01 课程安排【动手学深度学习v2】学习目标

最新推荐文章于 2025-03-06 13:48:45 发布
最新推荐文章于 2025-03-06 13:48:45 发布
阅读量401 收藏 9
点赞数 10
分类专栏： 动手学深度学习 文章标签： 机器学习 人工智能 神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kganamg/article/details/135854130
版权
学习规划
目标

  • 介绍深度学习经典和最新模型

    • LeNet、ResNet、LSTM、BERT

  • 机器学习基础

    • 损失函数、目标函数、过拟合、优化

  • 实践

    • 使用Pytorch实现介绍的知识点

    • 在真实数据上体验算法效果

学习内容

  • 深度学习基础

  • 卷积神经网络

  • 循环神经网络

  • 注意力机制

  • 优化算法---机器学习的基础

  • 高性能计算---怎么并行、多GPU、分布式

  • 计算机视觉--深度学习和人工智能最大的两大领域之一

  • 自然语言处理--深度学习和人工智能最大的两大领域之一

形式

  • 每次直播讲四小节、每小节讲10min算法、10min代码实现、5min问答。

  • 每月一次kaggle竞赛

你将学到什么

  • What -- 深度学习里有哪些技术

  • How -- 如何实现调参

  • Why -- 背后的原因（直觉、数学）

    适用人群：AI相关从业人员、数据科学家、工程师、研究员、学生

方法

配套资源
1.动手学习深度学习课程安排及深度学习数学基础
kaszxc的博客
06-13 202
​ 首先，我们导入torch，注意，虽然它被称为pytorch，但我们应该导入torch而不是pytorch。矩阵相当于一个扭曲空间，把下图中的蓝线和绿线，扭曲到不同方向和长度。
【大模型应用开发 动手做AI Agent】LlamaIndex和基于RAG的AI开发
AI天才研究院
05-27 1102
随着人工智能技术的飞速发展,大语言模型(Large Language Models, LLMs)在各个领域得到了广泛应用。LLMs通过从大规模文本语料中学习,可以生成连贯、自然的文本,完成复杂的自然语言处理任务。然而,LLMs仍然存在知识储备有限、推理能力不足等问题。为了进一步增强LLMs的能力,学术界和工业界开始探索LLMs与其他技术的结合,比如知识图谱、检索增强生成(Retrieval-Augmented Generation, RAG)等。
李沐动手学深度学习V2-BERT微调和代码实现
flyingluohaipeng的博客
08-03 5052
load_pretrained_model函数用于加载预先训练好的BERT参数。
沐神《动手学深度学习》飞桨版自然语言推断：微调BERT
m0_63642362的博客
06-17 471
沐神《动手学深度学习》飞桨版课程公开啦！hello各位飞桨的开发者，大家好！李沐老师的《动手学深度学习》飞桨版课程已经公开啦。本课程由PPSIG和飞桨工程师共同建设，将原书中MXNet框架改为飞桨实现，原理+代码实践，感兴趣的同学快速加入课程《动手学深度学习》。自然语言推断：微调BERT 在本章的前面几节中，我们已经为SNLI数据集（15.4节）上的自然语言推断任务设计了一个基于注意力的结构（15.5节）。现在，我们通过微调BERT来重新审视这项任务。正如在 15.6节中讨论的那样，自然语言推断是一个序列级
动手学深度学习 v2 视频版
少年一贯快马扬帆，道阻且长不转弯； 要盛大，要绚烂，要哗然； 要用理想的泰坦尼克，去撞现实的冰川； 要当烧赤壁的风，而非借鉴草船； 要为了一片海，就肯翻万山。
12-27 912
动手学深度学习 v201 课程安排目标内容形式你将学到什么？资源02 深度学习介绍AI 地图图片分类物体检测和分割样式迁移人脸合成文字生成图片文字生成03 安装本地安装 01 课程安排 目标 内容 深度学习的核心之一：就是卷积神经网络； 从最早的LeNet 开始，引起深度学习狂潮的AlexNet; 循环神经网络是一个时间上的神经网络。 形式 你将学到什么？ 除了要知道是什么？what 怎么做 how 之外。 你还要解释为什么？学到根深的东西 资源 课程主页: https://courses.d
01 课程安排【动手学深度学习】
qq_48305176的博客
04-28 204
目标 介绍深度学习经典和最新模型 LeNet，ResNet，LSTM，BERT 机器学习基础 损失函数，目标函数，过拟合，优化 实践 使用pytorch实现介绍的知识点 在真实数据上体验算法效果 内容 深度学习基础——线性神经网络，多层感知机 卷积神经网络——LeNet，AlexNet，VGG，Inception，ResNet 循环神经网络——RNN，GRU，LSTM，seq2seq 注意力机制——Attention，Transformer（在NLP的应用） 优化算法——SGD，Momentum，Ad
一 动手学深度学习v2笔记 —— 深度学习介绍及数据操作预处理
weixin_43056275的博客
05-05 446
动手学深度学习
01 课程安排【动手学深度学习v2】
scar2016的博客
08-21 579
文章目录1. 动手学深度学习开始啦 1. 动手学深度学习开始啦
前言 动手学深度学习课程安排及介绍
记录学习过程中的笔记
09-25 287
学习深度学习关键是动手。【动手学深度学习】课程目标：课程资源：
《动手学深度学习》（1）安装及预备知识
weixin_41794514的博客
03-21 794
《动手学深度学习（PyTorch版）》的学习笔记（1）
动手学深度学习实现DAY-3
weixin_40054643的博客
02-25 4048
节选自“ElitesAI·动手学深度学习PyTorch版”. （Task06：批量归一化和残差网络；凸优化；梯度下降（1天）） Task09：目标检测基础；图像风格迁移；图像分类案例1（1天） Task10：图像分类案例2；GAN；DCGAN（1天） 批量归一化（BatchNormalization） 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1...
【微电子学习题高效解法】：学习方法与解题步骤的专家指导
微电子学习领域中，解题是检验理解深度的关键环节。在这一章节中，我们将从多个角度深入探讨微电子学中的常见难点，以助于读者能更好地应对挑战，提高解题能力。 ## 1.1 面对复杂电路图的解析策略 在微电子学习过程...
从小白开始的人工智能学习（一）（入门机器学习、神经网络，python一路走来所经历的坑。）
qq_51639423的博客
08-06 1102
我是一名在读硕士研究生，机械工程专业。刚入学，就对人工智能方面非常的感兴趣，便决定踏入到人工智能的研究方向。现在写这篇博客，就是记录一下我从小白开始，在人工智能领域所遇到的坑，希望能够帮助初入人工智能领域的小伙伴少走些弯路。并且向大家推荐一下我正在学习的课程。 初入这个领域的，啥也不会，之前有过C++基础，也就仅仅有一点编程基础。刚开始，在网络上疯狂查资料，了解到了如何通过计算机去识别目标种类的方法，但是许多些专业的名词也随之出现：神经网络、支持向量机、聚类、yolo、NLP、openCV等。这些词全都聚
大语言模型应用指南：从人工智能的起源到大语言模型
AI天才研究院
06-27 1354
人工智能（Artificial Intelligence，AI）自诞生以来，一直是计算机科学领域的重要研究方向。早期的AI系统主要依赖于专家知识和规则库，通过逻辑推理和符号计算来解决问题。然而，这种基于规则的系统在处理复杂和多变的现实世界时，表现出了明显的局限性。随着数据量的爆炸式增长和计算能力的提升，研究者们开始探索基于数据驱动的机器学习方法，尤其是深度学习（Deep Learning），从而引发了AI领域的革命性进展。
机器学习-随机森林解析
最新发布
m0_73426548的博客
03-06 256
1.通过组成多个弱学习器（决策树）形成一个学习器2.多样性增强：每颗决策树通过特征随机选择和样本随机抽样生成，降低模型之间的相关性，减少过拟合风险。
机器学习：线性回归，梯度下降,多元线性回归
weixin_44719499的博客
03-01 657
吴恩达机器学习:https://space.bilibili.com/46880349
【漫话机器学习系列】120.参数化建模（Parametric Modeling）
IT古董
03-05 701
在数据建模和机器学习中，参数化建模（Parametric Modeling）是一种广泛应用的建模方法。它通过假设一个函数形式来表达变量之间的关系，并估算该函数的参数，从而构建数学模型来拟合数据。参数化建模的方法在统计学、机器学习、计算机视觉、金融建模等领域都有重要应用。例如，线性回归、逻辑回归、神经网络等许多经典模型都属于参数化建模的范畴。
【手撕算法】K-Means聚类全解析：从数学推导到图像分割实战
qq_63911508的博客
03-01 484
聚类算法是探索数据内在结构的利器！本文手撕K-Means核心公式，结合Python代码实现与图像分割案例，详解：✅ 欧氏距离计算 ✅ 簇中心迭代更新 ✅ 肘部法则优化通过本文您已掌握：🔹 K-Means数学本质 🔹 手写实现关键代码 🔹 图像分割高级应用。
【实战篇】【深度解析DeepSeek：从机器学习到深度学习的全场景落地指南】
再见孙悟空的专栏
03-02 733
选模型就像选兵器——数据量小用SVM（瑞士军刀），结构化数据用XGBoost（屠龙刀），非结构化数据直接上深度神经网络（倚天剑）。无监督学习则是让AI自己找规律，比如电商平台用DeepSeek的聚类算法把用户分成"薅羊毛党"“品质控”"价格敏感型"等8大类，个性化推荐转化率飙升300%。更绝的是他们的半监督学习方案，只用10%标注数据就能达到全监督90%的准确率，省下百万级标注成本。全连接网络是基础款轿车，CNN是越野车（处理图像），RNN是房车（处理时序数据）。
动手学深度学习 v2 pdf
07-14
《动手学深度学习 v2》是一本介绍深度学习的教材，通过动手实践的方式帮助读者深入理解深度学习的理论和实践。这本书由李沐等人共同编写，内容包含了深度学习的基本概念、算法原理以及实际应用等方面。 这本书的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值