视频选集
(15/173)- P1 【01.深度学习初见】课时1 深度学习框架介绍-110:22
- P2 课时2 深度学习框架介绍-29:57
- P3 课时3 开发环境安装-110:23
- P4 课时4 开发环境安装-211:58
- P5 【02.选看】开发环境全程实录 课时5 win10平台实录-129:52
- P6 课时6 win10平台实录-223:28
- P7 课时7 Ubuntu平台实录-cuda安装10:16
- P8 课时8 Ubuntu平台实录-anaconda安装10:1
- P9 课时9 Ubuntu平台实录-tensorlow、pytorch安装14:49
- P10 课时10 Ubuntu平台实录-pycharm安装5:46
- P11 【03.回归问题】课时11 线性回归-18:4
- P12 课时12 线性回归-210:42
- P13 课时13 回归问题实战-17:35
- P14 课时14 回归问题实战-211:6
-
P15 课时15 手写数字问题-1 11:33 - P16 课时16 手写数字问题-29:19
- P17 课时17 手写数字问题-310:12
- P18 课时18 手写数字问题初体验-19:13
- P19 课时19 手写数字问题初体验-27:59
- P20 【04.基础操作】20 tensorflow数据类型-112:3
- P21 课时21 tensorflow数据类型-211:48
- P22 课时22 创建Tensor-110:42
- P23 课时23 创建Tensor-29:55
- P24 课时24 创建Tensor-37:13
- P25 课时25 索引与切片-110:38
- P26 课时26 索引与切片-211:19
- P27 课时27 索引与切片-36:43
- P28 课时28 索引与切片-413:18
- P29 课时29 索引与切片-512:30
- P30 课时30 维度变换-111:52
- P31 课时31 维度变换-212:12
- P32 课时32 维度变换-38:20
- P33 课时33 Broadcasting-111:27
- P34 课时34 Broadcasting-210:56
- P35 课时35 数学运算13:27
- P36 课时36 前向传播（张量）-实战-110:4
- P37 课时37 前向传播（张量）-实战-210:34
- P38 课时38 前向传播（张量）-实战-310:11
- P39 课时39 前向传播（张量）-实战-410:23
- P40 【05.高阶操作】40 合并与分割13:1
- P41 课时41 数据统计14:30
- P42 课时42 张量排序-18:43
- P43 课时43 张量排序-212:41
- P44 课时44 填充与复制13:4
- P45 课时45 张量限幅-110:12
- P46 课时46 张量限幅-210:50
- P47 课时47 高阶操作-110:6
- P48 课时48 高阶操作-29:32
- P49 【06.神经网络与全连接层】课时49 数据加载-110:2
- P50 课时50 数据加载-27:39
- P51 课时51 数据加载-39:13
- P52 课时52 测试（张量）实战15:37
- P53 课时53 全连接层-110:40
- P54 课时54 全连接层-211:
- P55 课时55 输出方式12:44
- P56 课时56 误差计算-110:8
- P57 课时57 误差计算-210:21
- P58 课时58 误差计算-311:50
- P59 【07 随机梯度下降】课时59 梯度下降-简介-17:42
- P60 课时60 梯度下降-简介-29:32
- P61 课时61 常见函数的梯度8
- P62 课时62 激活函数及其梯度15:34
- P63 课时63 损失函数及其梯度-18:14
- P64 课时64 损失函数及其梯度-212:33
- P65 课时65 单输出感知机梯度12:48
- P66 课时66 多输出感知机梯度13:16
- P67 课时67 链式法则12:58
- P68 课时68 反向传播算法-110:11
- P69 课时69 反向传播算法-29:55
- P70 课时70 函数优化实战8:33
- P71 课时71 手写数字问题实战（层）-110:5
- P72 课时72 手写数字问题实战（层）-210:35
- P73 课时73 手写数字问题实战（层）-311:36
- P74 课时74 TensorBoard可视化-110:5
- P75 课时75 TensorBoard可视化-210:6
- P76 【08.Keras高层接口】76 Keras高层API-18:57
- P77 课时77 Keras高层API-28:3
- P78 课时78 Keras高层API-38:12
- P79 课时79 自定义层或网络-19:14
- P80 课时80 自定义层或网络-29:58
- P81 课时81 模型保存与加载10:54
- P82 课时82 CIFAR10自定义网络实战-110:5
- P83 课时83 CIFAR10自定义网络实战-210:3
- P84 课时84 CIFAR10自定义网络实战-311:45
- P85 【09.过拟合】课时85 过拟合与欠拟合14:24
- P86 课时86 交叉验证-110:26
- P87 课时87 交叉验证-213:23
- P88 课时87 Regularization12:55
- P89 课时88 动量与学习率14:8
- P90 课时89 Early stopping，Dropout14:54
- P91 【10.卷积神经网络】 什么是卷积-110:5
- P92 092 什么是卷积-210:3
- P93 093 什么是卷积-39:4
- P94 094 什么是卷积-47:4
- P95 课时90 卷积神经网络-110:37
- P96 课时91 卷积神经网络-210:32
- P97 课时92 卷积神经网络-39:23
- P98 课时93 卷积神经网络-411:18
- P99 课时94 池化与采样7:23
- P100 课时95 CIFAR100与VGG13实战-110:15
- P101 课时96 CIFAR100与VGG13实战-29:56
- P102 课时97 CIFAR100与VGG13实战-310:13
- P103 课时98 CIFAR100与VGG13实战-47:11
- P104 课时99 经典卷积网络VGG, GoogLeNet, Inception-110:16
- P105 课时100 经典卷积网络VGG, GoogLeNet, Inception-28:58
- P106 课时101 batchnorm13:28
- P107 107 batchnorm212:32
- P108 课时102 ResNet, DenseNet - 112:4
- P109 课时103 ResNet, DenseNet - 212:34
- P110 课时104 ResNet实战-110:22
- P111 课时105 ResNet实战-210:7
- P112 课时106 ResNet实战-310:20
- P113 课时107 ResNet实战-411:50
- P114 【11.循环神经网络RNN】 GRU原理与实战13:51
- P115 课时108 序列表示方法-111:46
- P116 课时109 序列表示方法-212:28
- P117 课时110 循环神经网络层-110:50
- P118 课时111 循环神经网络层-212:16
- P119 课时112 RNNCell使用-110:21
- P120 课时113 RNNCell使用-28:49
- P121 课时114 RNN与情感分类问题实战-加载IMDB数据集10:42
- P122 课时115 RNN与情感分类问题实战-单层RNN Cell10:31
- P123 课时116 RNN与情感分类问题实战-网络训练9:43
- P124 课时117 RNN与情感分类问题实战-多层RNN Cel9:54
- P125 125 - lstm-113:11
- P126 126 - lstm-26:49
- P127 127 - LSTM实战11:51
- P128 课时118 梯度弥散与梯度爆炸13:38
- P129 【12.Auto-Encoders】课时119 无监督学习10:8
- P130 课时120 Auto-Encoders原理10:15
- P131 课时121 Auto-Encoders变种10:18
- P132 课时122 Adversarial Auto-Encoders10:12
- P133 课时123 Variational Auto-Encoders引入10:2
- P134 课时124 Reparameterization Trick10:41
- P135 课时125 Variational Auto-Encoders原理11:2
- P136 课时126 Auto-Encoders实战-创建编解码器9:24
- P137 课时127 Auto-Encoders实战-训练9:22
- P138 课时128 Auto-Encoders实战-测试9:22
- P139 课时129 VAE实战-创建网络9:27
- P140 课时130 VAE实战-KL Divergence计算12:42
- P141 课时131 VAE实战-训练与测试11:46
- P142 课时132 数据的分布9:
- P143 课时133 画家的成长历程13:5
- P144 课时134 GAN原理10:3
- P145 课时135 纳什均衡-D9:58
- P146 课时136 纳什均衡-G13:43
- P147 课时137 JS散度的缺陷16:37
- P148 课时138 EM距离9:58
- P149 课时139 WGAN-GP原理16:23
- P150 课时140 GAN实战-110:21
- P151 课时141 GAN实战-210:
- P152 课时142 GAN实战-310:11
- P153 课时143 GAN实战-411:1
- P154 课时144 GAN实战-58:34
- P155 课时145 GAN实战-67:43
- P156 课时146 WGAN实战-111:8
- P157 课时147 WGAN实战-29:46
- P158 课时148 生物神经元结构4:7
- P159 课时149 感知机的提出10:8
- P160 课时150 BP神经网络10:8
- P161 课时151 CNN和LSTM的发明10:20
- P162 课时152 人工智能低谷10:8
- P163 课时153 深度学习的诞生10:14
- P164 课时154 深度学习的爆发12:14
- P165 课时155 权值的表示10:6
- P166 课时156 多层感知机的实现10:19
- P167 课时157 BP神经网络前向传播10:7
- P168 课时158 BP神经网络反向传播-110:11
- P169 课时159 BP神经网络反向传播-210:7
- P170 课时160 BP神经网络反向传播-310:19
- P171 课时161 多层感知机的训练10:25
- P172 课时162 多层感知机的测试12:7
- P173 课时163 实战小结7:14
什么是机器学习 人工神经网络 神经网络实现 神经网络分类 CNN - 简介 CNN - 工作原理 CNN - Mnist数据集 RNN - 介绍 RNN - 工作原理 RNN - 时间序列 RNN - LSTM RNN - 练习 RNN Vs CNN TensorFlow - 简介 TensorFlow - 安装步骤 TensorFlow - 人工智能 TensorFlow - 数学基础 TensorFlow - 基础知识 TensorFlow - 卷积神经网络 TensorFlow - 递归神经网络 TensorFlow - TensorBoard可视化 TensorFlow - 单词嵌入 TensorFlow - 单层感知器 TensorFlow - 线性回归 TensorFlow - TFLearn安装 TensorFlow - Keras TensorFlow - 分布式计算 TensorFlow - 导出模块 TensorFlow - 多层感知器学习 TensorFlow - 感知器的隐藏层 TensorFlow - 优化器 TensorFlow - XOR实现 TensorFlow - 梯度下降优化 TensorFlow - 形成图 TensorFlow - 图像识别