- 1. 1. 1. 第1节:Python基础- Python及其数学库1
- 2. 2. 2. 第1节:Python基础- Python及其数学库2
- 3. 3. 3. 第2节:Python基础 - Python及其数学库3
- 4. 4. 4. 第3节:Python基础 - 数据清洗和特征选择
- 5. 5. 5. 第4节:多元回归和Logistic回归
- 6. 6. 6. 第5节:决策树和随机森林
- 7. 7. 7. 第6节:SVM
- 8. 8. 8. 第7节:聚类
- 9. 9. 9. 第8节:EM算法
- 10. 10. 10. 第9节:隐马尔科夫模型HMM
- 11. 11. 11. 第10节:主题模型LDV
- 12. 12. 12. 第11节:卷积神经网络CNN1
- 13. 13. 13. 第11节:卷积神经网络CNN2
- 14. 14. 14. 第12节:图像视频的定位与识别(上)
- 15. 15. 15. 第12节:图像视频的定位与识别(下)
- 16. 16. 16. 第12节:图像视频的定位与识别1(上海交大博士 腾讯研究员)
- 17. 17. 17. 第12节:图像视频的定位与识别2(上海交大博士 腾讯研究员)
- 18. 18. 18. 第12节:图像视频的定位与识别3(上海交大博士 腾讯研究员)
- 19. 19. 19. 第12节:图像视频的定位与识别4(上海交大博士 腾讯研究员)
- 20. 20. 20. 第13节:循环神经网络RNN
- 21. 21. 21. 第14节:1.什么是自然语言处理???
- 22. 22. 22. 第14节:2.语言模型(31分钟)
- 23. 23. 23. 第14节:3.语料库和语言知识库(11分钟)
- 24. 24. 24. 第14节:4.词法分析(68分钟)
- 25. 25. 25. 第14节:5.句法分析(11分钟)
- 26. 26. 26. 第14节:7.语言模型复习(9分钟)
- 27. 27. 27. 第14节:8.词向量(27分钟)
- 28. 28. 28. 第14节:9.词向量-案例(24分钟)
- 29. 29. 29. 第14节:10.文本分类(82分钟)
- 30. 30. 30. 第14节:11.机器翻译(25分钟)
- 31. 31. 31. 第14节:12.信息抽取(13分钟)
- 32. 32. 32. 第14节:13.篇章分析(3分钟)
- 33. 33. 33. 第14节:14.问答系统(12分钟)
- 34. 34. 34. 第15节:生成对抗网络GAN
- 35. 35. 35. 第16节:强化学习RL_1.为何学习增强学习
- 36. 36. 36. 第16节:强化学习RL_2.马尔科夫决策过程
- 37. 37. 37. 第16节:强化学习RL_3.动态规划
- 38. 38. 38. 第16节:强化学习RL_4.蒙特卡罗
- 39. 39. 39. 第16节:强化学习RL_5.时间差分方法
- 40. 40. 40. 第16节:强化学习RL_6.多步时间差分方法
- 41. 41. 41. 第16节:强化学习RL_7.值函数逼近
- 42. 42. 42. 第16节:强化学习RL_8.策略函数逼近
- 43. 43. 43. 第16节:强化学习RL_9.整合学习与规划
- 课时44 反向传播算法-1
- 课时45 反向传播算法-2
- 课时46 优化问题实战
- 课时47 Logistic Regression
- 课时48 交叉熵-1
- 课时49 交叉熵-2
- 课时50 多分类问题实战
- 课时52 激活函数与GPU加速
- 课时53 MNIST测试实战
- 课时54 Visdom可视化
- 课时55 过拟合与欠拟合
- 课时56 交叉验证-1
- 课时57 交叉验证-2
- 课时58 Regularization
- 课时59 动量与学习率衰减
- 课时60 Early stopping dropout等
- 课时61 什么是卷积-1
- 课时62 什么是卷积-2
- 课时63 卷积神经网络-1
- 课时64 卷积神经网络-2
- 课时65 卷积神经网络-3
- 课时66 池化层与采样
- 课时67 BatchNorm-1
- 课时68 BatchNorm-2
- 课时69 经典卷积网络 LeNet5AlexNet VGG GoogLeNet-1
- 课时70 经典卷积网络 LeNet5AlexNet VGG GoogLeNet-2
- 课时72 ResNet与DenseNet-2
- 课时71 ResNet与DenseNet-1
- 课时73 nn.Module模块-1
- 课时74 nn.Module模块-2
- 课时76 CIFAR10数据集介绍
- 课时75 数据增强
近年来,随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生,人工智能迎来了新一轮的发展浪潮。尤其是深度学习技术,在许多行业都取得了颠覆性的成果。另外,近年来,Pytorch深度学习框架受到越来越多科研人员的关注和喜爱。因此,为了帮助广大科研人员更加系统地学习深度学习的基础理论知识及对应的Pytorch代码实现方法,Ai尚研修特举办“基于PyTorch机器学习与深度学习实践应用与案例分析培训班”,旨在帮助学员掌握深度学习的基础知识,与经典机器学习算法的区别与联系,以及最新的迁移学习、循环神经网络、长短时记忆神经网络、时间卷积网络、对抗生成网络、Yolo目标检测算法、自编码器等算法的原理及其Pytorch编程实现方法。本次培训采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式,抽丝剥茧、深入浅出分析深度学习在应用时需要掌握的经验及编程技巧。此外,本次培训还将通过实际案例的形式,介绍如何提炼创新点,以及如何发表高水平论文等相关经验。