首页

投稿

【157全集】全网公认最适合入门深度学习的鱼书！《深度学习入门：基于Python的理论与实现》

8283

1

2026-07-11 17:48:38

视频相关 zi 料可以在gong 重号【Abner说Ai】回复【12】无偿自取

深度学习入门

AI码农CC 发消息

大家好！我是CC,分享自己所学习的知识，希望对大家有所帮助！

1课程简介

01:28

2 本集内容简介

01:12

3什么是机器学习

03:33

4机器学习中的基本概念

03:35

5有监督学习的一般流程

01:08

6机器学习算法的分类

07:59

7需要哪些数学知识

02:13

8导数

07:14

9高阶导数

00:39

10导数与函数的性质

02:11

11一元函数极值判别法则

01:52

12一元函数泰勒展开

01:33

13向量及其运算

06:36

14向量的范数

01:41

15矩阵及其运算

13:12

16特征值与特征向量

02:57

17偏导数

01:36

18高阶偏导数

01:02

19 梯度

01:08

20雅克比矩阵

03:09

21Hessian矩阵

04:04

22多元函数极值判别法则

02:23

23多元函数泰勒展开

02:27

24 随机事件与概率

02:19

25随机事件的独立性

01:02

26 随机变量

04:25

27本集简介

02:55

28神经网络的思想起源

08:30

29神经元的原理

03:04

30sigmoid激活函数

04:02

31神经网络结构

08:58

32正向传播算法

04:08

33神经网络的本质

01:07

34怎样用于实际问题

02:46

35手写数字图像分类

02:35

36人脸关键点定位

01:48

37反向传播算法简介

03:35

38正向传播算法回顾

03:08

39目标函数

04:57

40欧氏距离损失函数的导数

01:40

41 链式法则

01:31

42几个重要的求导公式

16:40

43求导的整体思路

00:55

44计算权重和偏置的梯度

01:33

45完整的算法

02:02

46反向传播算法总结

01:19

47工程实现问题

01:45

48本集总结

01:22

49本集内容简介

01:21

50实验环节

04:50

51理论层面的解释

00:30

52万能逼近定理

07:28

53与动物神经系统的比较

02:39

54实现细节问题

01:16

55 输入值与输出值的设定

03:51

56网络的规模

03:28

57激活函数

04:26

58激活函数的深入解释

03:28

59损失函数

05:00

60交叉熵损失函数的深入解释

03:10

61参数初始化策略

02:31

62正则化

02:12

63学习率的设定

04:17

64挑战与改进措施

00:48

65梯度消失问题

04:02

66退化问题

01:35

67局部极值问题

01:01

68鞍点问题

01:29

69神经网络损失函数的曲面

00:47

70实际应用

00:49

71本集总结

00:56

72本集内容简介

01:25

73机器学习面临的挑战

02:56

74机器学习算法的瓶颈

02:24

75为什么选择了神经网络

03:19

76深层神经网络训练的困难

00:59

77深度学习的基本思路

01:50

78深度学习得以发展的因素

03:28

79典型的网络结构

02:36

80深度学习的发展现状

03:12

81在机器视觉中的应用

02:41

82在语音识别中的应用

00:36

83 在推荐系统中的应用

00:41

84深度强化学习

02:49

85本集总结

01:27

86 本集内容简介

01:26

87自动编码器的基本思想

02:16

88 网络结构

04:51

89损失函数

01:08

90用于特征提取

01:00

91去噪自动编码器

02:18

92自动编码器

02:35

93收缩自动编码器

01:48

94多层自动编码器

03:19

95本集总结

00:58

96本集内容简介

02:43

97 网络结构

07:02

98计算隐藏单元的条件概率

06:46

99 计算单个隐藏单元的值

02:37

100 用于特征提取

01:51

101 训练算法

02:57

102 深度玻尔兹曼机

01:31

103 本集总结

01:52

104本集简介

02:28

105 卷积神经网络简介

03:47

106卷积神经网络的核心思想

02:37

107多通道卷积

02:58

108池化层的原理

06:07

109全连接层

00:56

110训练算法简介

03:44

111池化层的反向传播

05:53

112全连接层的反向传播

00:37

113完整的反向传播实现

04:12

114随机梯度下降法

07:22

115参数初始化

01:52

116学习率的设定

02:17

117梯度下降法的改进思路

02:32

118动量项梯度下降法

04:04

119AdaGrad算法

04:14

120RMSProp算法

02:04

121AdaDelta算法

02:31

122Adam算法

01:20

123梯度下降法的改进脉络

02:39

124迁移学习与fine tune

02:31

125本集总结

02:05

126本集简介

01:51

127LeNet网络简介

02:16

128LeNet网络的结构

05:49

129AlexNet网络简介

02:54

130AlexNet网络的主要改进点

05:22

131VGG网络简介

02:18

132VGG网络的结构

02:05

133GoogLetNet网络简介

03:48

134.1x1卷积

04:09

135使用1x1卷积进行通道降维的Inception模块

02:23

136 反卷积

08:38

137用反卷积实现卷积层可视化

04:35

138卷积神经网络的数学特性

01:08

139根据卷积结果重构图像

03:31

140本集总结

01:15

141 本集简介

01:18

142面临的挑战与改进措施

01:58

143梯度消失问题

03:50

144退化问题

02:03

145总体改进思路

00:31

146卷积层的改进

04:19

147.1x1卷积

01:15

148用矩阵乘法实现卷积

08:41

149池化层的改进

00:57

150损失函数的改进

03:16

151网络结构的改进

00:42

152高速公路网络

05:12

153残差网络

04:50

154残差网络的分析

09:37

155全卷积网络

02:01

156多尺度融合

01:32

157本集总结

00:57

顶部