强推！2023最新版-李宏毅机器学习深度学习课程，导师不教你的，李宏毅老师亲自教你！人工智能/深度学习/机器学习/神经网络/AI
正在缓冲...
强推！2023最新版-李宏毅机器学习深度学习课程，导师不教你的，李宏毅老师亲自教你！
视频选集
（1/96）
自动连播
1.【机器学习2022】开学喽~ 又要周更了~
32:27
2.第 1 讲：机器学习基本概念简介上
50:00
3.第 1 讲：深度学习基本概念简介下
58:35
4.ML 2022 PyTorch Tutorial 1
31:01
5.ML 2022 PyTorch Tutorial 2)
15:52
6.ML 2022 PyTorch Tutorial Colab
12:35
7.第 1 讲（选修）：深度学习介绍
46:31
8.第 1 讲（选修）：反向传播
31:27
9.第 1 讲（选修）：预测神奇宝贝CP
01:18:36
10.第 1 讲（选修）：神奇宝贝分类
01:09:41
11.第 1 讲（选修）：逻辑回归
01:07:14
12.第 2 讲：机器学习任务攻略
51:24
13.第 2 讲：类神经网络训练不起来怎么办（一）局部最小值 (local mi
33:45
14.第 2 讲：类神经网络训练不起来怎么办（二）批次 (batch) 与动量
30:59
15.第 2 讲：类神经网络训练不起来怎么办 (三)：自动调整学习速率 (Lea
37:43
16.第 2 讲：类神经网络训练不起来怎么办(四)：损失函数(Loss) 也可能
19:28
17.【机器学习 2022】重温神奇宝贝和数码宝贝分类器——谈谈机器学习的原理
01:14:01
18.第 2 讲（选修）：Gradient Descent（AOE 演示）
02:36
19.第 2 讲（选修）： Gradient Descent（Minecraft)
01:41
20.第 2 讲（选修）： Optimization for Deep Lea
54:36
21.第 2 讲（选修）： Optimization for Deep Lear
54:32
22.第 3 讲：卷积神经网络 (Convolutional Neural Ne
55:40
23.【机器学习2022】为什么用了验证集结果还是过拟合了呢？
08:56
24.【机器学习 2022】鱼与熊掌可以兼得的深度学习)
41:35
25.第 3 讲（选修）：Spatial Transformer Layer
32:56
26.第 4 讲：自注意力机制 (Self-attention) (上))
28:18
27.第 4 讲：自注意力机制 (Self-attention) (下)
45:58
28.第 4 讲（选修）：RNN（Part I）
49:01
29.第 4 讲（选修）：RNN (Part II)
01:30:51
30.第 4 讲（选修）：GNN (1_2)
39:03
31.第 4 讲（选修）：GNN (2_2)
01:11:37
32.第 5 讲：Transformer (上)
32:48
33.第 5 讲：Transformer (下)
01:00:34
34.【机器学习 2022】各种各样神奇的自注意力机制 (Self-attent
01:11:16
35.第 5 讲（选修）：Non-Autoregressive Sequence
01:01:53
36.第 5 讲（选修）：Pointer Network
13:35
37.第6讲：生成式对抗网络 (Generative Adversarial N)
39:09
38.第6讲：生成式对抗网络 (Generative Adversarial N
46:41
39.第6讲：生成式对抗网络 (Generative Adversarial N
49:47
40.第6讲：生成式对抗网络 (Generative Adversarial N
23:41
41.第 6 讲（选修）：GAN 理论（第 1 部分）
01:20:19
42.第 6 讲（选修）：GAN 理论（第 2 部分）
25:05
43.第 6 讲（选修）：GAN 理论（第 3 部分）
50:08
44.第 6 讲（选修）：VAE
01:03:32
45.第 6 讲（选修）：Flow-based Generative Mode
01:07:52
46.第 7 讲：自监督学习 (Self-supervised Learning
07:10
47.第 7 讲：自监督学习 (Self-supervised Learning
50:41
48.第 7 讲：自监督学习(Self-supervised Learning)
24:14
49.第 7 讲：自监督学习(Self-supervised Learning)
17:04
50.【机器学习2022】如何有效的使用自监督模型 - Data-Efficie
01:22:09
51.第 7 讲（选修）：BERT（第 1 部分）
50:09
52.第 7 讲（选修）：BERT（第 2 部分）
01:11:48
53.第 7 讲（选修）：GPT-3
29:58
54.第 8 讲：自编码器 (Auto-encoder) (上) – 基本概念
19:01
55.第 8 讲：自编码器(Auto-encoder) (下) – 更多应用
30:35
56.【机器学习2022】语音与影像上的神奇自监督学习模型
01:22:00
57.第 8 讲（选修）：PCA
01:40:21
58.第 8 讲（选修）：t-SNE
30:59
59.第 9 讲：机器学习的可解释性 (Explainable ML) (上)
49:09
60.第 9 讲：机器学习的可解释性 (Explainable ML) (下)
22:46
61.第10讲：来自人类的恶意攻击(Adversarial Attack)
29:50
62.第10讲：来自人类的恶意攻击(Adversarial Attack)下)
46:34
63.【机器学习2022】自然語言处理上的对抗式攻击 (由姜成翰助教讲授)
56:07
64.【机器学习2022】自然語言处理上的对抗式攻击 (由姜成翰助教讲授)
01:26:23
65.第11讲：概述领域自适应 (Domain Adaptation)
34:33
66.【机器学习2022】恶搞自监督学习模型 BERT 的三个故事
53:43
67.第 12 讲：概述增强式学习(Reinforcement Learning
45:02
68.第 12 讲：概述增强式学习(Reinforcement Learning
41:15
69.第 12 讲：概述增强式学习(Reinforcement Learning
34:41
70.第 12 讲：概述增强式学习(Reinforcement Learning
17:35
71.第 12 讲：概述增强式学习(Reinforcement Learning
27:08
72.第 13 讲：神经网络压缩 (Network Compression)
29:32
73.第 13 讲：神经网络压缩 (Network Compression)
56:46
74.第 13 讲（选修）：Proximal Policy Optimizati
41:34
75.第 13 讲（选修）： Q-learning (Basic Idea)
49:45
76.第 13 讲（选修）：Q-learning (Advanced Tips)
38:31
77.第 14 讲：机器终身学习 (Life Long Learning, LL
32:00
78.第 14 讲：机器终身学习 (Life Long Learning, LL
36:39
79.第 15 讲：元学习Meta Learning (一)
46:21
80.第 15 讲：元学习Meta Learning (二)
31:37
81.第 15 讲（选修）：Meta Learning – MAML (1_9)
07:41
82.第 15 讲（选修）：Meta Learning – MAML (2_9)
07:52
83.第 15 讲（选修）：Meta Learning – MAML (3_9)
10:22
84.第 15 讲（选修）：Meta Learning – MAML (4_9)
05:15
85.第 15 讲（选修）：Meta Learning – MAML (5_9)
13:22
86.第 15 讲（选修）：Meta Learning – MAML (6_9)
06:33
87.第 15 讲（选修）：Meta Learning – MAML (7_9)
08:54
88.第 15 讲（选修）：Meta Learning – MAML (8_9)
05:11
89.第 15 讲（选修）：Meta Learning – MAML (9_9)
06:53
90.第 15 讲（选修）：Meta Learning - Gradient D
11:40
91.第 15 讲（选修）：Meta Learning - Gradient D
10:06
92.第 15 讲（选修）：Meta Learning - Gradient D
10:39
93.第 15 讲（选修）：Meta Learning – Metric-bas
10:30
94.第 15 讲（选修）：Meta Learning – Metric-bas
05:15
95.第 15 讲（选修）：Meta Learning – Metric-bas
11:30
96.第 15 讲（选修）：Meta Learning - Train+Test
07:48
顶部