─1-9
│ 1、课程：多层感知机DNN.1、浅层网络的问题.mp4
│ 1、课程：多层感知机DNN.2、涌现现象与深度网络为何高效.mp4
│ 1、课程：多层感知机DNN.3、计算图.mp4
│ 1、课程：多层感知机DNN.4、导数的反向传播.mp4
│ 2、课程：梯度下降法.1、梯度下降的直观例子（一）.mp4
│ 2、课程：梯度下降法.2、梯度下降的直观例子（二）.mp4
│ 2、课程：梯度下降法.3、梯度下降的代码实现.mp4
│ 2、课程：梯度下降法.4、梯度实现的数学证明.mp4
│ 2、课程：梯度下降法.5、从优化的层次到机器学习.mp4
│ 2、课程：梯度下降法.6、梯度下降的变体—动量梯度下降法及代码实现.mp4
│ 3、课程：BP算法.1、反向传播算法的数学推导.mp4
│ 3、课程：BP算法.2、反向传播算法的代码实现.mp4
│ 3、课程：BP算法.3、链式法则.mp4
│ 3、课程：BP算法.4、反向传播算法在神经网络中的应用代码展示（一）.mp4
│ 3、课程：BP算法.5、反向传播算法在神经网络中的应用代码展示（二）.mp4
│ 4、课程：卷积神经网络.1、卷积神经网络的历史.mp4
│ 4、课程：卷积神经网络.2、图像识别中的滤镜与卷积.mp4
│ 4、课程：卷积神经网络.3、卷积操作的代码展示.mp4
│ 4、课程：卷积神经网络.4、图像识别的传统方法及其问题（一）.mp4
│ 4、课程：卷积神经网络.5、图像识别的传统方法及其问题（二）.mp4
│ 4、课程：卷积神经网络.6、卷积是如何提取特征的、卷积网络的生物学机理.mp4
│ 4、课程：卷积神经网络.7、引入激活函数以提取非线性特征.mp4
│ 4、课程：卷积神经网络.8、池化操作与层层抽象.mp4
│ 4、课程：卷积神经网络.9、卷积神经网络的训练方法.mp4
│ 5、课程：PyTorch（上）.1、PyTorch中的基本概念—变量.mp4
│ 5、课程：PyTorch（上）.2、PyTorch中的反向求导.mp4
│ 5、课程：PyTorch（上）.3、网络视角下的线性模型、PyTorch对神经网络的支持包.mp4
│ 5、课程：PyTorch（上）.4、PyTorch中的优化器和损失函数.mp4
│ 5、课程：PyTorch（上）.5、逻辑回归的问题介绍.mp4
│ 5、课程：PyTorch（上）.6、用类的方法实现逻辑斯蒂回归.mp4
│ 5、课程：PyTorch（上）.7、多层网络的模型构建流程、神经网络的参数初始化.mp4
│ 5、课程：PyTorch（上）.8、Drop out在神经网络中的应用和实现.mp4
│ 6、课程：PyTorch（下）.10、构建卷积网络的代码讲解.mp4
│ 6、课程：PyTorch（下）.11、卷积网络中的全连接层.mp4
│ 6、课程：PyTorch（下）.12、神经网络的训练与测试及训练的效果展示.mp4
│ 6、课程：PyTorch（下）.1、梯度下降法在PyTorch中的实现.mp4
│ 6、课程：PyTorch（下）.2、动量化梯度下降的原理和实现.mp4
│ 6、课程：PyTorch（下）.3、两个参数问题下的优化面临的问题.mp4
│ 6、课程：PyTorch（下）.4、自适应的梯度下降及流平均改进法.mp4
│ 6、课程：PyTorch（下）.5、Adam算法.mp4
│ 6、课程：PyTorch（下）.6、PyTorch中的优化器选择.mp4
│ 6、课程：PyTorch（下）.7、PyTorch里的图像预处理与可视化.mp4
│ 6、课程：PyTorch（下）.8、CNN要调节的主要参数（一）.mp4
│ 6、课程：PyTorch（下）.9、CNN要调节的主要参数（二）.mp4
│ 7、课程：CNN进化.1、AlexNet的技术细节.mp4
│ 7、课程：CNN进化.2、VGG19.mp4
│ 7、课程：CNN进化.3、深度网络中的梯度消失问题.mp4
│ 7、课程：CNN进化.4、残差网络的定义.mp4
│ 7、课程：CNN进化.5、残差网络的数学原理.mp4
│ 8、课程：BatchNormalization.1、批量正则化怎么做.mp4
│ 8、课程：BatchNormalization.2、为什么批量标准化比标准化好.mp4
│ 8、课程：BatchNormalization.3、阈值变换如何应对过拟合.mp4
│ 8、课程：BatchNormalization.4、批量标准化的操作是怎么进行的.mp4
│ 9、课程：Resnet残差网络.1、如何提取中间变量.mp4
│ 9、课程：Resnet残差网络.2、在pytorch中引入批量正则化.mp4
│ 9、课程：Resnet残差网络.3、批标准化的效果展示.mp4
│ 9、课程：Resnet残差网络.4、1-1卷积的含义和效果（一）.mp4
│ 9、课程：Resnet残差网络.5、1-1卷积的含义和效果（二）.mp4
│ 9、课程：Resnet残差网络.6、构建残差网络的每个子模块.mp4
│ 9、课程：Resnet残差网络.7、在网络中引入残差层.mp4
│ 9、课程：Resnet残差网络.8、残差网络的维度变换.mp4
│ 9、课程：Resnet残差网络.9、如何实例化深度残差网络.mp4
│
├─10-18
│ 10、课程：图像识别综述.1、图像标记.mp4
│ 10、课程：图像识别综述.2、目标检测.mp4
│ 10、课程：图像识别综述.3、图像切割.mp4
│ 10、课程：图像识别综述.4、图像变换.mp4
│ 10、课程：图像识别综述.5、图像降噪和恢复.mp4
│ 10、课程：图像识别综述.6、图像聚类与生成.mp4
│ 11、课程：迁移学习.10、神经风格迁移（二）.mp4
│ 11、课程：迁移学习.11、神经风格迁移（三）.mp4
│ 11、课程：迁移学习.12、神经风格迁移（四）.mp4
│ 11、课程：迁移学习.1、迁移学习的用途.mp4
│ 11、课程：迁移学习.2、迁移学习的种类.mp4
│ 11、课程：迁移学习.3、猫狗大战实例之数据读取和预处理.mp4
│ 11、课程：迁移学习.4、对比展示迁移学习的效果.mp4
│ 11、课程：迁移学习.5、如何导入之前的模型.mp4
│ 11、课程：迁移学习.6、连接特征网络和分类网络.mp4
│ 11、课程：迁移学习.7、如何逐层训练.mp4
│ 11、课程：迁移学习.8、使用detach分开训练网络.mp4
│ 11、课程：迁移学习.9、神经风格迁移（一）.mp4
│ 12、课程：对抗网络.1、生成式模型.mp4
│ 12、课程：对抗网络.2、自编码器.mp4
│ 12、课程：对抗网络.3、对抗学习引入.mp4
│ 12、课程：对抗网络.4、对抗学习的损失函数.mp4
│ 12、课程：对抗网络.5、卷机对抗网络.mp4
│ 12、课程：对抗网络.6、对抗训练的难点及应用（一）.mp4
│ 12、课程：对抗网络.7、对抗训练的难点及应用（二）.mp4
│ 13、课程：时间序列分析.10、使用LSTM进行时间序列预测.mp4
│ 13、课程：时间序列分析.1、时间序列是什么.mp4
│ 13、课程：时间序列分析.2、时间序列的预处理.mp4
│ 13、课程：时间序列分析.3、时间序列的预测方法.mp4
│ 13、课程：时间序列分析.4、一阶平滑法.mp4
│ 13、课程：时间序列分析.5、二次指数平滑法.mp4
│ 13、课程：时间序列分析.6、Python代码展示.mp4
│ 13、课程：时间序列分析.7、数据导入和平稳性检测.mp4
│ 13、课程：时间序列分析.8、平稳性处理于模型构建.mp4
│ 13、课程：时间序列分析.9、模型的其他构建法.mp4
│ 14、课程：RNN.10、RNN损失函数.mp4
│ 14、课程：RNN.11、RNN中的求导推理.mp4
│ 14、课程：RNN.12、RNN的求导公式推导.mp4
│ 14、课程：RNN.13、随时间产生的梯度消失问题.mp4
│ 14、课程：RNN.14、梯度消失的反面—梯度爆炸.mp4
│ 14、课程：RNN.1、时间序列数据的特点和历史（一）.mp4
│ 14、课程：RNN.2、时间序列数据的特点和历史（二）.mp4
│ 14、课程：RNN.3、RNN的网络结构（一）.mp4
│ 14、课程：RNN.4、RNN的网络结构（二）.mp4
│ 14、课程：RNN.5、RNN中的时间不变性.mp4
│ 14、课程：RNN.6、RNN的代码实现.mp4
│ 14、课程：RNN.7、RNN下的语言模型（一）.mp4
│ 14、课程：RNN.8、RNN下的语言模型（二）.mp4
│ 14、课程：RNN.9、RNN的前向传播.mp4
│ 15、课程：RNN实战.1、自然语言的编码.mp4
│ 15、课程：RNN实战.2、RNN代码展示—前向传递.mp4
│ 15、课程：RNN实战.3、RNN代码展示—反向传播.mp4
│ 15、课程：RNN实战.4、RNN中的梯度更新.mp4
│ 15、课程：RNN实战.5、模型的训练.mp4
│ 15、课程：RNN实战.6、PyTorch下的RNN之前向传播.mp4
│ 15、课程：RNN实战.7、模型的构建代码.mp4
│ 15、课程：RNN实战.8、模型的训练代码.mp4
│ 15、课程：RNN实战.9、将模型改为生成模型.mp4
│ 16、课程：RNN时间序列预测.1、数据准备和导入.mp4
│ 16、课程：RNN时间序列预测.2、使用线性模型进行预测.mp4
│ 16、课程：RNN时间序列预测.3、使用神经网络进行预测.mp4
│ 16、课程：RNN时间序列预测.4、预测结果展示与分析.mp4
│ 16、课程：RNN时间序列预测.5、从前馈网络到RNN.mp4
│ 16、课程：RNN时间序列预测.6、应对梯度爆炸.mp4
│ 16、课程：RNN时间序列预测.7、加速模型的训练方法（一）.mp4
│ 16、课程：RNN时间序列预测.8、加速模型的训练方法（二）.mp4
│ 17、课程：RNN深度理解.10、GRU的优势.mp4
│ 17、课程：RNN深度理解.11、Attention机制.mp4
│ 17、课程：RNN深度理解.1、RNN和动力学系统.mp4
│ 17、课程：RNN深度理解.2、高维动力系统.mp4
│ 17、课程：RNN深度理解.3、RNN的图灵完备性.mp4
│ 17、课程：RNN深度理解.4、RNN与脑科学的联系.mp4
│ 17、课程：RNN深度理解.5、如何解决梯度消失的问题.mp4
│ 17、课程：RNN深度理解.6、LSTM的原理.mp4
│ 17、课程：RNN深度理解.7、LSTM的优势.mp4
│ 17、课程：RNN深度理解.8、LSTM的方程.mp4
│ 17、课程：RNN深度理解.9、GRU原理.mp4
│ 18、课程：课程总结.1、机器学习的问题.mp4
│ 18、课程：课程总结.2、机器学习的核心概念.mp4
│ 18、课程：课程总结.3、机器学习常见模型.mp4
│ 18、课程：课程总结.4、CNN常见技巧.mp4
│ 18、课程：课程总结.5、RNN和迁移学习.mp4
│
└─资料
CNN (1).pdf
CNN网络进化.pdf
CNN网络高进.pdf
Neural Style Transfer.pdf
PCA.pdf
RNN.pdf
SVM(新） 2.pdf
代码.zip
分类问题引入.pdf
图像处理纵览.pdf
机器学习引入 - 线性回归.pdf
机器学习的数学理论2.pdf
神经网络(new).pdf
逻辑斯蒂回归.pdf
集群模型2.pdf