【复旦大学公开课】复旦邱锡鹏教授的《神经网络与深度学习》最新版视频教程终于更新了!!比啃书效果好多了,草履虫都能看懂!计算机视觉/图像处理/机器学习/人工智能

12.8万
150
2025-03-28 18:50:34
805
491
4129
465
【复旦大学公开课】复旦邱锡鹏教授的《神经网络与深度学习》最新版视频教程终于更新了!!比啃书效果好多了,草履虫都能看懂!计算机视觉/图像处理/机器学习/人工智能
点击任意视频置顶评论蓝色字体,添加老师免费领取全套资料!
视频选集
(1/88)
1 绪论
20:37
02 1.1 人工智能
12:45
03 1.2 如何开发人工智能系统?
13:50
04 1.3 表示学习
20:17
05 1.4 深度学习
08:34
06 1.5 人脑神经网络
02:51
07 1.6 神经网络
10:05
08 1.7 神经网络发展史
09:02
09 2 机器学习概述
01:26
10 2.1 关于概率的一些基本概念
29:01
11 2.2 机器学习定义
09:33
12 2.3 机器学习类型
11:08
13 2.4 机器学习的要素
21:58
14 2.5 泛化与正则化
09:45
15 2.6 线性回归
22:59
16 2.7 多项式回归
11:19
17 2.8 线性回归的概率视角
19:06
18 2.9 模型选择与“偏差-方差”分解
19:39
19 2.10 常用的定理
08:10
20 3 线性模型
02:23
21 3.1 分类问题示例
17:34
22 3.2 线性分类模型
19:44
23 3.3 交叉熵与对数似然
23:13
24 3.4 Logistic回归
22:10
25 3.5 Softmax回归
16:05
26 3.6 感知器
27:46
27 3.7 支持向量机
24:14
28 3.8 线性分类模型小结
13:43
29 4 前馈神经网络
01:16
30 4.1 神经元
27:21
31 4.2 神经网络
06:10
32 4.3 前馈神经网络
21:10
33 4.4 反向传播算法
18:53
34 4.5 计算图与自动微分
15:43
35 4.6 优化问题
04:44
36 5 卷积神经网络
06:26
37 5.1 卷积
30:52
38 5.2 卷积神经网络
25:30
39 5.3 其它卷积种类
06:18
40 5.4 典型的卷积网络
25:12
41 5.5 卷积网络的应用
06:55
42 5.6 应用到文本数据
10:04
43 6 循环神经网络
01:40
44 6.1 给神经网络增加记忆能力
17:02
45 6.2 循环神经网络
07:31
46 6.3 应用到机器学习
10:38
47 6.4 参数学习与长程依赖问题
19:00
48 6.5 如何解决长程依赖问题
08:43
49 6.6 GRU与LSTM
10:56
50 6.7 深层循环神经网络
07:16
51 6.8 循环网络应用
12:28
52 6.9 扩展到图结构
09:20
53 7 网络优化与正则化
03:01
54 7.1 神经网络优化的特点
13:54
55 7.2 优化算法改进
14:32
56 7.3 动态学习率
17:35
57 7.4 梯度方向优化
14:02
58 7.5 参数初始化
15:34
59 7.6 数据预处理
08:08
60 7.7 逐层规范化
14:50
61 7.8 超参数优化
08:07
62 7.9 网络正则化
09:26
63 7.10 暂退法(Dropout)
05:52
64 7.11 1和 2正则化
06:34
65 7.12 数据增强
06:06
66 7.13 小结
01:53
67 8 注意力机制与外部记忆
16:04
68 8.1注意力机制
11:13
69 8.2 人工神经网络中的注意力机制
24:54
70 8.3 注意力机制的应用
19:57
71 8.4 自注意力模型
19:59
72 8.5 Transformer
20:06
73 8.6 外部记忆
10:16
74 8.7 结构化的外部记忆
17:44
75 8.8 基于神经动力学的联想记忆
20:32
76 8.9 总结
01:43
77 9 无监督学习
05:57
78 9.1 聚类
18:09
79 9.2 K均值方法
09:44
80 9.3 层次聚类
04:33
81 9.4 (无监督)特征学习
04:16
82 9.5 主成分分析
10:40
83 9.6 编码与稀疏编码
11:24
84 9.7 自编码器
07:59
85 9.8 自监督学习
04:47
86 9.9 概率密度估计
06:34
87 9.10 非参密度估计
16:05
88 9.11 半监督学习
03:23
客服
顶部
赛事库 课堂 2021拜年纪