅止渴
17:35
2021 - 概述增强式学习 (五) – 如何从示范中学习？逆向增強式学习 (Inverse RL)
27:08
2021 - 作业说明 HW12 中文高清
21:59
2022 - 作业说明 HW12 (英文版) - 1_2
13:15
(选修)To Learn More - Deep Reinforcement Learning
01:06:22
第十三节 2021 - 神经网络压缩 (一) - 类神经网络剪枝(Pruning) 与大乐透假说(Lottery Ticket Hypothesis)
29:32
2021 - 神经网络压缩 (二) - 从各种不同的面向來压缩神经网络
56:46
(选修)To Learn More - Proximal Policy Optimization (PPO)
41:34
(选修)To Learn More - Q-learning (Basic Idea)
49:44
(选修)To Learn More - Q-learning (Advanced Tips)
38:31
(选修)To Learn More - Q-learning (Continuous Action)
14:58
(选修)To Learn More - Geometry of Loss Surfaces (Conjecture)
17:07
2021 - 作业说明 HW13 中文高清
33:52
2022 - 作业说明 HW13
36:07
第十四节 2021 - 机器终身学习 (一) - 为什么今日的人工智能无法成为天网？灾难性遗忘(Catastrophic Forgetting)
32:00
2021 - 机器終身学习 (二) - 灾难性遗忘(Catastrophic Forgetting)
36:39
2021 - 作业说明 HW14 中文高清
27:49
2022 - 作业说明 HW14
22:03
第十五节 2021 - 元学习 Meta Learning (一) - 元学习和机器学习一样也是三個步骤
46:21
2021 - 元学习 Meta Learning (二) - 万物皆可 Meta
31:37
2022 - 各种奇葩的元学习 (Meta Learning) 用法
31:13
(选修)To Learn More - Meta Learning – MAML (1)
07:41
(选修)To Learn More - Meta Learning – MAML (2)
07:52
(选修)To Learn More - Meta Learning – MAML (3)
10:22
(选修)To Learn More - Meta Learning – MAML (4)
05:14
(选修)To Learn More - Meta Learning – MAML (5)
13:22
(选修)To Learn More - Meta Learning – MAML (6)
06:33
(选修)To Learn More - Meta Learning – MAML (7)
08:54
(选修)To Learn More - Meta Learning – MAML (8)
05:11
(选修)To Learn More - Meta Learning – MAML (9)
06:53
(选修)To Learn More - Gradient Descent as LSTM (1_3)
11:40
(选修)To Learn More - Gradient Descent as LSTM (2_3)
10:06
(选修)To Learn More - Gradient Descent as LSTM (3_3)
10:39
(选修)To Learn More - Meta Learning – Metric-based (1)
10:30
(选修)To Learn More - Meta Learning – Metric-based (2)
05:15
(选修)To Learn More - Meta Learning – Metric-based (3)
11:30
(选修)To Learn More - Meta Learning - Train+Test as RNN
07:48
2022 - 作业说明 HW15
17:54
【机器学习】课程结语 完结撒花
27:41
269播放
强烈推荐！台大李宏毅自注意力机制和Transformer详解！
58.9万播放
10.【李宏毅机器学习2021】自注意力机制 (Self-attention) (上)
28:18
11.【李宏毅机器学习2021】自注意力机制 (Self-attention) (下)
45:58
12.【李宏毅机器学习2021】Transformer (上)
32:48
13.【李宏毅机器学习2021】Transformer (下)
01:00:34
1.9万播放
1579播放
260.3万播放
【Kaldi语音识别】从零搭建语音识别引擎（一）
2.6万播放
000 - 必读
06:44
001 - 简介
06:12
002 - 源码和文档
06:30
003 - 积木
06:24
004 - 找龙珠
06:36
005 - 制作积木
06:19
006 - Kaldi学习
07:26
007 - 语音识别系统可以做什么
06:38
100 - 环境搭建
06:20
101 - 安装VM
07:12
102 - 激活VM
04:31
103 - 安装Centos7
06:25
104 - 分配磁盘配置
06:37
105 - 完成安装Centos7
06:33
106 - 启动Centos7
07:27
107 - 安装XShell
06:19
108 - 安装WinSCP
06:24
109 - Linux常用命令
06:30
110 - 虚拟机连接WinSCP
06:57
111 - 查找IP
06:24
112 - 修改IP
06:38
113 - 配置XShell
06:55
114 - 查找资料
07:17
115 - XShell连接VM
06:42
116 - 修改IP
06:38
117 - 完成修改IP
06:55
118 - 换一篇博客文章
06:43
119 - 尝试另一种方法
06:17
120 - ifconfig
08:19
121 - 完成XShell和Linux的互联
07:23
122 - 完成XShell和WinSCP的互联
06:33
123 - 完成环境搭建------------
07:18
124 - 修改XShell配色
07:27
125 - 完成整体环境搭建
06:57
201 - Kaldi入门
07:07
202 - 获得数据
06:31
203 - 流程
06:43
204 - 识别流程
06:16
205 - 如何生成L
06:37
206 - 安装git
06:24
207 - 克隆Kaldi
06:17
208 - 安装vim
06:22
209 - 配置Kaldi环境
06:46
210 - 想办法生成wav
06:40
211 - 一些Linux其他命令
07:16
212 - 一些Linux其他命令
06:16
213 - 编译Kaldi环境
06:26
214 - 编译Kaldi环境
06:50
215 - 安装好基本依赖
06:52
216 - 安装MKL
10:40
217 - 下载MKL
07:56
218 - 准备生成wav
07:04
219 - 让vim显示中文
06:28
220 - 成功安装MKL
06:50
221 - 编译tools
07:29
222 - 如何判断Kaldi是否编译
06:26
223 - 继续查看环境的问题
08:12
224 - 升级GCC
07:01
225 - 继续制作wav
06:54
226 - 生成wav
06:34
227 - 保存wav
06:22
228 - 修改xshell快捷建
06:39
229 - 生成utt2spk与spk2utt
07:37
230 - 生成utt2spk
06:20
231 - 代码生成utt2spk
06:38
232 - 完成utt2spk
06:20
233 - 更改快捷键
06:15
234 - 书写spk2utt
06:57
235 - 书写spk2utt
06:11
235 - 完成生成spk2utt
06:45
236 - 完成Kaldi的编译
06:29
237 - 配置环境变量
08:11
238 - 生成text
06:10
239 - cat命令
07:51
240 - 查看文本
06:35
241 - 查看没有处理的text
06:52
242 - 保存文件
07:03
243 - 生成text文件
06:21
244 - 拓展声学模型
06:40
245 - 拓展训练声学模型
06:41
246 - DNN的数据从哪来
06:59
247 - 声学模型GMM-HMM
06:15
248 - 画图理解
06:33
249 - 求解路径
06:48
250 - 路径概率
07:11
251 - 求解图最短路径
07:35
252 - HMM-GMM
07:23
252 - 预测的过程
07:00
253 - 声学模型初理解
06:41
254 - 语言学初理解
07:02
255 - 第一阶段的理论知识
07:06
256 - 继续写代码
06:12
257 - jieba分词
07:04
258 - 尝试一下jieba分词结果
06:38
259 - 处理文本
07:03
260 - 重新打开
06:55
261 - 使用友好的PyCharm写代码
06:23
262 - 数据预处理
06:17
263 - 去掉括号
06:29
1.2万播放
1.4万播放
3.4万播放
3.2万播放
【深度学习】李宏毅Machine Learning (2017,秋，台湾大学) 国语
10.5万播放
ML Lecture 0-1 - Introduction of Machine Learning 机器学习简介
38:57
ML Lecture 0-2 - Why we need to learning machine learning 为什么要学习机器学习
01:20
ML Lecture 1 - Regression - Case Study 回归学习案例
01:18:34
ML Lecture 1 - Regression - Demo
06:53
ML Lecture 2 - Where does the error come from-误差来源
43:13
ML Lecture 3-1 - Gradient Descent-梯度下降
01:01:51
HW1 – PM2.5 Prediction-作业1
14:06
ML Lecture 4 - Classification-分类
01:09:40
ML Lecture 5 - Logistic Regression-逻辑回归
01:07:13
ML Lecture 6 - Brief Introduction of Deep Learning-深度学习简介
46:29
ML Lecture 7 - Backpropagation-反向传播
31:26
ML Lecture 8-1 - “Hello world” of deep learning
29:50
HW2 - Winner or Loser-作业2
03:21
ML Lecture 8-2 - Keras 2.0
09:37
ML Lecture 8-3 - Keras Demo
11:13
ML Lecture 9 - Tips for Training DNN-训练DNN的几点建议
01:26:02
ML Lecture 9-2 - Keras Demo 2
15:21
ML Lecture 9-3 - Fizz Buzz in Tensorflow (sequel)
06:10
ML Lecture 10 - Convolutional Neural Network-卷积神经网络
01:19:29
ML Lecture 11 - Why Deep
57:45
ML Lecture 12.1 - Recurrent Neural Network (Part I)
48:59
ML Lecture 12.2 - Recurrent Neural Network (Part II)
01:30:49
ML Lecture 12 - Gated RNN and Sequence Generation
01:59:52
ML Lecture 13 - Ensemble 集成学习
01:39:59
ML Lecture 14 - Semi-supervised - 半监督学习
59:59
ML Lecture 15 - Transfer Learning - 迁移学习
01:14:28
ML Lecture 16 - Deep Reinforcement Learning - Scratching the surface - 深度强化学习的皮毛
01:06:21
ML Lecture 17 - Structured Learning - Linear Model-降维
24:15
ML Lecture 18 - Unsupervised Learning - Word Embedding
40:39
ML Lecture 19 - Unsupervised Learning - Neighbor Embedding
30:57
ML Lecture 20.1 - Gated RNN and Sequence Generation (Recorded at Fall, 2017)
01:59:52
ML Lecture 20.2 - Pointer Network
13:34
ML Lecture 21 - Unsupervised Learning - Auto-encoder
42:03
ML Lecture 22.1 - Unsupervised Learning - Deep Generative Model (Part I)
29:34
ML Lecture 22.2 - Unsupervised Learning - Deep Generative Model (Part II)
01:03:31
附加：Batch Normalization
28:57
秒懂神经网络（共二十一节）
10.7万播放
1-科普 人工神经网络 VS 生物神经网络
04:40
2-什么是神经网络 (机器学习)
07:16
3-科普 神经网络的黑盒不黑 (深度理解神经网络)
04:56
4-神经网络 梯度下降
04:08
5-什么是卷积神经网络 CNN (深度学习)
05:39
6-什么是循环神经网络 RNN (深度学习)
04:34
7-什么是 LSTM RNN 循环神经网络 (深度学习)
03:56
8-什么是自编码 Autoencoder (深度学习)
03:08
9-什么是 GAN 生成对抗网络 (深度学习)
04:03
10-站在巨人的肩膀上, 迁移学习
04:49
11-什么是神经网络进化
04:33
12-怎样检验神经网络 (深度学习)
05:15
13-为什么要特征标准化 (深度学习)
04:42
14-怎样区分好用的特征 (深度学习)
06:09
15-什么是激励函数 (深度学习)
03:50
16-什么是过拟合 (深度学习)
04:23
17-优化器 Optimizer 加速神经网络训练 (深度学习)
04:12
18-处理不均衡数据 (深度学习)
03:19
19-什么是 Batch Normalization 批标准化
05:09
20-什么是 L1 L2 正规化 正则化 Regularization
03:53
21-AlphaGo Zero 为什么更厉害
05:17
Stanford : Statistical Learning 斯坦福大学：统计学习
25.6万播放
StatsLearning Lect1-2a
18:18
StatsLearning Lect1-2b
12:13
StatsLearning Lect-3 4a
11:42
StatsLearning Lect-3 4b
11:42
StatsLearning Lect-3 4c
10:05
StatsLearning Lect-3 4d
15:38
Lecture 5 Trevor Rstudio v2
14:13
StatsLearning Lect-5a
13:02
StatsLearning Lect-5b
08:25
StatsLearning Lect-5c
15:38
StatsLearning Lect-5d
14:53
StatsLearning Lect-5e
14:17
lecture 7 r regression v2
22:11
StatsLearning Lect-6a
10:26
StatsLearning Lect-6b
09:08
StatsLearning Lect-6c
09:55
StatsLearning Lect-6d
07:29
StatsLearning Lect-6e
07:13
StatsLearning Lect-6f
07:38
StatsLearning Lect-6g
17:43
StatsLearning Lect-6h
10:08
StatsLearning Lect-7a
14:02
StatsLearning Lect-7b
13:34
StatsLearning Lect-7c
10:08
StatsLearning Lect-7d
11:30
StatsLearning Lect-7e
14:36
StatsLearning Lect-8a
13:45
StatsLearning Lect-8b
12:27
StatsLearning Lect-8c
05:27
StatsLearning Lect-8f
08:45
StatsLearning Lect-8g
12:38
StatsLearning Lect-8h
15:22
StatsLearning Lect-8i
05:28
StatsLearning Lect-8j
04:46
StatsLearning Lect-8k
15:49
StatsLearning Lect-9a
15:00
StatsLearning Lect-9b
13:14
StatsLearning Lect-9c
10:11
StatsLearning Lect-9d
10:46
LearningStats R nonlinear A
21:12
LearningStats R nonlinear B
12:16
StatsLearning Lect10 R modelselection A
10:37
StatsLearning Lect10 R modelselection B
10:33
StatsLearning Lect10 R modelselection C
05:34
StatsLearning Lect10 R modelselection D
16:36
StatsLearning Lect10 R classification
10:15
StatsLearning Lect10 R A LDA
08:23
StatsLearning Lect10 R B Knearest
05:02
StatsLearning Lect10 R C validation
11:22
StatsLearning Lect10 R D bootstrap
07:41
StatsLearning Lect-10a1
14:38
StatsLearning Lect-10a2
11:46
StatsLearning Lect-10b
11:02
StatsLearning Lect-10c
13:46
StatsLearning Lect-10d
12:04
StatsLearning Lect10 R trees A
10:14
StatsLearning Lect10 R trees B
15:36
StatsLearning Lect-11a
11:36
StatsLearning Lect-11b
08:05
StatsLearning Lect-11c
15:05
StatsLearning Lect-11d
14:48
StatsLearning Lect12 R SVM A
10:14
StatsLearning Lect12 R SVM B
07:55
StatsLearning Lect-12b
17:41
StatsLearning Lect-12c
17:18
StatsLearning Lect-12d
14:46
StatsLearning Lect-12e
09:25
StatsLearning R Unsupervised A
06:29
StatsLearning R Unsupervised B
06:32
StatsLearning R Unsupervised C
06:34
JohnChambers Interview
10:21
Interview BradEfron
12:09
Interview JerryFriedman
10:31
Lab Meeting
07:45
终于有人把pytorch讲明白了！新加坡国立大学AI团队倾情打造！入门实战课程！清晰透彻！ 学不会你打我！（附课件源码）
3166播放
课时1 深度学习框架简介
09:21
课时2 PyTorch功能演示
11:10
课时3 开发环境安装（简介）
12:41
课时4 简单回归问题-1
09:10
课时5 简单回归问题-2
14:45
课时6 回归问题实战
08:44
课时7 分类问题引入-1
07:17
课时8 分类问题引入-2
09:20
课时9 手写数字识别初体验-1
06:10
课时10 手写数字识别初体验-2
06:37
课时11 手写数字识别初体验-3
07:03
课时12 手写数字识别初体验-4
08:06
课时13 手写数字识别初体验-5
08:17
课时14 张量数据类型-1
09:57
课时15 张量数据类型-2
14:08
课时16 创建Tensor-1
10:48
课时17 创建Tensor-2
13:00
课时18 索引与切片-1
12:12
课时19 索引与切片-2
11:32
课时20 维度变换-1
07:38
课时21 维度变换-2
10:02
课时22 维度变换-3
07:53
课时23 维度变换-4
10:24
课时24 Broadcasting-1
08:47
课时25 Broadcasting-2
11:36
课时26 Broadcasting-3
06:12
课时27 合并与分割-1
10:45
课时28 合并与分割-2
06:37
课时29 数学运算-1
07:40
课时30 数学运算-2
08:56
课时31 属性统计-1
10:43
课时32 属性统计-2
11:35
课时33 高阶操作
16:06
课时34 什么是梯度-1
10:20
课时35 什么是梯度-2
14:18
课时36 常见函数的梯度
07:19
课时37 激活函数与Loss的梯度-1
13:54
课时38 激活函数与Loss的梯度-2
08:54
课时39 激活函数与Loss的梯度-3
06:47
课时40 激活函数与Loss的梯度-4
11:58
课时41 感知机的梯度推导-1
13:36
课时42 感知机的梯度推导-2
13:17
课时43 链式法则
11:32
课时44 反向传播算法-1
12:45
课时45 反向传播算法-2
07:02
课时46 优化问题实战
08:56
课时47 Logistic Regression
14:14
课时48 交叉熵-1
09:08
课时49 交叉熵-2
09:28
课时50 多分类问题实战
08:27
课时52 激活函数与GPU加速
11:39
课时53 MNIST测试实战
12:02
课时54 Visdom可视化
13:09
课时55 过拟合与欠拟合
14:25
课时56 交叉验证-1
11:47
课时57 交叉验证-2
07:40
课时58 Regularization
11:22
课时59 动量与学习率衰减
13:59
课时60 Early stopping, dropout等
14:21
课时61 什么是卷积-1
12:59
课时62 什么是卷积-2
08:48
课时63 卷积神经网络-1
11:20
课时64 卷积神经网络-2
11:13
课时65 卷积神经网络-3
08:44
课时66 池化层与采样
10:55
课时67 BatchNorm-1
09:28
课时68 BatchNorm-2
13:08
课时69 经典卷积网络 LeNet5,AlexNet, VGG, GoogLeNet-1
09:19
课时70 经典卷积网络 LeNet5,AlexNet, VGG, GoogLeNet-2
09:44
课时71 ResNet与DenseNet-1
12:05
课时72 ResNet与DenseNet-2
10:22
课时73 nn.Module模块-1
10:18
课时74 nn.Module模块-2
08:57
课时75 数据增强
12:55
课时76 CIFAR10数据集介绍
10:09
课时77 卷积神经网络实战-1
10:09
课时78 卷积神经网络实战-2
10:05
课时79 卷积神经网络训练
10:05
课时80 ResNet实战-1
10:12
课时81 ResNet实战-2
10:12
课时82 ResNet实战-3
07:32
课时83 ResNet实战-4
10:08
课时84 实战小结
12:51
课时85 时间序列表示方法
14:59
课时86 RNN原理-1
09:57
课时87 RNN原理-2
09:40
课时88 RNN Layer使用-1
09:44
课时89 RNN Layer使用-2
09:02
课时90 时间序列预测实战
13:28
课时91 梯度弥散与梯度爆炸
12:51
课时92 LSTM原理-1
09:03
课时93 LSTM原理-2
10:54
课时94 LSTM Layer使用
08:45
课时95 情感分类问题实战
15:16
课时96 Pokemon数据集
12:31
课时97 数据预处理
12:21
课时98 自定义数据集实战-1
06:50
课时99 自定义数据集实战-2
08:43
课时100 自定义数据集实战-3
11:05
课时101 自定义数据集实战-4
09:59
课时102 自定义数据集实战-5
11:30
课时103 自定义网络
09:47
课时104 自定义网络训练与测试
07:39
课时105 自定义网络实战
07:40
课时106 迁移学习
05:36
课时107 迁移学习实战
10:10
课时110 Auto-Encoder变种
10:00
课时111 Adversarial Auto-Encoder
10:10
课时112 变分Auto-Encoder引入
10:13
课时113 Reparameterization trick
10:06
课时114 变分自编码器VAE
11:04
课时115 Auto-Encoder实战-1
10:02
课时116 Auto-Encoder实战-2
10:12
课时117 变分Auto-Encoder实战-1
05:56
课时118 变分Auto-Encoder实战-2
06:38
课时119 数据的分布
09:12
课时120 画家的成长历程
13:05
课时121 GAN原理
10:03
课时122 纳什均衡-D
09:58
课时123 纳什均衡-G
13:43
课时124 JS散度的缺陷
16:37
课时125 EM距离
09:58
课时126 WGAN与WGAN-GP
15:44
课时127 GAN实战-GD实现
10:00
课时128 GAN实战-网络训练
17:26
课时129 GAN实战-网络训练鲁棒性
09:47
课时130 WGAN-GP实战
16:18
课时131 Ubuntu系统安装
10:02
课时132 Anaconda安装
10:11
课时133 CUDA 10安装
10:11
课时134 环境变量配置
10:06
课时135 cudnn安装
10:15
课时136 PyCharm安装与配置
11:00
课时137 人工智能发展简史-生物神经元结构
04:07
课时138 感知机的提出
10:08
课时139 BP神经网络
10:08
课时140 CNN和LSTM的发明
10:20
课时141 人工智能的低潮
10:08
课时142 深度学习的诞生
10:14
课时143 深度学习的繁荣
12:14
课时144 numpy实战BP网络-权值的表示
10:06
课时145 多层感知机的实现
10:19
课时146 多层感知机前向传播
10:07
课时147 多层感知机反向传播
10:11
课时148 多层感知机反向传播-2
10:07
课时149 多层感知机反向传播-3
10:19
课时150 多层感知机的训练
10:25
课时151 多层感知机的测试
12:07
Transformer代码(源码Pytorch版本)从零解读(Pytorch版本）
19.6万播放
1.Encoder代码解读
29:31
2.Decoder代码解读
19:51
Transformer从零详细解读(可能是你见过最通俗易懂的讲解)
99.3万播放
1.从全局角度概括Transformer
06:49
2.位置编码详细解读
08:08
3.多头注意力机制详解
09:08
4.残差详解
05:12
5.Batch Normal详解
05:39
6.layer normal 详解
03:29
7.Decoder详解
04:28
Anaconda数据分析&人工智能教程（100讲）
23.7万播放
1.系列课程环境配置
09:07
2.Python快速入门
01:04
3.变量类型
07:32
4.LIST基础
10:01
5.List索引
10:03
6.循环结构
11:54
7.判断结构
05:42
8.字典
14:23
9.文件处理
12:28
10.函数基础
04:27
1.数据结构
12:13
2.基本操作]
07:06
3.矩阵属性
09:18
4.矩阵操作
12:11
5.常用函数
16:55
1.数据读取
10:03
2.数据预处理
10:02
3.常用函数
16:30
4.Series结构
08:59
1.折线图
08:25
2.子图操作
14:05
3.条形图与散点图
10:12
4.柱形图与盒图
10:17
5.细节设置
06:13
1.课程简介
02:45
2.整体布局风格设置
07:48
3.风格细节设置
06:50
4.调色板
10:40
5.调色板颜色设置
08:19
6.单变量分析绘图
09:38
7.回归分析绘图
08:54
8.多变量分析绘图
10:37
9.分类属性绘
09:41
10.Facetgrid使用方法
08:51
11.Facetgrid绘制多变量
08:30
12.热度图绘制
14:20
1.机器学习概述(1)
10:05
2.回归算法
09:42
3.线性回归误差原理推导
13:01
4.目标函数求解
12:05
5.逻辑回归原理
06:14
6.梯度下降实例
12:41
7.梯度下降原理
07:59
1.决策树概述
09:41
2.熵原理形象解读
13:20
3.决策树构造实例
11:01
4.信息增益
05:27
5.信息增益率
16:39
6.决策树剪枝
12:08
7.随机森林
09:15
8.案例决策树参数
17:49
1.贝叶斯算法概述
06:59
2.贝叶斯推导实例
07:38
3.贝叶斯拼写纠错实例
11:47
4.垃圾邮件过滤实例
14:10
5.贝叶斯实现拼写检查器
12:21
1.集成思想
05:36
2.xgboost基本原理
11:08
3.xgboost目标函数推导
12:18
4.xgboost求解实例
11:30
5.xgboost安装
03:33
6.xgboost实战演示
14:44
7.Adaboost算法概述
13:01
1.支持向量机要解决的问题
05:22
2.支持向量机求解目标
12:41
3.支持向量机目标函数求解
10:16
4.支持向量机求解例子
11:43
5.支持向量的作用
08:56
6.软间隔支持向量机
07:00
7.核函数变换
14:30
1.数据平稳性与差分法
11:10
2.ARIMA模型
10:34
3.相关函数评估方法
10:47
4.建立ARIMA模型
07:49
5.参数选择
12:41
1.深度学习概述
11:28
2.挑战与常规套路
09:41
3.用K近邻来进行分类
10:02
4.超参数与交叉验证
10:32
5.线性分类
09:35
6.损失函数
09:18
7.正则化惩罚项
07:20
8.softmax分类器
13:39
9.最优化形象解读
06:47
10.最优化问题细节
11:49
11.反向传播
15:18
1.整体架构
10:12
2.实例演示
10:39
3.过拟合解决方案
15:54
4.感受神经网络的强大
11:31
1.PCA问题
03:56
2.PCA降维实例
14:34
3.SVD原理
07:37
4.SVD推荐系统
11:46
1.聚类算法概述
15:19
2.使用Kmeans进行图像压缩
07:59
3.特征工程2
11:03
1.开场
01:44
2.推荐系统应用
10:35
3.推荐系统要完成的任务
06:40
4.相似度计算
10:47
5.基于用户的协同过滤
10:03
6.基于物品的协同过滤
14:46
7.隐语义模型
07:32
8.隐语义模型求解
09:46
9.模型评估标准
07:44
1.开篇
04:37
2.自然语言处理与深度学习
11:59
3.语言模型
06:16
4.N-gram模型
08:33
5.词向量
09:28
6.神经网络模型
10:03
7.Hierarchical Softmax
10:02
8.CBOW模型实例
11:21
9.CBOW求解目标
05:40
10.锑度上升求解
10:11
11.负采样模型
07:16
【好课推荐】2021B站最好的PyTorch课程推荐 PyTorch从入门到实战 全套课程（附带课程课件资料+课件笔记）
1088播放
PyTorch课程介绍
04:54
2. 02 - 002 PyTorch框架发展趋势简介
08:26
3. 03 - 003 框架安装方法（CPU与GPU版本）
05:14
4. 04 - 004 PyTorch基本操作
09:26
5. 05 - 005 自动求导机制
11:00
6. 06 - 006 线性回归DEMO-数据与参数配置
08:57
7. 07 - 007 线性回归DEMO-训练回归模型
10:09
8. 08 - 008 补充：常见tensor格式
07:11
9. 09 - 009 补充：Hub模块简介
08:27
10. 10 - 010 气温数据集与任务介绍
06:43
12. 12 - 012 简化代码训练网络模型
11:05
13. 13 - 013 分类任务概述
05:14
14. 14 - 014 构建分类网络模型
09:41
15. 15 - 015 DataSet模块介绍与应用方法
10:13
16. 16 - 016 卷积神经网络应用领域
07:26
17. 17 - 017 卷积的作用
09:24
19. 19 - 019 得到特征图表示
07:00
20. 20 - 020 步长与卷积核大小对结果的影响
08:12
21. 21 - 021 边缘填充方法
06:31
22. 22 - 022 特征图尺寸计算与参数共享
07:03
23. 23 - 023 池化层的作用
05:39
24. 24 - 024 整体网络架构
06:21
25. 25 - 025 VGG网络架构
06:17
26. 26 - 026 残差网络Resnet
07:42
27. 27 - 027 感受野的作用
05:47
28. 28 - 028 卷积网络参数定义
07:22
29. 29 - 029 网络流程解读
07:27
30. 30 - 030 Vision模块功能解读
05:12
31. 31 - 031 分类任务数据集定义与配置
06:28
34. 34 - 034 Batch数据制作
08:39
35. 35 - 035 迁移学习的目标
05:33
36. 36 - 036 迁移学习策略
07:12
37. 37 - 037 加载训练好的网络模型
09:55
38. 38 - 038 优化器模块配置
05:15
39. 39 - 039 实现训练模块
08:17
40. 40 - 040 训练结果与模型保存
09:32
42. 42 - 042 额外补充-Resnet论文解读
11:48
44. 44 - 044 RNN网络架构解读
11:28
45. 45 - 045 词向量模型通俗解释
08:15
46. 46 - 046 模型整体框架
10:11
48. 48 - 048 CBOW与Skip-gram模型
08:21
49. 49 - 049 负采样方案
07:41
50. 50 - 050 任务目标与数据简介
07:19
51. 51 - 051 RNN模型所需输入格式解析
06:55
52. 52 - 052 项目配置参数设置
10:28
54. 54 - 054 LSTM网络模块定义与参数解析
09:37
55. 55 - 055 训练LSTM文本分类模型
08:56
56. 56 - 056 Tensorboardx可视化展示模块搭建
09:18
57. 57 - 057 CNN应用于文本任务原理解析
10:47
58. 58 - 058 网络模型架构与效果展示
10:59
60. 60 - 060 GAN网络组成
05:15
61. 61 - 061 损失函数解释说明
10:06
62. 62 - 062 数据读取模块
08:28
63. 63 - 063 生成与判别网络定义
08:40
64. 64 - 064 CycleGan网络所需数据
06:51
65. 65 - 065 CycleGan整体网络架构
10:04
66. 66 - 066 PatchGan判别网络原理
04:41
67. 67 - 067 Cycle开源项目简介
07:08
68. 68 - 068 数据读取与预处理操作
10:18
69. 69 - 069 生成网络模块构造
12:13
70. 70 - 070 判别网络模块构造
05:03
71. 71 - 071 损失函数：identity loss计算方法
09:13
72. 72 - 072 生成与判别损失函数指定
11:41
73. 73 - 073 额外补充：VISDOM可视化配置
05:55
74. 74 - 074 OCR文字识别要完成的任务
06:30
76. 76 - 076 序列网络的作用
09:21
77. 77 - 077 输出结果含义解析
07:10
78. 78 - 078 CTPN细节概述
09:07
79. 79 - 079 CRNN识别网络架构
06:17
80. 80 - 080 CTC模块的作用
04:30
81. 81 - 081 OCR文字检测识别项目效果展示
04:22
82. 82 - 082 OCR文字检测识别项目效果展示
06:50
83. 83 - 083 检测模块候选框生成
08:08
84. 84 - 084 候选框标签制作
08:24
85. 85 - 085 整体网络所需模块
04:56
86. 86 - 086 网络架构各模块完成的任务解读
08:40
87. 87 - 087 CRNN识别模块所需数据与标签
05:13
90. 90 - 090 UCF101动作识别数据集简介
06:03
91. 91 - 091 测试效果与项目配置
12:03
92. 92 - 092 视频数据预处理方法
07:25
93. 93 - 093 数据Batch制作方法
09:03
94. 94 - 094 3D卷积网络所涉及模块
07:51
95. 95 - 095 训练网络模型
08:33
96. 96 - 096 BERT任务目标概述
05:28
97. 97 - 097 传统解决方案遇到的问题
11:10
98. 98 - 098 注意力机制的作用
06:58
99. 99 - 099 self-attention计算方法
11:26
100. 100 - 100 特征分配与softmax机制
09:21
101. 101 - 101 Multi-head的作用
09:10
102. 102 - 102 位置编码与多层堆叠
07:19
103. 103 - 103 transformer整体架构梳理
10:58
104. 104 - 104 BERT模型训练方法
09:38
105. 105 - 105 训练实例
09:48
106. 106 - 106 BERT开源项目简介
07:36
107. 107 - 107 项目参数配置
12:09
108. 108 - 108 数据读取模块
07:41
109. 109 - 109 数据预处理模块
09:38
110. 110 - 110 tfrecord制作
11:36
111. 111 - 111 Embedding层的作用
07:30
112. 112 - 112 加入额外编码特征
09:24
113. 113 - 113 加入位置编码特征
05:13
114. 114 - 114 mask机制
08:50
115. 115 - 115 构建QKV矩阵
12:39
116. 116 - 116 完成Transformer模块构建
09:57
117. 117 - 117 训练BERT模型
08:52
118. 118 - 118 项目配置与环境概述
06:53
119. 119 - 119 数据读取与预处理
05:46
120. 120 - 120 网络结构定义
07:02
121. 121 - 121 训练网络模型
08:20
122. 122 - 122 项目模板各模块概述
08:45
123. 123 - 123 各模块配置参数解析
09:16
124. 124 - 124 数据读取与预处理模块功能解读
11:46
125. 125 - 125 模型架构模块
06:47
126. 126 - 126 训练模块功能
11:24
127. 127 - 127 训练结果可视化展示模块
07:20
128. 128 - 128 模块应用与BenckMark解读
11:54
加载中...
加载中...
展开