- 本课程为精品课，您可以登录eeworld继续观看：
- BERT预训练
- 继续观看
课时1：预告
课时2：课程安排
课时3：深度学习介绍
课时4：安装
课时5：数据操作 + 数据预处理
课时6：线性代数
课时7：矩阵计算
课时8：自动求导
课时9：线性回归 + 基础优化算法
课时10：Softmax 回归 + 损失函数 + 图片分类数据集
课时11：多层感知机 + 代码实现
课时12：模型选择 + 过拟合和欠拟合
课时13：权重衰退
课时14：丢弃法
课时15：数值稳定性 + 模型初始化和激活函数
课时16：实战：Kaggle房价预测 + 课程竞赛：加州2020年房价预测
课时17：PyTorch 神经网络基础
课时18：使用和购买 GPU
课时19：预测房价竞赛总结
课时20：卷积层
课时21：卷积层里的填充和步幅
课时22：AutoGluon背后的技术
课时23：卷积层里的多输入多输出通道
课时24：池化层
课时25：经典卷积神经网络 LeNet
课时26：深度卷积神经网络 AlexNet
课时27：使用块的网络 VGG
课时28：网络中的网络 NiN
课时29：含并行连结的网络 GoogLeNet - Inception V3
课时30：批量归一化
课时31：残差网络 ResNet
课时32：ResNet为什么能训练出1000层的模型
课时33：第二部分完结竞赛：图片分类
课时34：深度学习硬件：CPU 和 GPU
课时35：深度学习硬件：TPU和其他
课时36：单机多卡并行
课时37：多GPU训练实现
课时38：分布式训练
课时39：数据增广
课时40：微调
课时41：第二次竞赛 树叶分类结果
课时42：实战 Kaggle 比赛：图像分类（CIFAR-10）
课时43：实战 Kaggle 比赛：狗的品种识别（ImageNet Dogs）
课时44：物体检测和数据集
课时45：锚框
课时46：树叶分类竞赛技术总结
课时47：物体检测算法：R-CNN，SSD，YOLO
课时48：SSD实现
课时49：语义分割和数据集
课时50：转置卷积
课时51：转置卷积是一种卷积
课时52：全连接卷积神经网络FCN
课时53：样式迁移
课时54：课程竞赛：牛仔行头检测
课时55：序列模型
课时56：文本预处理
课时57：语言模型
课时58：循环神经网络RNN
课时59：循环神经网络RNN的实现
课时60：门控循环单元（GRU）
课时61：长短期记忆网络（LTSM）
课时62：深层循环神经网络
课时63：双向循环神经网路
课时64：机器翻译数据集
课时65：编码器-解码器架构
课时66：序列到序列学习（seq2seq）
课时67：束搜索
课时68：注意力机制
课时69：注意力分数
课时70：使用注意力机制的seq2seq
课时71：自注意力
课时72：Transformer
课时73：BERT预训练
课时74：BERT微调
课时75：目标检测竞赛总结
课时76：优化算法
课时77：课程总结和进阶学习
课程介绍共计77课时，19小时46分51秒
