人工智能-深度学习入门视频课程（上篇+下篇）

最新推荐文章于 2020-05-28 10:24:00 发布

真全栈程序员

最新推荐文章于 2020-05-28 10:24:00 发布

阅读量629

点赞数

分类专栏：人工智能文章标签：人工智能深度学习神经网络机器学习强化学习

本文链接：https://blog.csdn.net/fstcode/article/details/99244388

版权

该视频课程详细介绍了深度学习的基础知识，包括人工智能和神经网络的介绍，K近邻、线性分类和损失函数等概念。课程通过实例演示了神经网络的构建和优化，探讨了过拟合解决方案，并逐步讲解了卷积神经网络和RNN的工作原理。此外，还涵盖了数据增强和迁移学习等训练技巧，并简要介绍了Caffe深度学习框架。

摘要由CSDN通过智能技术生成

目录
人工智能-深度学习入门视频课程（上篇）
01深度学习与人工智能简介
02计算机视觉面临挑战与常规套路
03用K近邻来进行图像分类
04超参数与交叉验证
05线性分类
06损失函数
07正则化惩罚项
08softmax分类器
09最优化形象解读
10梯度下降算法原理
11反向传播
12神经网络整体架构
13神经网络模型实例演示
14过拟合问题解决方案
15Python环境搭建（推荐Anaconda方法）
16Eclipse搭建python环境
17深度学习入门视频课程09 动手完成简单神经网络
18感受神经网络的强大
19神经网络案例-cifar分类任务
20神经网络案例-分模块构造神经网络
21神经网络案例-训练神经网络完成分类任务

人工智能-深度学习入门视频课程（下篇）
001、深度学习入门课程01 感受卷积神经网络的强大.mp4
002、深度学习入门课程02 卷积层详解.mp4
003、深度学习入门课程03 卷积计算流程.mp4
004、深度学习入门课程04 卷积核参数分析.mp4
005、深度学习入门课程05 卷积参数共享原则.mp4
006、深度学习入门课程06 池化层（Pooling）原理.mp4
007、深度学习入门课程07 卷积神经网络反向传播原理.mp4
008、深度学习入门课程08 实现卷积层的前向传播与反向传播.mp4
009、深度学习入门课程09 实现Pooling