决胜AI-深度学习系列实战150讲-唐宇迪-专题视频课程
决胜AI-深度学习系列实战150讲—2421人已学习
课程介绍
深度学习系列课程从基本的神经网络开始讲起，逐步过渡到当下流行的卷积与递归神经网络架构。课程风格通俗易懂，方便大家掌握深度学习的原理。课程以实战为导向，结合当下热门的Tensorflow框架进行案例实战，让同学们上手建模实战。对深度学习经典项目，从数据处理开始一步步带领大家完成多个项目实战任务！
课程收益
掌握深度学习必备原理与实战技巧，结合Tensorflow框架进行实际项目。
讲师介绍
唐宇迪 更多讲师课程
计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。
课程大纲
第1章:深度学习必备基础知识点
1. 深度学习概述 11:27
2. 挑战与常规套路 9:40
3. 用K近邻来进行分类 10:01
4. 超参数与交叉验证 10:30
5. 线性分类 9:34
6. 损失函数 9:17
7. 正则化惩罚项 7:19
8. softmax分类器 13:38
9. 最优化形象解读 6:46
10. 最优化问题细节 11:48
11. 反向传播 15:16
第2章:探索神经网络整体架构
1. 整体架构 10:11
2. 实例演示 10:38
3. 过拟合解决方案 15:53
第3章:卷积与递归神经网络
1. 卷积神经网络的应用 14:55
2. 卷积层解释 12:53
3. 卷积计算过程 12:30
4. pading与stride 13:13
5. 卷积参数共享 8:09
6. 池化层原理 8:24
7. 递归神经网络（RNN）概述 8:39
8. RNN网络细节 11:54
9. LSTM网络架构 12:36
第4章:深度学习框架Tensorflow必备基础
1. Tensorflow安装与简介 15:46
2. Tensorflow中的变量 8:10
3. 变量常用操作 13:38
4. Tensorflow实现线性回归 15:14
5. Mnist数据集概述 12:53
6. 逻辑回归 15:26
第5章:Tensorflow实战卷积神经网络
1. 神经网络结构 16:21
2. 卷积神经网络基本定义 17:42
3. 卷积神经网络迭代 13:53
4. 猫狗识别任务概述 13:18
5. 猫狗识别数据读取 12:03
6. 猫狗识别网络架构 18:05
7. 猫狗迭代训练网络 16:44
8. 猫狗测试网络效果 8:39
9. Cifar-10图像分类任务 16:17
10. Alexnet环境配置 15:19
11. Alexnet数据读取与参数设置 11:56
12. Alexnet网络结构定义 10:14
13. Alexnet加载训练好的参数 11:23
14. CNN应用于文本分类任务 13:28
15. 文本分类任务特征定义 15:55
16. 卷积网络定义 8:20
17. 完成预测分类任务 15:10
18. resnet网络原理 13:21
19. resnet网络流程设计 11:46
20. 残差网络实现细节 16:52
第6章:Tensorflow实战递归神经网络
1. RNN网络基本架构 11:58
2. 实现RNN网络架构 13:27
3. RNN实现自己的小demo 13:54
4. RNN预测时间序列 18:49
5. 可视化展示-Tensorboard可视化展示 12:15
6. 可视化展示-Tensorboard展示效果 13:39
7. 可视化展示-Tensorboard统计可视展示 10:16
8. 可视化展示-Tensorboard参数对结果影响展示 17:14
9. 构建数据集-tfrecord生成自己的数据集 12:39
10. 构建数据集-tfrecord读取数据 11:55
11. 构建数据集-tfrecord生成数据源 18:13
12. 构建数据集-加载tfrecord进行分类任务 24:26
第7章:图像识别项目实战
1. 验证码识别-验证码数据生成 10:43
2. 验证码识别-构造网络的输入数据和标签 11:57
3. 验证码识别-卷积网络模型定义 13:24
4. 验证码识别-迭代及测试网络效果 10:56
5. 对抗生成网络-对抗生成网络原理概述 10:24
6. 对抗生成网络-GAN网络结构定义 10:07
7. 对抗生成网络-Gan迭代生成 11:53
8. 对抗生成网络-DCGAN网络特性 7:38
9. 对抗生成网络-DCGAN训练 11:53
10. 风格转换-style-transfer基本原理 7:35
11. 风格转换-风格生成网络结构原理 7:06
12. 风格转换-风格生成网络细节 11:52
13. 风格转换-风格转换效果展示 10:14
14. 风格转换-参数解释与配置 9:38
15. 风格转换-数据加载 10:51
16. 风格转换-特征提取网络 12:40
17. 风格转换-网络训练 18:49
18. 风格转换-视频与图像测试模块 13:18
19. 图像补全-论文概述 10:02
20. 图像补全-网络架构 11:03
21. 图像补全-细节设计 8:01
22. 图像补全-论文总结 9:19
23. 图像补全-数据与项目概述 10:07
24. 图像补全-参数基本设计 9:15
25. 图像补全-网络结构配置 12:21
26. 图像补全-网络迭代训练 16:54
27. 图像补全-测试模块 5:24
28. 超分辨率重构-论文概述 5:17
29. 超分辨率重构-网络架构 8:48
30. 超分辨率重构-数据与环境配置 7:49
31. 超分辨率重构-数据加载与配置 8:34
32. 超分辨率重构-生成模块 7:32
33. 超分辨率重构-判别模块 6:57
34. 超分辨率重构-VGG特征提取网络 6:18
35. 超分辨率重构-损失函数与训练 11:47
36. 超分辨率重构-测试模块 7:59
第8章:自然语言处理项目实战
1. 行为识别-任务概述 6:51
2. 行为识别-数据与网络设计 13:17
3. 行为识别-网络迭代训练 8:47
4. 情感分析-RNN网络架构 12:21
5. 情感分析-LSTM网络架构 12:00
6. 情感分析-案例：使用LSTM进行情感分类 13:13
7. 情感分析-情感数据集处理 13:06
8. 情感分析-基于word2vec的LSTM模型 17:14
9. 对话机器人-效果演示 8:27
10. 对话机器人-参数配置与数据加载 12:55
11. 对话机器人-数据处理 8:52
12. 对话机器人-词向量与投影 9:18
13. 对话机器人-seq网络 8:23
14. 对话机器人-网络训练 6:55
15. word2vec-数据与任务流程 10:36
16. word2vec-数据清洗 6:34
17. word2vec-batch数据制作 12:24
18. word2vec-网络训练 12:36
19. word2vec-可视化展示 6:19
第9章:物体检测-Faster-Rcnn实战
1. 物体检测概述 13:27
2. 经典检测方法 17:11
3. faster-rcnn概述 11:21
4. 论文概述 16:07
5. RPN网络结构 18:32
6. 损失函数定义 20:26
7. 网络细节 16:10
8. 环境配置 19:16
9. 项目概述 13:29
10. 数据处理 12:59
11. 数据变换 9:35
12. 完成数据读取 18:57
13. 特征提取 12:27
14. RPN网络层 17:45
15. 提取网络细节 16:13
16. 网络训练迭代 17:44
第10章:机器学习翻译框架NMT实战
1. 网络架构 7:16
2. Seq2Seq网络基本架构 9:10
3. Seq2Seq网络应用 9:10
4. Attention机制 13:02
5. 构建自己的输入法-数据准备 17:08
6. 构建自己的输入法-网络结构概述 8:53
7. 3-加载数据 11:01
8. 4-训练测试模型 14:31
9. 1-机器翻译框架概述 16:59
10. 机器翻译框架NMT-参数设置 14:34
11. 机器翻译框架NMT-数据加载 19:09
12. 机器翻译框架NMT-网络结构定义 20:26
13. 机器翻译框架NMT-训练模型 15:12
大家可以点击【 查看详情】查看我的课程
课程介绍
深度学习系列课程从基本的神经网络开始讲起，逐步过渡到当下流行的卷积与递归神经网络架构。课程风格通俗易懂，方便大家掌握深度学习的原理。课程以实战为导向，结合当下热门的Tensorflow框架进行案例实战，让同学们上手建模实战。对深度学习经典项目，从数据处理开始一步步带领大家完成多个项目实战任务！
课程收益
掌握深度学习必备原理与实战技巧，结合Tensorflow框架进行实际项目。
讲师介绍
唐宇迪 更多讲师课程
计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战讲师。在图像识别领域有着丰富经验，实现过包括人脸识别，物体识别，关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验，出品多套机器学习与深度学习系列课程，课程生动形象，风格通俗易懂。
课程大纲
第1章:深度学习必备基础知识点
1. 深度学习概述 11:27
2. 挑战与常规套路 9:40
3. 用K近邻来进行分类 10:01
4. 超参数与交叉验证 10:30
5. 线性分类 9:34
6. 损失函数 9:17
7. 正则化惩罚项 7:19
8. softmax分类器 13:38
9. 最优化形象解读 6:46
10. 最优化问题细节 11:48
11. 反向传播 15:16
第2章:探索神经网络整体架构
1. 整体架构 10:11
2. 实例演示 10:38
3. 过拟合解决方案 15:53
第3章:卷积与递归神经网络
1. 卷积神经网络的应用 14:55
2. 卷积层解释 12:53
3. 卷积计算过程 12:30
4. pading与stride 13:13
5. 卷积参数共享 8:09
6. 池化层原理 8:24
7. 递归神经网络（RNN）概述 8:39
8. RNN网络细节 11:54
9. LSTM网络架构 12:36
第4章:深度学习框架Tensorflow必备基础
1. Tensorflow安装与简介 15:46
2. Tensorflow中的变量 8:10
3. 变量常用操作 13:38
4. Tensorflow实现线性回归 15:14
5. Mnist数据集概述 12:53
6. 逻辑回归 15:26
第5章:Tensorflow实战卷积神经网络
1. 神经网络结构 16:21
2. 卷积神经网络基本定义 17:42
3. 卷积神经网络迭代 13:53
4. 猫狗识别任务概述 13:18
5. 猫狗识别数据读取 12:03
6. 猫狗识别网络架构 18:05
7. 猫狗迭代训练网络 16:44
8. 猫狗测试网络效果 8:39
9. Cifar-10图像分类任务 16:17
10. Alexnet环境配置 15:19
11. Alexnet数据读取与参数设置 11:56
12. Alexnet网络结构定义 10:14
13. Alexnet加载训练好的参数 11:23
14. CNN应用于文本分类任务 13:28
15. 文本分类任务特征定义 15:55
16. 卷积网络定义 8:20
17. 完成预测分类任务 15:10
18. resnet网络原理 13:21
19. resnet网络流程设计 11:46
20. 残差网络实现细节 16:52
第6章:Tensorflow实战递归神经网络
1. RNN网络基本架构 11:58
2. 实现RNN网络架构 13:27
3. RNN实现自己的小demo 13:54
4. RNN预测时间序列 18:49
5. 可视化展示-Tensorboard可视化展示 12:15
6. 可视化展示-Tensorboard展示效果 13:39
7. 可视化展示-Tensorboard统计可视展示 10:16
8. 可视化展示-Tensorboard参数对结果影响展示 17:14
9. 构建数据集-tfrecord生成自己的数据集 12:39
10. 构建数据集-tfrecord读取数据 11:55
11. 构建数据集-tfrecord生成数据源 18:13
12. 构建数据集-加载tfrecord进行分类任务 24:26
第7章:图像识别项目实战
1. 验证码识别-验证码数据生成 10:43
2. 验证码识别-构造网络的输入数据和标签 11:57
3. 验证码识别-卷积网络模型定义 13:24
4. 验证码识别-迭代及测试网络效果 10:56
5. 对抗生成网络-对抗生成网络原理概述 10:24
6. 对抗生成网络-GAN网络结构定义 10:07
7. 对抗生成网络-Gan迭代生成 11:53
8. 对抗生成网络-DCGAN网络特性 7:38
9. 对抗生成网络-DCGAN训练 11:53
10. 风格转换-style-transfer基本原理 7:35
11. 风格转换-风格生成网络结构原理 7:06
12. 风格转换-风格生成网络细节 11:52
13. 风格转换-风格转换效果展示 10:14
14. 风格转换-参数解释与配置 9:38
15. 风格转换-数据加载 10:51
16. 风格转换-特征提取网络 12:40
17. 风格转换-网络训练 18:49
18. 风格转换-视频与图像测试模块 13:18
19. 图像补全-论文概述 10:02
20. 图像补全-网络架构 11:03
21. 图像补全-细节设计 8:01
22. 图像补全-论文总结 9:19
23. 图像补全-数据与项目概述 10:07
24. 图像补全-参数基本设计 9:15
25. 图像补全-网络结构配置 12:21
26. 图像补全-网络迭代训练 16:54
27. 图像补全-测试模块 5:24
28. 超分辨率重构-论文概述 5:17
29. 超分辨率重构-网络架构 8:48
30. 超分辨率重构-数据与环境配置 7:49
31. 超分辨率重构-数据加载与配置 8:34
32. 超分辨率重构-生成模块 7:32
33. 超分辨率重构-判别模块 6:57
34. 超分辨率重构-VGG特征提取网络 6:18
35. 超分辨率重构-损失函数与训练 11:47
36. 超分辨率重构-测试模块 7:59
第8章:自然语言处理项目实战
1. 行为识别-任务概述 6:51
2. 行为识别-数据与网络设计 13:17
3. 行为识别-网络迭代训练 8:47
4. 情感分析-RNN网络架构 12:21
5. 情感分析-LSTM网络架构 12:00
6. 情感分析-案例：使用LSTM进行情感分类 13:13
7. 情感分析-情感数据集处理 13:06
8. 情感分析-基于word2vec的LSTM模型 17:14
9. 对话机器人-效果演示 8:27
10. 对话机器人-参数配置与数据加载 12:55
11. 对话机器人-数据处理 8:52
12. 对话机器人-词向量与投影 9:18
13. 对话机器人-seq网络 8:23
14. 对话机器人-网络训练 6:55
15. word2vec-数据与任务流程 10:36
16. word2vec-数据清洗 6:34
17. word2vec-batch数据制作 12:24
18. word2vec-网络训练 12:36
19. word2vec-可视化展示 6:19
第9章:物体检测-Faster-Rcnn实战
1. 物体检测概述 13:27
2. 经典检测方法 17:11
3. faster-rcnn概述 11:21
4. 论文概述 16:07
5. RPN网络结构 18:32
6. 损失函数定义 20:26
7. 网络细节 16:10
8. 环境配置 19:16
9. 项目概述 13:29
10. 数据处理 12:59
11. 数据变换 9:35
12. 完成数据读取 18:57
13. 特征提取 12:27
14. RPN网络层 17:45
15. 提取网络细节 16:13
16. 网络训练迭代 17:44
第10章:机器学习翻译框架NMT实战
1. 网络架构 7:16
2. Seq2Seq网络基本架构 9:10
3. Seq2Seq网络应用 9:10
4. Attention机制 13:02
5. 构建自己的输入法-数据准备 17:08
6. 构建自己的输入法-网络结构概述 8:53
7. 3-加载数据 11:01
8. 4-训练测试模型 14:31
9. 1-机器翻译框架概述 16:59
10. 机器翻译框架NMT-参数设置 14:34
11. 机器翻译框架NMT-数据加载 19:09
12. 机器翻译框架NMT-网络结构定义 20:26
13. 机器翻译框架NMT-训练模型 15:12
大家可以点击【 查看详情】查看我的课程