投稿

【复旦大学】邱锡鹏教授《神经网络与深度学习》（计算机视觉_图像处理）

8403

48

2022-03-22 14:51:56

正在缓冲...

复旦大学邱锡鹏教授本课程转自邱锡鹏教授的《深度学习与神经网络》

神经网络卷积神经网络

计算机科学

计算机视觉

AI小知识发消息

多多三联支持一下哦~ 点歌关注再走吧~

1. 1. 1 绪论

20:37

2. 2. 1.1 人工智能

12:45

3. 3. 1.2 如何开发人工智能系统？

13:50

4. 4. 1.3 表示学习

20:18

5. 5. 1.4 深度学习

08:34

6. 6. 1.5 人脑神经网络

02:51

7. 7. 1.6 神经网络

10:05

8. 8. 1.7 神经网络发展史

09:02

9. 9. 2 机器学习概述

01:26

10. 10. 2.1 关于概率的一些基本概念

29:01

11. 11. 2.2 机器学习定义

09:33

12. 12. 2.3 机器学习类型

11:08

13. 13. 2.4 机器学习的要素

21:58

14. 14. 2.5 泛化与正则化

09:45

15. 15. 2.6 线性回归

22:59

16. 16. 2.7 多项式回归

11:19

17. 17. 2.8 线性回归的概率视角

19:06

18. 18. 2.9 模型选择与“偏差-方差”分解

19:39

19. 19. 2.10 常用的定理

08:10

20. 20. 3 线性模型

02:23

21. 21. 3.1 分类问题示例

17:34

22. 22. 3.2 线性分类模型

19:44

23. 23. 3.3 交叉熵与对数似然

23:13

24. 24. 3.4 Logistic回归

22:10

25. 25. 3.5 Softmax回归

16:06

26. 26. 3.6 感知器

27:46

27. 27. 3.7 支持向量机

24:14

28. 28. 3.8 线性分类模型小结

13:43

29. 29. 4 前馈神经网络

01:16

30. 30. 4.1 神经元

27:21

31. 31. 4.2 神经网络

06:10

32. 32. 4.3 前馈神经网络

21:10

33. 33. 4.4 反向传播算法

18:53

34. 34. 4.5 计算图与自动微分

15:43

35. 35. 4.6 优化问题

04:44

36. 36. 5 卷积神经网络

06:26

37. 37. 5.1 卷积

30:52

38. 38. 5.2 卷积神经网络

25:30

39. 39. 5.3 其它卷积种类

06:18

40. 40. 5.4 典型的卷积网络

25:12

41. 41. 5.5 卷积网络的应用

06:55

42. 42. 5.6 应用到文本数据

10:04

43. 43. 6 循环神经网络

01:40

44. 44. 6.1 给神经网络增加记忆能力

17:02

45. 45. 6.2 循环神经网络

07:31

46. 46. 6.3 应用到机器学习

10:39

47. 47. 6.4 参数学习与长程依赖问题

19:00

48. 48. 6.5 如何解决长程依赖问题

08:43

49. 49. 6.6 GRU与LSTM

10:56

50. 50. 6.7 深层循环神经网络

07:16

51. 51. 6.8 循环网络应用

12:28

52. 52. 6.9 扩展到图结构

09:20

53. 1. 7 网络优化与正则化

03:01

54. 2. 7.1 神经网络优化的特点

13:54

55. 3. 7.2 优化算法改进

14:32

56. 4. 7.3 动态学习率

17:35

57. 5. 7.4 梯度方向优化

14:02

58. 6. 7.5 参数初始化

15:34

59. 7. 7.6 数据预处理

08:08

60. 8. 7.7 逐层规范化

14:50

61. 9. 7.8 超参数优化

08:07

62. 10. 7.9 网络正则化

09:26

63. 11. 7.10 暂退法（Dropout）

05:52

64. 12. 7.11 ℓ1和ℓ2正则化

06:34

65. 13. 7.12 数据增强

06:06

66. 14. 7.13 小结

01:53

67. 15. 8 注意力机制与外部记忆

16:04

68. 16. 8.1注意力机制

11:13

69. 17. 8.2 人工神经网络中的注意力机制

24:54

70. 18. 8.3 注意力机制的应用

19:58

71. 19. 8.4 自注意力模型

19:59

72. 20. 8.5 Transformer

20:06

73. 21. 8.6 外部记忆

10:16

74. 22. 8.7 结构化的外部记忆

17:44

75. 23. 8.8 基于神经动力学的联想记忆

20:32

76. 24. 8.9 总结

01:43

77. 25. 9 无监督学习

05:58

78. 26. 9.1 聚类

18:09

79. 27. 9.2 K均值方法

09:44

80. 28. 9.3 层次聚类

04:33

81. 29. 9.4 （无监督）特征学习

04:16

82. 30. 9.5 主成分分析

10:40

83. 31. 9.6 编码与稀疏编码

11:24

84. 32. 9.7 自编码器

07:59

85. 33. 9.8 自监督学习

04:47

86. 34. 9.9 概率密度估计

06:34

87. 35. 9.10 非参密度估计

16:05

88. 36. 9.11 半监督学习

03:23

顶部