Berkeley深度神经网络设计、可视化与理解-学习资料
Berkeley深度神经网络设计、可视化与理解课程,内容覆盖卷积网络、计算机视觉、可视化、风格迁移、RNN、seq2seq、Transformer、模仿学习、梯度策略、Actor Critic、Q-Learning、生成模型、GAN、元学习等

关键词标签: Berkeley, 卷积网络, 计算机视觉, 可视化, 风格迁移, RNN, seq2seq, Transformer, 模仿学习, 梯度策略, Q-Learning, 生成模型, GAN, 元学习

课程介绍

CS W182/282A是全球顶校UC Berkeley开设的AI专项课程,课程以深度学习典型方法、模型设计、可视化与模型理解为主题,讲解了自然语言处理、计算机视觉、强化学习等领域的AI模型全域知识。

课程内容覆盖 卷积网络、计算机视觉、可视化、风格迁移、循环神经网络、序列到序列、Transformer、NLP、模仿学习、梯度策略、Actor Critic、Q-Learning、生成模型、GAN、元学习 等领域知识。


课时编号 课时内容
第1讲 介绍
第2讲 机器学习基础
第3讲 错误分析
第4讲 优化
第5讲 反向传播
第6讲 卷积神经网络
第7讲 初始化、批量归一化
第8讲 计算机视觉
第9讲 可视化和风格迁移
第10讲 循环神经网络
第11讲 序列到序列
第12讲 Transformers
第13讲 NLP应用
第14讲 模仿学习
第15讲 梯度策略
第16讲 Actor Critic和 Q 学习
第17讲 生成模型
第18讲 潜在变量模型
第19讲 GAN
第20讲 对抗样本与攻击
第21讲 元学习

ShowMeAI课程解读:全套资料

更多技术与课程清单 | 点击查看详细课程

技术方向 课程及链接
计算机数学基础 MIT-计算机科学的数学基础
辛辛那提大学-微积分I
辛辛那提大学-微积分II
辛辛那提大学-离散数学
斯坦福-线性代数与矩阵方法导论
计算机科学导论 斯坦福-计算机科学导论
哈佛-计算机科学导论
MIT-计算机科学与Python编程导论
数据结构与算法 MIT-数据结构与算法设计
马里兰大学-数据结构
数据库 CMU-数据库系统导论
CMU-数据库系统进阶
机器学习及应用 斯坦福CS229
MIT-机器学习导论
深度学习及应用 斯坦福CS230
哈佛-Python人工智能入门
MIT-深度学习导论
李宏毅-机器学习(&深度学习)
应用深度学习(全知识点覆盖)
UC Berkeley-深度神经网络设计、可视化与理解
威斯康星-深度学习和生成模型导论
UC Berkeley-全栈深度学习训练营
自然语言处理 斯坦福CS224n(深度学习与NLP)
斯坦福CS124(从语言到信息)
斯坦福CS520(知识图谱)
马萨诸塞-自然语言处理进阶
计算机视觉 斯坦福CS231n(深度学习与CV)
密歇根eecs498(CS231n进阶课)
慕尼黑工大adl4cv(深度学习与CV高阶课)
多模态 CMU-多模态机器学习
图机器学习 斯坦福CS224w
强化学习 斯坦福CS234(强化学习)
伯克利CS285(深度强化学习)
无监督学习 伯克利CS294-158(深度无监督学习)
AI与生物医疗 MIT-面向生命科学的深度学习
MIT-基因组学机器学习
MIT-医疗机器学习
图形学与几何 CMU-计算机图形学
AMMI-几何深度学习
其他课程 哈佛-基于Python/JavaScript的web编程
MIT-计算思维导论(Julia)
end
*****
本文作者 韩信子
欢迎关注微信公众号 ShowMeAI研究中心 获取更多资源!