Datawhale X 李宏毅苹果书 AI夏令营 第五期 跟李宏毅学深度学习(入门) （选修）《深度学习详解》- 3.6 分类&损失函数(4页+19分钟).pdf

已于 2024-08-23 01:30:48 修改
阅读量375 收藏 9
点赞数 3
文章标签： 深度学习 笔记 人工智能 学习
于 2024-08-23 01:17:52 首次发布
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/sinat_22627877/article/details/141441319
版权

3.6 分类分类与回归是深度学习最常见的两种问题，第一章的观看次数预测属于回归问题，本节将介绍分类问题。3.6.1 分类与回归的关系

bianwencyy
关注
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
08-24
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
大神！李宏毅课程集结成《深度学习详解》出版！
2401_85379281的博客
08-16 690
注意的是，本书并不是直接将视频讲解转换成文字，而是提炼出核心知识点，并进行了筛选和优化，使得原本晦涩的深度学习知识变得更加易于消化，为初学者提供了一条清晰的学习路径。李宏毅教授的“机器学习”课程以平易近人的语言和生动的实例，帮助学习者在轻松愉快的氛围中掌握机器学习的核心概念，为全球的学习者开启了智能时代的知识大门。本书通过丰富生动的案例深入浅出地讲解了深度学习理论，书中涵盖了经典的深度学习算法以及前沿的生成式人工智能算法，既适合初学者入门，也适合有一定基础的研究者查漏补缺，是一本不可多得的深度学习佳作。
《理解深度学习》2023最新版本+习题答案册pdf
学姐带你玩AI的博客
10-09 1415
刚入门深度学习或者觉得学起来很困难的同学看过来了，今天分享的这本深度学习教科书绝对适合你。就是这本已在外网获13.1万次下载的宝藏教科书。本书由巴斯大学计算机科学教授Simon J.D. Prince撰写，全书共541页，目前共有21章，内容还在不断更新。书籍+答案册文末获取。
深度学习必读佳作：《LeeDL Tutorial 深度学习详解》附PDF
2401_85375298的博客
08-24 2019
GitHub上持续火爆的《LeeDL-Tutorial》项目，一发布就迅速获得了11.4K的星星！这个项目基于李宏毅老师“机器学习”课程，课程全网超过百万播放量，如今Datawhale新书**《深度学习详解》李宏毅、杨小康、周明、叶杰平、邱锡鹏** 5位人工智能领域大咖的推荐！李宏毅老师是台湾大学的资深教授，专攻机器学习、深度学习和语音识别与理解。让我们对他耳熟能详的莫过于他的**“机器学习” 课程**。这门课程在全网有数百万次播放量，并以三个特性脱颖而出，成为众多新手小白学深度学习的入门宝典。
深度学习-LeCun、Bengio和Hinton的联合综述
csyhhb的专栏
06-02 2759
摘要：最新的《Nature》杂志专门为“人工智能 + 机器人”开辟了一个专题 ，发表多篇相关论文，其中包括了LeCun、Bengio和Hinton首次合作的这篇综述文章“Deep Learning”。本文为该综述文章中文译文的上半部分。 【编者按】三大牛Yann LeCun、Yoshua Bengio和Geoffrey Hinton在深度学习领域的地位无人不知。为纪念人工智能提出60周年
(整书pdf)(鱼书)深度学习入门：基于Python的理论和实现
2303_80018785的博客
03-30 2848
它介绍了如何使用Python和NumPy来实现深度学习算法，如何进行参数的更新和优化，以及如何进行超参数的验证。通过阅读这本书，读者可以学习到深度学习的基础知识，掌握实现深度学习网络的技能，并了解该领域的最新研究动态和应用前景。全书内容涵盖了深度学习和神经网络的基础知识，特征，误差反向传播法，卷积神经网络（CNN）的应用，以及学习相关的实用技巧。此外，书中还包含了一些应用案例，如物体检测、图像分割、图像标题的生成，以及深度学习在自动驾驶等方面的潜在应用。以下是蓝奏云网盘链接。
Datawhale X 李宏毅苹果书 AI夏令营 入门班选修3
09-03
结果prediction
Datawhale X 李宏毅苹果书 AI夏令营 进阶班 选修笔记
09-03
运行结果
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
08-26
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
对比学习训练是如何进行的
qq_45809323的博客
09-25 567
对比学习（Contrastive Learning）是一种自监督学习的方法，旨在通过拉近相似样本的表示、拉远不相似样本的表示来学习特征表示。在训练过程中，模型并不依赖标签，而是通过样本之间的相似性进行学习。
深度学习：（八）深层神经网络参数与流程
qq_51409113的博客
09-27 1154
简单介绍了深层神经网路的参数和流程图
从0开始深度学习（6）——Pytorch动态图机制（前向传播、反向传播）
立志成为炼丹师？
09-27 1059
PyTorch 的动态计算图机制是其核心特性之一，它使得深度学习模型的开发更加灵活和高效。
深度学习常见术语介绍
最新发布
Tunny_one
09-28 404
深度学习常见术语介绍
【研1深度学习】《神经网络和深度学习》阅读笔记(记录中......
m0_52427832的博客
09-27 922
θt1​θt​−α∂θ∂RD​θ​α。
《深度学习》—— 神经网络中的数据增强
weixin_73504499的博客
09-24 1306
神经网络中的数据增强是一种通过增加训练数据的多样性和数量来提高模型泛化能力的技术。在神经网络训练过程中，尤其是在数据集较小的情况下，模型容易出现过拟合问题，即模型在训练数据上表现良好，但在未见过的数据上表现不佳。数据增强技术通过对原始数据进行一系列变换，生成新的数据样本，从而有效缓解这一问题。
【深度学习】（8）--神经网络使用最优模型
m0_74896766的博客
09-26 1104
本篇介绍了： 如何使用保存好的最优模型 加载模型的两种方法：1.加载模型状态字典；2.加载整个模型实例 注意：两种方法都需要提前定义神经网络结构。
《深度学习》ResNet残差网络、BN批处理层 结构、原理详解
wx_AHao1004Y的博客
09-25 1307
ResNet（Residual Neural Network）是一种深度卷积神经网络结构，由Kaiming He等人在2015年提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集中目标检测第一名，图像分割第一名。它通过使用残差块（Residual Block）来克服深度神经网络训练中的梯度消失等问题，使得网络可以更深地进行训练。
【深度学习基础模型】递归神经网络 (Recurrent Neural Networks, RNN) 详细理解并附实现代码。
985小水博的摸鱼日常
09-25 1935
递归神经网络 (Recurrent Neural Networks, RNN)学习笔记！
[深度学习]循环神经网络RNN
Letmooning的博客
09-27 397
【代码】[深度学习]循环神经网络。
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