-
学习时长
十周/建议每周至少六小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
每章节设计作业/助教及时批改评优
开课倒计时:
天
时
分
秒
课程价格:
¥499.00
预约下一期 *课程已报满,可预约下一期
支持花呗分期
- 第1章: 深度学习简介
- 第1节: 人工智能、机器学习与深度学习的发展过程
- 第2节: 课程所需的数学与编程基础
- 第3节: 软硬件操作环境
- 第2章: 神经网络入门
- 第1节: 前馈神经网络及反向传播算法
- 第2节: 入门案例I:房价预测问题 (回归问题)
- 第3节: 入门案例II:手写数字分类问题(分类问题)
- 第4节: 欠拟合与过拟合
- 第5节: 模型稳定性与初始化
- 第3章: 卷积神经网络
- 第1节: 什么是卷积
- 第2节: 图像的二维卷积操作
- 第3节: 文本的一维卷积操作
- 第4节: 卷积模型的推导
- 第5节: 经典的卷积神经网络
- 第4章: 优化算法与参数调节
- 第1节: 优化对于模型收敛的重要性
- 第2节: 随机梯度下降与批量随机梯度下降
- 第3节: 常见的深度学习优化算法:AdaGrad, RMSProp, AdaDelta, Adam 算法
- 第5章: Pytorch框架介绍
- 第1节: 深度学习框架概览
- 第2节: Pytorch优势及其入门方法
- 第3节: 使用Pytorch完成一个项目需要的代码架构
- 第4节: 模型的检验与可视化方法
- 第6章: 深度学习在CV领域的应用
- 第1节: 实践I:图像分类
- 第2节: 实践II:目标检测
- 第7章: 循环神经网络
- 第1节: RNN思想
- 第2节: RNN推导
- 第3节: LSTM模型
- 第4节: GRU
- 第8章: 深度学习在NLP领域的应用
- 第1节: 实践I:文本分类
- 第9章: 注意力机制
- 第1节: Seq2Seq
- 第2节: 注意力网络原理
- 第3节: 记忆机制