〖课程介绍〗:
适用人群3 c& b }$ \3 s, J
所有人
" a$ T0 A( E6 `5 [5 x
课程概述
涵盖深度学习的主要各个核心模块，以及流行框架 TensorFlow和Keras, 以实战为核心，手把手带学员编程。本课程将用通俗易懂的语言已经相关项目给学校展示深度学习相关知识，让学员学以致用。废话不多说，直接看课程目录
〖课程目录〗:
章节1:课前准备
课时1课程内容安排与介绍05:59
课时2正确认识深度学习03:44
课时3环境安装04:208 o; C) G% b1 ~4 c0 ?* ^
课时4安装Keras和TensorFlow04:58
课时5常用深度学习辅助工具02:527 N5 f" L5 p7 x7 _ e$ z
章节2:衣物图片分类项目-TensorFlow和Keras
课时6最新版Tensorflow亮点06:28- i3 M. ]! X5 Y& L5 c8 P' k5 q8 n- `0 M
课时7深度学习开发流程03:19" E5 N2 D W5 R# Y2 X7 ~7 s
课时8感性认识神经网络05:21
课时9免费GPU06:06
课时10最新版anoconda安装深度学习库的问题03:48
课时11数据准备09:13
课时12数据预处理17:05) Y3 F/ m) c$ [* R
课时13模型构建与训练15:51! c" a5 {7 P# k1 @7 b* a
课时14模型调优与预测分析19:39
章节3:Tensorflow3 l7 ]; i* }2 I
课时15tensorflow概览07:173 K4 P3 S/ V' m/ Q2 m6 G
课时16tensorflow安装和版本介绍11:15
课时17张量(tesnor)和会话(session)08:08
课时18初识图和占位变量10:096 }' \) J: ]3 V4 T0 b l. \$ [1 m
课时19多节点图12:09
课时20多图创建08:20: h9 J5 u, Q( M! {3 P$ }3 t
课时21TensorFlow部分复盘05:51
课时22张量1-常量16:19
课时23张量2-向量与矩阵09:46* Z. s% u* W1 \+ w9 H9 `7 ]
课时24张量3-序列06:24
课时25基本预算与数据类型09:57
课时26Variable张量06:23
课时27Variable之二13:18* ~- o' e) p) }9 g' h+ _
课时28互动会话07:04
课时29占位变量08:375 A X* s/ F% w$ Q+ {: e$ V3 M
课时30懒加载03:11
章节4:TensorFlow续篇. L. T) m7 g! C
课时31人均寿命预测小项目08:59" N1 |% `2 U9 f, ~8 m/ p8 G6 v: C& M
课时32构建回归模型17:02# e1 r( \+ x: m
课时33可视化预测结果06:30
课时34底层API版逻辑回归-MNIST12:129 U1 x$ T. v3 A% @. K/ c
课时35高层API版逻辑回归-MNIST07:47& o5 M' J0 D% b6 s, A$ }; |
课时36梯度递减算法05:47
课时37实时执行（渴望执行）09:179 T4 W7 r1 D1 ]- @/ Y2 g
课时38GPU与CUDA09:30: C% c, u+ U* [5 Y+ i! I0 J
课时39深度学习开发箱与易用机器人13:076 H& H7 _* O& d2 L, p. `4 T
章节5:Tensorflow续篇2-卷积网络( u6 Y8 ^% h, w
课时40神经网络和神经元09:11$ E- R& f, ?3 u$ _# o* L
课时41卷积网络之一06:08
课时42卷积网络之二10:09
课时43TF卷积网络函数细讲07:35
课时44TF卷积网络底层AP列子13:59$ ?4 W) n6 x/ A9 s3 j; l) [
章节6:动物分类-Tensorflow
课时45数据介绍06:03* _! R$ |, x7 l# f0 c5 r
课时46分离训练与测试集11:34' ]/ g1 k: R8 F) V" |0 \
课时47加载本地数据集18:07
课时48Keras与TensorFlow11:437 w$ l! K6 Y, H" L. }9 G
课时49构建卷积网络模型之一15:50
课时50构建卷积网络模型之二09:56
课时51训练模型06:21
课时52可视化学习曲线04:57% {3 X/ o9 w9 ^1 ]' l
课时53模型预测16:19! t b# o5 T+ y0 V
课时54准确度与提高方法04:52
课时55数据扩增之一22:450 w3 T* n* ~0 \
课时56数据扩增之二10:52; H) M! a! ?6 C! F" _( b' x Q
课时57数据扩增之三08:01/ d0 O6 h7 c6 @# r* Y3 G
课时58模型调优与项目总结13:46+ H4 h P" z2 i3 h& U5 ]' @; c+ Y
章节7:经典深度学习架构与迁移学习# I4 ]/ u& j- Z: J, _. ~0 r7 y
课时59VGG12:24' O5 i% y" ]' c7 E* Y
课时60迁移学习之一13:21
课时61迁移学习之二13:21" O: |( E9 e3 k( m1 ^# F; c
课时62AlexNet和Inception13:23- B% O, S3 G$ G3 T. k! f0 ?
课时63ResNet和InceptionResNet11:27
课时64DenseNet06:10
课时65MobileNet08:14
课时66Keras另外一种代码07:19
章节8:递归神经网络' O" {' |8 f5 N0 r/ L. G1 L- q
课时67RNN 递归神经网络08:548 `* k8 ~9 |+ V
课时68LSTM与GRU09:52+ q1 [4 S! h @+ f3 M# J
课时69双向递归神经网络07:25
课时70北京市PM2.5预测10:45: Y" \" k" j" G7 Y6 z* O3 K, }# U
章节9:拓展内容4 _0 K K, } U
课时71对象监测与识别07:49+ Z3 S2 B& c" Y1 s. ~$ r
课时72RCNN和YOLO04:35+ v0 h. P" ?2 o* g5 d
课时73对象监测与识别相关源代码06:38
课时74姿势识别07:10
课时75图像切割06:46/ _" c% _0 @, b8 D4 x
课时76GAN生成对抗网络06:07
课时77结束语和未来学习建议07:48
|
