• 投稿

【公开课 | AI | 深度学习】机器的学习需要深度，人类的学习同样需要

2.2万
15
2019-04-24 06:00:21
346
147
2116
86
[视频来源于网络，deeplearning.ai，斯坦福] Coursera ：https://dwz.cn/Z3P0UNoP Study163：https://dwz.cn/4K9rO1nG 深度学习，由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。 教授：吴恩达，李飞飞
学习
AI
视频教程
人工智能
公开课
计算机视觉
深度学习
线上课堂
吴恩达
李飞飞
lijianfex 发消息
“人，不但要有科学、技术，而且还要文化、艺术跟音乐” (个人思考分享，不强加观点，多读多思多做) 执着 生活
广告
零门槛AI创作，小白也能封神！
Runninghub
视频选集
（196/211）
【深度学习 吴恩达 deeplearning.ai】[一.神经网络和深度学习][深度学习概论]1.1 欢迎
05:33
1.2 什么是神经网络？
07:05
1.3 用神经网络进行监督学习
08:30
1.4 为什么深度学习会兴起？
10:22
1.5 关于这门课
02:28
1.6 课程资源
01:56
[神经网络基础]2.1 二分分类
08:24
2.2 logistic 回归
06:00
2.3 logistic 回归损失函数
08:12
2.4 梯度下降法
11:24
2.5 导数
07:11
2.6 更多导数的例子
10:49
2.7 计算图
03:34
2.8 计算图的导数计算
14:51
2.9 logistic 回归中的梯度下降法
06:43
2.10 m 个样本的梯度下降
08:01
2.11 向量化
08:05
2.12 向量化的更多例子
06:22
2.13 向量化 logistic 回归
07:33
2.14 向量化 logistic 回归的梯度输出
09:38
2.15 Python 中的广播
11:07
2.16 关于 python _ numpy 向量的说明
06:50
2.17 Jupyter _ ipython 笔记本的快速指南
03:58
2.18 （选修）logistic 损失函数的解释
07:15
[浅层神经网络]3.1 神经网络概览
04:27
3.2 神经网络表示
05:15
3.3 计算神经网络的输出
09:58
3.4 多个例子中的向量化
09:06
3.5 向量化实现的解释
07:38
3.6 激活函数
10:57
3.7 为什么需要非线性激活函数？
05:36
3.8 激活函数的导数
07:58
3.9 神经网络的梯度下降法
09:58
3.10 （选修）直观理解反向传播
15:49
3.11 随机初始化
07:58
[深层神经网络]4.1 深层神经网络
05:52
4.2 前向和反向传播
10:30
4.3 深层网络中的前向传播
07:16
4.4 核对矩阵的维数
11:10
4.5 为什么使用深层表示
10:34
4.6 搭建深层神经网络块
08:34
4.7 参数 VS 超参数
07:17
4.8 这和大脑有什么关系？
03:18
[二.改善深层神经网络：超参数调试、正则化以及优化][深度学习的实用层面]1.1 训练_开发_测试集
12:05
1.2 偏差_方差
08:47
1.3 机器学习基础
06:22
1.4 正则化
09:43
1.5 为什么正则化可以减少过拟合？
07:10
1.6 Dropout 正则化
09:26
1.7 理解 Dropout
07:05
1.8 其他正则化方法
08:25
1.9 归一化输入
05:31
1.10 梯度消失与梯度爆炸
06:08
1.11 神经网络的权重初始化
06:13
1.12 梯度的数值逼近
06:36
1.13 梯度检验
06:35
1.14 关于梯度检验实现的注记
05:19
[优化算法]2.1 Mini-batch 梯度下降法
11:29
2.2 理解 mini-batch 梯度下降法
08:15
2.3 指数加权平均
05:59
2.4 理解指数加权平均
09:42
2.5 指数加权平均的偏差修正
04:12
2.6 动量梯度下降法
09:21
2.7 RMSprop
07:42
2.8 Adam 优化算法
07:08
2.9 学习率衰减
06:45
2.10 局部最优的问题
05:24
[超参数调试、Batch正则化和程序框架]3.1 调试处理
07:11
3.2 为超参数选择合适的范围
08:51
3.3 超参数训练的实践：Pandas VS Caviar
06:52
3.4 正则化网络的激活函数
08:56
3.5 将 Batch Norm 拟合进神经网络
12:56
3.6 Batch Norm 为什么奏效？
11:40
3.7 测试时的 Batch Norm
05:47
3.8 Softmax 回归
11:48
3.9 训练一个 Softmax 分类器
10:08
3.10 深度学习框架
04:16
3.11 TensorFlow
16:08
[三.结构化机器学习项目][机器学习策略(1)]1.1 为什么是 ML 策略
02:43
1.2 正交化
06:40
1.3 单一数字评估指标
07:17
1.4 满足和优化指标
05:32
1.5 训练_开发_测试集划分
06:36
1.6 开发集合测试集的大小
05:40
1.7 什么时候该改变开发_测试集和指标
08:00
1.8 为什么是人的表现
05:47
1.9 可避免偏差
07:00
1.10 理解人的表现
00:14
1.11 超过人的表现
06:22
1.12 改善你的模型的表现
06:21
[机器学习策略(2)]2.1 进行误差分析
10:33
2.2 清除标注错误的数据
13:06
2.3 快速搭建你的第一个系统，并进行迭代
06:02
2.4 在不同的划分上进行训练并测试
10:56
2.5 不匹配数据划分的偏差和方差
18:17
2.6 定位数据不匹配
10:09
2.7 迁移学习
11:18
2.8 多任务学习
13:00
2.9 什么是端到端的深度学习
11:48
2.10 是否要使用端到端的深度学习
10:20
【四.卷积神经网络】[卷积神经网络]1.1 计算机视觉
05:45
1.2 边缘检测示例
11:31
1.3 更多边缘检测内容
07:58
1.4 Padding
09:50
1.5 卷积步长
09:02
1.6 三维卷积
10:45
1.7 单层卷积网络
16:11
1.8 简单卷积网络示例
08:33
1.9 池化层
10:26
1.10 卷积神经网络示例
12:38
1.11 为什么使用卷积？
09:41
[深度卷积网络：实例探究]2.1 为什么要进行实例探究？
03:09
2.2 经典网络
18:19
2.3 残差网络
07:08
2.4 残差网络为什么有用？
09:13
2.5 网络中的网络以及 1×1 卷积
06:41
2.6 谷歌 Inception 网络简介
10:15
2.7 Inception 网络
08:47
2.8 使用开源的实现方案
04:57
2.9 迁移学习
08:48
2.10 数据扩充
09:32
2.11 计算机视觉现状
12:39
[ 目标检测]3.1 目标定位
11:55
3.2 特征点检测
05:57
3.3 目标检测
05:50
3.4 卷积的滑动窗口实现
11:09
3.5 Bounding Box预测
14:32
3.6 交并比
04:19
3.7 非极大值抑制
08:03
3.8 Anchor Boxes
09:43
3.9 YOLO 算法
07:02
3.10 候选区域
06:28
[特殊应用：人脸识别和神经风格转换]4.1 什么是人脸识别？
04:38
4.2 One-Shot 学习
04:45
4.3 Siamese 网络
04:52
4.4 Triplet 损失
15:31
4.5 面部验证与二分类
06:06
4.6 什么是神经风格转换？
02:03
4.7 什么是深度卷积网络？
07:58
4.8 代价函数
04:00
4.9 内容代价函数
03:38
4.10 风格代价函数
17:01
4.11 一维到三维推广
09:09
[五.序列模型][循环序列模型]1.1为什么选择序列模型
03:01
1.2数学符号
09:16
1.3循环神经网络
16:32
1.4通过时间的方向传播
06:12
1.5不同类型的循环神经网络
09:34
1.6 语言模型和序列生成
12:02
1.7 对新序列采样
08:39
1.8带有神经网络的梯度消失
06:29
1.9 GRU 单元
17:07
1.10 长短期记忆（LSTM）
09:54
1.11 双向神经网络
08:20
1.12 深层循环神经网络
05:17
[自然语言处理与词嵌入]2.1 词汇表征
10:08
2.2 使用词嵌入
09:23
2.3 词嵌入的特性
11:55
2.4 嵌入矩阵
05:58
2.5 学习词嵌入
10:09
2.6 Word2Vec
12:48
2.7 负采样
11:54
2.8 GloVe 词向量
11:09
2.9 情绪分类
07:38
2.10 词嵌入除偏
11:09
[序列模型和注意力机制]3.1 基础模型
06:19
3.2 选择最可能的句子
08:57
3.3 定向搜索
11:55
3.4 改进定向搜索
11:01
3.5 定向搜索的误差分析
09:44
3.6 Bleu 得分（选修）
16:27
3.7 注意力模型直观理解
09:42
3.8 注意力模型
12:23
3.9 语音辨识
08:54
3.10 触发字检测
05:04
3.11 结论和致谢
02:45
【深度学习：李飞飞 CS231n 2017】1.1 课程介绍 - 计算机视觉概述
07:30
1.2 课程介绍 - 计算机视觉历史背景
29:31
1.3 课程介绍 - 课程目标
22:23
2.1 图像分类 - 数据驱动方法
23:51
2.2 图像分类 - K最近邻算法
23:09
2.3 图像分类 - 线性分类I
13:56
3.1损失函数和优化 - 损失函数
50:09
3.2损失函数和优化 - 优化
25:31
4.1 介绍神经网络 - 反向传播
55:41
4.2 介绍神经网络 - 神经网络
19:13
5.1 卷积神经网络 - 历史
14:16
5.2 卷积神经网络 - 卷积和池化
36:56
5.3 卷积神经网络 - 视觉之外的卷积神经网络
19:04
6.1 激活函数
49:22
6.2 批量归一化
31:55
7.1 更好的优化
55:19
7.2 正则化
15:16
7.3 迁移学习
06:22
8.1Caffe，Torch，Theano，TensorFlow
01:18:36
9.1 AlexNet，VGG，GoogLeNet，ResNet等
01:18:08
10.1 RNN, LSTM, GRU
21:14
10.2 语言模型
22:08
10.3 图像标注、视觉问答、 Soft attention模型
34:32
11.1 分割
33:24
11.2 定位
10:18
11.3 识别
32:41
12.1 特征可视化、倒置、对抗样本
52:16
12.2 DeepDream和风格迁移
24:34
13.1 Pixel RNN CNN
20:07
13.2 变分自编码器
33:51
13.3 生成式对抗网络
30:35
14.1 策略梯度，硬注意
16:03
14.2 Q-Learning, Actor-Critic算法
49:03
15.1 深度学习的方法及硬件
01:17:39
16.1 对抗样本和对抗训练
01:22:18

【B站AI论坛】欢迎AI开发者发帖加入讨论
Toy分区热聊中>>

【公开课 | AI | 机器学习】探索机器如何学习，追寻人类如何进步
lijianfex
9424 0

【人物 | Min Kyung Lee】卡内基梅隆大学博士，AI研究科学家，始于颜值，终于才华【计算机科学】
lijianfex
5.3万 87

【人物 | 何恺明】多篇顶会最佳论文，ICCV 2017拿下双最佳论文【计算机科学】
lijianfex
6.9万 6

【AI | 目标检测 | YOLO】You Only Look Once，You Only Live Once 你只看一次，你也只活一次
lijianfex
5.7万 251

【人物 | 李飞飞】谷歌云首席科学家，2018获"影响世界华人大奖"【计算机科学】
lijianfex
1.1万 9

【AI | 开发框架 | PaddlePaddle】Baidu出品，国内开源深度学习平台
lijianfex
2030 0

【AI | 开发框架 | ML.NET】Microsoft出品，面向.NET开发人员的开源跨平台框架
lijianfex
5331 1

【人物 | 刘慈欣】不要回答! 不要回答! 不要回答!《三体》
lijianfex
5.7万 609

【公开课 | 学术论文 | LaTeX】让学术论文写作更有效率，摆脱排版烦恼
lijianfex
9.7万 172

【AI | 开发框架 | PyTorch】Facebook出品，GPU加速，支持动态神经网络
lijianfex
3116 1

【AI | 开发框架 | TensorFlow】Google出品，目前使用人数最多，社区最为庞大的一个框架
lijianfex
1619 3

【人物 | Joseph Redmon】YOLO目标检测算法作者，计算机视觉研究员【计算机科学】
lijianfex
5238 6

【AI | 开发框架 | MXNet】Amazon首选，分布式支持，提供多种开发语言接口
lijianfex
1264 0

【人物 | 吴恩达】Coursera联合创始人，斯坦福大学教授【计算机科学】
lijianfex
1.1万 13
Twinkle-twinkle！新的演出马上开始！
客服
顶部
赛事库 课堂 2021拜年纪