响木课堂-响木SVIP目录-【待整理】合集/待整理7/19694---从零学神经网络和深度学习-节数【65】

主页/【待整理】合集/待整理7/19694---从零学神经网络和深度学习-节数【65】/

001.第1节，多元函数和偏导数.mp4
002.第2节，多元函数求极值.mp4
003.第3节，Python开发环境的搭建.mp4
004.第4节，绘制美观的数学函数.mp4
005.第5节，多元函数图像的绘制.mp4
006.第6节，Pytorch框架和张量.mp4
007.第7节，梯度的数学原理和性质.mp4
008.第8节，梯度下降算法的原理.mp4
009.第9节，一元函数的梯度下降.mp4
010.第10节，梯度下降的迭代速率.mp4
011.第11节，Pytorch自动计算偏导数.mp4
012.第12节，SGD、Adam和LBFGS优化器.mp4
013.第13节，什么是线性回归.mp4
014.第14节，数据集和特征的表示.mp4
015.第15节，一元线性回归模型.mp4
016.第16节，深入理解MSE均方误差.mp4
017.第17节，线性回归的代价函数.mp4
018.第18节，一元线性回归的求解方法.mp4
019.第19节，基于numpy实现线性回归.mp4
020.第20节，什么是多元线性回归.mp4
021.第21节，特征缩放和归一化.mp4
022.第22节，Pytorch实现线性回归.mp4
023.第23节，矩阵的基本概念和运算.mp4
024.第24节，单位矩阵和求解逆矩阵.mp4
025.第25节，使用矩阵表示线性回归.mp4
026.第26节，最小二乘法及其推导.mp4
027.第27节，Python实现最小二乘法.mp4
028.第28节，什么是逻辑回归模型.mp4
029.第29节，二分类问题的决策边界.mp4
030.第30节，二元交叉熵损失函数.mp4
031.第31节，梯度下降求解逻辑回归.mp4
032.第32节，Python实现逻辑回归.mp4
033.第33节，Pytorch实现逻辑回归.mp4
034.第34节，多分类和softmax回归.mp4
035.第35节，多分类中的交叉熵误差.mp4
036.第36节，Pytorch实现softmax回归.mp4
037.第37节，softmax回归的数学原理.mp4
038.第38节，Python实现softmax回归.mp4
039.第39节，从逻辑回归到神经网络.mp4
040.第40节，神经网络的背景和概念.mp4
041.第41节，激活函数的原理和设计.mp4
042.第42节，神经网络的非线性特性.mp4
043.第43节，绘制美观的神经网络.mp4
044.第44节，神经网络的表示和计算.mp4
045.第45节，矩阵表示前向传播算法.mp4
046.第46节，Python实现前向传播.mp4
047.第47节，神经网络的代价函数.mp4
048.第48节，神经网络模拟正弦函数.mp4
049.第49节，神经网络解决多分类问题.mp4
050.第50节，小批量梯度下降算法.mp4
051.第51节，神经网络和手写数字识别.mp4
052.第52节，训练手写数字识别模型.mp4
053.第53节，什么是卷积神经网络.mp4
054.第54节，卷积层中的卷积运算.mp4
055.第55节，图像的边缘检测.mp4
056.第56节，如何训练一个卷积核.mp4
057.第57节，卷积运算的填充和步幅.mp4
058.第58节，什么是特征图和感受野.mp4
059.第59节，特征图的可视化实验.mp4
060.第60节，卷积神经网络的结构.mp4
061.第61节，卷积神经网络的特点.mp4
062.第62节，多通道输入、输出和批量操作.mp4
063.第63节，卷积神经网络的池化层.mp4
064.第64节，卷积神经网络的全连接层.mp4
065.第65节，使用LeNet5实现图像分类.mp4

Copyright © All rights reserved.

信息加载中,请等待...