课程展示

适合人群

本课程适合于深度学习和人工智能方向新手，需要零基础、快速、深入学习人工智能的朋友。

课程概述

新加坡的研究员龙龙老师主讲，基于PyTorch框架实战，帮助人工智能、深度学习初学者快速、深刻理解深度学习算法原理与实现。在教学中，龙龙老师以简短高效的方式，从深度学习的多个角度向我们展开了论述，非常适合想对深度学习有全方位了解的朋友。讲解简单易懂、由浅入深，是一门值得推荐的课程。

目录

章节1:深度学习初见

1深度学习框架简介09:07

2PyTorch功能演示11:09

章节2:开发环境安装

3开发环境安装（简介）12:40

章节3:回归问题

4简单回归问题-109:09

5简单回归问题-214:44

6回归问题实战08:43

7分类问题引入-107:16

8分类问题引入-209:19

9手写数字识别初体验-106:09

10手写数字识别初体验-206:35

11手写数字识别初体验-307:02

12手写数字识别初体验-408:05

13手写数字识别初体验-508:16

章节4:PyTorch基础教程

14张量数据类型-109:56

15张量数据类型-214:07

16创建Tensor-110:46

17创建Tensor-212:59

18索引与切片-112:10

19索引与切片-211:30

20维度变换-107:37

21维度变换-210:01

22维度变换-307:52

23维度变换-410:23

章节5:PyTorch进阶教程

24Broadcasting-108:46

25Broadcasting-211:35

26Broadcasting-306:11

27合并与分割-110:43

28合并与分割-206:36

29数学运算-107:39

30数学运算-208:54

31属性统计-110:41

32属性统计-211:34

33高阶操作16:05

章节6:随机梯度下降

34什么是梯度-110:19

35什么是梯度-214:16

36常见函数的梯度07:18

37激活函数与Loss的梯度-113:52

38激活函数与Loss的梯度-208:52

39激活函数与Loss的梯度-306:46

40激活函数与Loss的梯度-411:57

41感知机的梯度推导-113:35

42感知机的梯度推导-213:16

43链式法则11:31

44反向传播算法-112:44

45反向传播算法-207:01

46优化问题实战08:54

章节7:神经网络与全连接层

47Logistic Regression14:12

48交叉熵-106:42

49交叉熵-209:08

50交叉熵-304:51

51多分类问题实战08:26

52全连接层13:59

53激活函数与GPU加速11:37

54MNIST测试实战12:01

55Visdom可视化13:08

章节8:过拟合

56过拟合与欠拟合14:24

57交叉验证-111:46

58交叉验证-207:38

59Regularization11:21

60动量与学习率衰减13:57

61Early stopping, dropout等14:20

章节9:卷积神经网络CNN

62什么是卷积-112:58

63什么是卷积-208:47

64卷积神经网络-111:19

65卷积神经网络-211:11

66卷积神经网络-308:43

67池化层与采样10:53

68BatchNorm-105:40

69BatchNorm-212:32

70BatchNorm-307:33

71经典卷积网络 LeNet5,AlexNet, VGG, GoogLeNet-109:18

72经典卷积网络 LeNet5,AlexNet, VGG, GoogLeNet-209:43

73ResNet与DenseNet-112:03

74ResNet与DenseNet-210:21

75nn.Module模块-110:17

76nn.Module模块-208:56

77数据增强12:53

章节10:CIFAR10与ResNet实战

78CIFAR10数据集介绍10:07

79卷积神经网络实战-110:07

80卷积神经网络实战-210:04

81卷积神经网络训练10:04

82ResNet实战-110:11

83ResNet实战-210:11

84ResNet实战-307:31

85ResNet实战-410:07

86实战小结12:49

章节11:循环神经网络RNN&LSTM

87时间序列表示方法14:57

88RNN原理-109:55

89RNN原理-209:39

90RNN Layer使用-109:42

91RNN Layer使用-209:01

92时间序列预测实战13:27

93梯度弥散与梯度爆炸12:50

94LSTM原理-109:01

95LSTM原理-210:53

96LSTM Layer使用08:44

97情感分类问题实战15:15

章节12:迁移学习-实战宝可梦精灵

98Pokemon数据集12:30

99数据预处理12:20

100自定义数据集实战-106:49

101自定义数据集实战-208:42

102自定义数据集实战-311:04

103自定义数据集实战-409:58

104自定义数据集实战-511:28

105自定义网络09:45

106自定义网络训练与测试07:37

107自定义网络实战07:39

108迁移学习05:35

109迁移学习实战10:09

章节13:自编码器Auto-Encoders

110无监督学习10:02

111Auto-Encoder原理10:12

112Auto-Encoder变种09:59

113Adversarial Auto-Encoder10:08

114变分Auto-Encoder引入10:12

115Reparameterization trick10:05

116变分自编码器VAE11:03

117Auto-Encoder实战-110:01

118Auto-Encoder实战-210:10

119变分Auto-Encoder实战-105:55

120变分Auto-Encoder实战-206:37

章节14:对抗生成网络GAN

121数据的分布09:11

122画家的成长历程13:04

123GAN原理10:01

124纳什均衡-D09:57

125纳什均衡-G13:42

126JS散度的缺陷16:36

127EM距离09:57

128WGAN与WGAN-GP15:43

129GAN实战-GD实现09:58

130GAN实战-网络训练17:24

131GAN实战-网络训练鲁棒性09:46

132WGAN-GP实战16:17

章节15:选看：Ubuntu开发环境安装

133Ubuntu系统安装10:01

134Anaconda安装10:10

135CUDA 10安装10:10

136环境变量配置10:05

137cudnn安装10:14

138PyCharm安装与配置10:59

章节16:选看：人工智能发展简史

139生物神经元结构04:06

140感知机的提出10:07

141BP神经网络10:07

142CNN和LSTM的发明10:19

143人工智能的低潮10:07

144深度学习的诞生10:13

145深度学习的繁荣12:13

章节17:选看：Numpy实战BP神经网络

146权值的表示10:05

147多层感知机的实现10:18

148多层感知机前向传播10:06

149多层感知机反向传播10:10

150多层感知机反向传播-210:06

151多层感知机反向传播-310:18

152多层感知机的训练10:24

153多层感知机的测试12:06

154实战小结07:13

课程大小

(10)20190906 人工智能