Udemy線上課程 解剖深度學習原理 講師:hw dong 影音教學 中文發音 中文版(3DVD)
從底層由淺入深地介紹深度學習原理並結合實現說明原理是如何實現的。
不僅包含全連接神經網絡，還包含瞭卷積神經網絡、循環神經網絡、對抗生成網絡等的原理與實現。
通俗易懂的原理講解、從底層打造深度學習庫、完整的深度學習基礎內容構成瞭課程的特色。
教學內容主要有
第一章： 編程和數學基礎。
包括Python快速入門、張量（包括向量、矩陣）和numpy、微積分基礎（函數、極限、連續性、導數、多變量函數和向量值函數、積分）、概率（樣本空間、概率、隨機變量、期望、方差等）。
第二章： 梯度下降法。
包括：函數單調性、極值的必要條件、梯度下降法、梯度下降法的參數優化策略、數值梯度和梯度驗證、分離梯度下降和參數優化策略等。
第三章：線性回歸、邏輯回歸、softmax回歸。
包括：線性回歸、邏輯回歸、softmax回歸、模型評估、數據規范化、過擬合和欠擬合、學習曲線、偏差與方差、正則化、交叉熵損失、批梯度下降和隨機梯度下降等。
第四章：神經網絡。
包括：神經元、神經網絡、損失函數（均方差、二分類和多分類交叉熵）、正向計算與反向求導、基於數值梯度的神經網絡實現、基於反向求導的神經網絡實現、面向全連接神經網絡的深度學習框架。
第五章：改進神經?絡性能的基本技巧。
包括數據處理（數據增強、數據的規范化、特征工程）、參數調式（權重初始化、優化參數）、批規范化、正則化。
第六章：卷積神經網絡CNN。
包括卷積（池化）、卷積神經網絡、卷積層的反向求導、快速卷積、典型的卷積神經網絡架構。
第七章：循環神經網絡。
包括序列問題和模型、序列數據的順序和隨機采樣、單層循環神經網絡的原理與實現、RNN語言模型和文本生成、長短記憶網絡LSTM 、門控循環單元GRU、多層和雙向循環神經網絡原理與實現、序列到序列模型、機器翻譯、單詞向量化、詞嵌入、註意力機制等。
第八章：對抗生成網絡。
包括生成模型、自動編碼器、變分自動編碼器、生成對抗網絡的原理與實現、生成對抗網絡的例子、GAN損失函數和概率分佈散度的關系、：Wasserstein GAN（WGAN）、深度卷積對抗網絡的原理與實現、轉置卷積等。
01 課程介紹
001 什麼是機器學習.mp4
002 課程介紹.mp4
02 Python編程基礎
003 1.1 Python1-對象與變量、IO、計算.mp4
004 1.1 Python2-控制語句.mp4
005 1.1 Python3-函數.mp4
006 1.1 Python4-類和對象.mp4
007 1.1 Python5-Matplotlib入門.mp4
008 什麼是張量.mp4
009 1.2-numpy-創建numpy張量.mp4
010 1.2-numpy-numpy張量的索引于切片.mp4
011 1.2-numpy-numpy張量的運算.mp4
03 微積分和概率基礎
012 函數、極限、連續性.mp4
013 導數.mp4
014 多變量函數、向量值函數、積分.mp4
015 概率.mp4
016 隨機變量.mp4
017 期望、方差、協方差、協變矩陣.mp4
04 梯度下降法
018 單調性、極值、極值的必要條件.mp4
019 梯度下降法.mp4
020 參數優化器.mp4
021 梯度驗證.mp4
022 分離梯度下降算法與參數優化器.mp4
05 線性回歸、邏輯回歸和softmax回歸
023 線性回歸.mp4
024 多特征線性回歸.mp4
025 數據規范化.mp4
026 模型的評估.mp4
027 正則化.mp4
028 邏輯回歸.mp4
029 softmax回歸.mp4
030 softmax回歸的多分類交叉熵損失梯度.mp4
06 神經網絡
031 感知機、神經元、激活函數.mp4
032 神經網絡.mp4
033 基于數值梯度訓練神經網絡.mp4
034 反向求導、2層神經網絡的實現.mp4
035 任意層反向求導（列向量形式）.mp4
036 實現一個神經網絡框架.mp4
037 通用神經網絡框架.mp4
07 改進神經絡性能的基本技巧
038 數據處理.mp4
039 參數調試.mp4
040 批規范化.mp4
041 正則化和Dropout.mp4
08 卷積神經網絡
042 卷積.mp4
043 卷積神經網絡.mp4
044 卷積的矩陣乘法.mp4
045 基于下標索引的快速卷積.mp4
046 典型的卷積神經網絡結構.mp4
09 循環神經網絡
047 序列問題和模型.mp4
048 循環神經網絡.mp4
049 傳過時間的反向求導.mp4
050 序列數據的采樣和RNN模型的訓練與預測.mp4
051 RNN語言模型和文本生成.mp4
052 長短期記憶網絡LSTM.mp4
053 門控循環單元GRU.mp4
054 循環神經網絡的類實現.mp4
055 多層循環神經網絡.mp4
056 雙向循環神經網絡.mp4
057 序列到序列模型、字符級機器翻譯.mp4
058 字符級Seq2Seq機器翻譯.mp4
059 基于Word2Vec詞量化的Seq2Seq機器翻譯.mp4
060 基于詞嵌入層的Seq2Seq機器翻譯.mp4
061 注意力機制的解碼器.mp4
10 生成模型
062 生成模型.mp4
063 自編碼器.mp4
064 變分自編碼器.mp4
065 生成對抗網絡.mp4
066 生成對抗網絡的實例.mp4
067 GAN損失函數和概率分布散度的關系.mp4
068 改進的損失函數：Wasserstein GAN（WGAN）.mp4
069 深度卷積對抗網絡 DCGAN.mp4
11 Pytorch
070 Pytorch張量.mp4
071 自動求導Autograd.mp4
072 數據處理與裝載.mp4
073 神經網絡nn與優化器optim.mp4
074 讀寫模型.mp4
您現在的位置：
專業知識教學
