应用深度学习(全知识点覆盖)-学习资料
应用深度学习(全知识点覆盖)课程,内容覆盖深度学习、计算机视觉、自然语言处理、强化学习等

关键词标签: 深度学习, 计算机视觉, 自然语言处理, 强化学习

课程介绍

Applied Deep Learning是目前全网知识点覆盖最全的深度学习课程之一,从深度学习诞生至今,涉及的各领域(深度学习模型结构研究、自然语言处理、计算机视觉、强化学习、图神经网络)的典型模型,都有逐步的展开和讲解。

跟随课程的学习,我们可以看到研究界的创新和思考过程,模型的迭代和优化过程,对于深度学习的各类模型和典型应用,有全面充分的理解。

课程内容覆盖很广,我们在B站的视频,又把它拆分成了三小门课程,分别覆盖 计算机视觉、自然语言处理、强化学习与图神经网络等领域。


课时编号 课时内容
第1.1讲 深度学习概述
第1.2讲 梯度下降算法
第2.1讲 梯度下降算法
第2.2讲 AlexNet
第3.1讲 随机失活dropout
第3.2讲 Network in Network
第4.1讲 Network in Network
第4.2讲 VGG-16和VGG-19
第4.3讲 GoogLeNet
第5.1讲 GoogLeNet
第5.2讲 批标准化
第6.1讲 批标准化
第6.2讲 Kaiming参数初始化
第7.1讲 Kaiming参数初始化
第7.2讲 Inception-V3
第8.1讲 Inception-V3
第8.2讲 resnet
第9.1讲 恒等映射
第9.2讲 宽残差网络
第10.1讲 ResNeXt
第10.2讲 DenseNet
第10.3讲 Inception-V4
第11.1讲 压缩与激活
第12.1讲 Spatial Transformer Networks
第13.1讲 胶囊网络
第14.1讲 小型神经网络
第14.2讲 知识蒸馏
第15.1讲 知识蒸馏
第15.2讲 深度压缩
第16.1讲 深度压缩
第17.1讲 SqueezeNet
第17.2讲 XNOR网络
第18.1讲 XNOR网络
第18.2讲 MobileNets
第19.1讲 MobileNets
第19.2讲 Xception
第19.3讲 MobileNetV2
第19.4讲 ShuffleNet
第20.1讲 NASNet
第20.2讲 AmoebaNet-A
第21.1讲 EfficientNet
第21.2讲 对抗学习示例
第22.1讲 对抗学习示例
第22.2讲 快速梯度符号方法
第23.1讲 Breaking Defensive蒸馏
第23.2讲 稳健优化
第24.1讲 稳健优化
第24.2讲 单像素攻击
第25.1讲 单像素攻击
第25.2讲 CNN可视化与理解
第26.1讲 LIME
第26.2讲 类激活图
第27.1讲 类激活图
第27.2讲 有限样本表示性
第28.1讲 有限样本表示性
第28.2讲 Grad-CAM
第28.3讲 迁移学习
第29.1讲 DeCAF
第29.2讲 卷积神经网络特征解析
第29.3讲 全卷积网络
第30.1讲 全卷积网络
第30.2讲 U-Net
第30.3讲 DeepLab
第31.1讲 DeepLab
第31.2讲 扩张卷积
第32.1讲 扩张卷积
第32.2讲 SegNet
第32.3讲 金字塔场景解析网络
第32.4讲 DeepLabv3+
第33.1讲 超分辨率卷积神经网络
第33.2讲 Perceptual损失
第33.3讲 单图像超分辨率
第33.4讲 去噪卷积神经网络
第34.1讲 平均精度(mAP)
第34.2讲 R-CNN
第35.1讲 空间金字塔池化
第35.2讲 Fast R-CNN
第36.1讲 Faster R-CNN
第36.2讲 R-FCN
第37.1讲 特征金字塔网络
第37.2讲 Mask R-CNN
第38.1讲 OverFeat
第38.2讲 YOLO
第39.1讲 SSD
第39.2讲 YOLO9000
第40.1讲 Focal Loss
第40.2讲 YOLOv3
第40.3讲 视频分类
第41.1讲 视频中的动作识别
第41.2讲 三维卷积网络
第41.3讲 Inflated 3d ConvNet(I3D)
第42.1讲 非局部神经网络
第42.2讲 组归一化
第43.1讲 PointNet
第43.2讲 PointNet++
第43.3讲 动态图形卷积网络(DGCNN)
第44.1讲 Word2Vec
第45.1讲 Word2Vec
第46.1讲 Word2vec
第46.2讲 GloVe
第47.1讲 子词模型
第48.1讲 递归深度模型
第48.2讲 用于句子分类的CNN
第49.1讲 用于句子分类的CNN
第49.2讲 Doc2vec
第49.3讲 基于CNNs的文本分类
第50.1讲 FastText
第50.2讲 层次注意力网络
第51.1讲 命名实体识别
第51.2讲 ULMFIT
第52.1讲 神经机器翻译
第52.2讲 序列到序列建模(seq2seq)
第53.1讲 短语表征
第53.2讲 Gated Recursive CNN
第53.3讲 基于注意力的神经机器翻译
第54.1讲 基于注意力的神经机器翻译
第54.2讲 字节对编码(BPE)
第55.1讲 谷歌神经机器翻译系统
第55.2讲 卷积序列到序列模型
第56.1讲 Transformer
第56.2讲 Reformer
第57.1讲 ELMo
第57.2讲 GPT-1
第57.3讲 BERT
第58.1讲 BERT
第58.2讲 GPT-2
第58.3讲 ALBERT
第58.4讲 ALBERT
第59.1讲 Transformer-XL
第59.2讲 XLNet
第60.1讲 跨语种语言模型
第60.2讲 GPT-3
第60.3讲 视觉识别与描述
第61.1讲 视觉识别与描述
第61.2讲 看图说话
第61.3讲 视觉语义对齐
第62.1讲 视觉语义对齐
第62.2讲 Show, Attend and Tell看图说话
第63.1讲 Show, Attend and Tell看图说话
第63.2讲 层标准化
第63.3讲 视觉问答
第63.4讲 DALL-E
第64.1讲 变分自动编码器
第64.2讲 生成对抗网络
第64.3讲 条件GAN
第65.1讲 DCGANs
第65.2讲 Inception Score
第65.3讲 Vaes Versus GANs
第66.1讲 Inception Score
第66.2讲 InfoGAN
第66.3讲 上下文编码器
第67.1讲 最小二乘GAN
第67.2讲 Pix2pix
第67.3讲 Cycle-Consistent GAN
第67.4讲 Wasserstein GAN
第68.1讲 Wasserstein GAN
第68.2讲 基于GAN的单图像超分辨率变换
第68.3讲 梯度惩罚
第69.1讲 离散数据的GAN
第69.2讲 GAN的渐进学习
第69.3讲 Frechet Inception Distance ( FID )
第70.1讲 谱归一化
第70.2讲 Pix2pixHD
第70.3讲 BigGANs
第71.1讲 StyleGan
第71.2讲 自注意力生成对抗网络
第71.3讲 StarGAN
第72.1讲 Mel谱图与MFCCs
第72.2讲 CTC算法
第73.1讲 语音识别
第73.2讲 GRU模型
第73.3讲 期望转录损失
第74.1讲 CTC集束搜索
第74.2讲 Deep Speech
第74.3讲 WaveNet
第75.1讲 WaveNet
第75.2讲 长短时记忆
第75.3讲 Deep Speech 2
第75.4讲 SpecAugment
第76.1讲 Listen, Attend, and Spell
第76.2讲 Jasper & NovoGrad
第76.3讲 Wav2vec 2.0
第77.1讲 深度Q学习
第77.2讲 人体水平控制
第77.3讲 深确定性策略梯度
第78.1讲 深确定性策略梯度
第78.2讲 信赖域策略优化
第79.1讲 信赖域策略优化
第79.2讲 AlphaGo
第80.1讲 共轭梯度法
第80.2讲 RL算法大全
第80.3讲 A3C算法
第80.4讲 深度学习中的模型不确定性
第81.1讲 双Q学习
第81.2讲 自动驾驶汽车的端到端学习
第81.3讲 深层视觉运动策略
第82.1讲 AlphaGo Zero
第82.2讲 AlphaZero
第82.3讲 近端策略优化
第82.4讲 Model-Agnostic Meta-Learning
第83.1讲 Model-Agnostic Meta-Learning
第83.2讲 Visual Serving
第83.3讲 Soft Actor-Critic算法
第84.1讲 DeepWalk算法
第84.2讲 LINE模型
第84.3讲 node2vec
第84.4讲 图卷积网络
第85.1讲 图卷积网络
第85.2讲 快速局部化光谱滤波
第85.3讲 GraphsAGE
第85.4讲 图注意力网络
第85.5讲 图同构网络

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!