【加密】JM003 – 深度学习工程师（实战）[10.9G]

【加密】JM003 – 深度学习工程师（实战）[10.9G]

┣━━00.试看 [856.4M]
┃ ┣━━章节1课时2神经网络基础.mp4 [186.9M]
┃ ┣━━章节2课时4卷积神经网络.mp4 [187.4M]
┃ ┗━━章节3课时6目标检测.mp4 [482.2M]
┣━━01.Ai工具库与应用 [2.5G]
┃ ┣━━01.第一章 Caffe 工具库 [474.4M]
┃ ┃ ┣━━1.1 本章概述.vep [10.1M]
┃ ┃ ┣━━1.2 caffe 工具库简介.vep [12.7M]
┃ ┃ ┣━━1.3 caffe 工具库架构与设计解析.vep [216.5M]
┃ ┃ ┣━━1.4 使用caffe 完成神经网络训练操作步骤.vep [28.3M]
┃ ┃ ┣━━1.5 使用caffe 完成自己数据集上的图像分类.vep [183.3M]
┃ ┃ ┗━━1.6 使用caffe 工具库抽取图像特征.vep [23.5M]
┃ ┣━━02.第二章 Keras 工具库 [579.9M]
┃ ┃ ┣━━2.1 本章概述.vep [15M]
┃ ┃ ┣━━2.2 keras 工具库简介.vep [59.7M]
┃ ┃ ┣━━2.3 keras 序贯模型使用方法详解.vep [84.8M]
┃ ┃ ┣━━2.4 keras 函数式模型使用方法详解.vep [72.8M]
┃ ┃ ┣━━2.5 keras多层感知器.vep [88.5M]
┃ ┃ ┣━━2.6 keras卷积神经网络.vep [128.4M]
┃ ┃ ┣━━2.7 fine-tuning解决kaggle比赛.vep [39.4M]
┃ ┃ ┣━━2.8 rnn解决评论情感分析.vep [57.4M]
┃ ┃ ┗━━2.9 本章小结.vep [33.9M]
┃ ┣━━03.第三章 TensorFlow 工具库(上) [421.6M]
┃ ┃ ┣━━3.1 本章概述.vep [7.3M]
┃ ┃ ┣━━3.2 tensorflow 简介.vep [2.8M]
┃ ┃ ┣━━3.3 张量与计算图.vep [68M]
┃ ┃ ┣━━3.4 tensorflow low level api搭建模型.vep [114.8M]
┃ ┃ ┣━━3.5 使用tensorflow low level api完成多层感知器建模.vep [45.2M]
┃ ┃ ┣━━3.6 使用tensorflow low level api构建cnn lstm模型.vep [98.4M]
┃ ┃ ┣━━3.7 tensorboard可视化与模型状态评估.vep [75M]
┃ ┃ ┗━━3.8 本章小结.vep [10.1M]
┃ ┣━━04.第四章 TensorFlow 工具库(中) [472.1M]
┃ ┃ ┣━━4.1 本章概述.vep [3.1M]
┃ ┃ ┣━━4.2 tensorflow 高级api 简介.vep [4.5M]
┃ ┃ ┣━━4.3 tensorflow dataset 与数据高效读写.vep [112.1M]
┃ ┃ ┣━━4.4 基于tensorflow 高级api 的快速特征工程处理.vep [145.6M]
┃ ┃ ┣━━4.5 tensorflow高级api：dataset与estimator实战.vep [205.1M]
┃ ┃ ┗━━4.6 本章小结.vep [1.5M]
┃ ┣━━05.第五章 TensorFlow 工具库(下) [314.1M]
┃ ┃ ┣━━5.1 本章概述.vep [1.9M]
┃ ┃ ┣━━5.2 tensorflow 与自定义预估器.vep [146.7M]
┃ ┃ ┣━━5.3 基于tensorflow自定义cnn预估器.vep [63.1M]
┃ ┃ ┣━━5.4 基于tensorflow自定义rnn预估器.vep [98.9M]
┃ ┃ ┗━━5.5 本章小结.vep [3.5M]
┃ ┗━━06.第六章 Pytorch 工具库 [254.6M]
┃ ┣━━6.1 本章概述.vep [1.5M]
┃ ┣━━6.2 pytorch 工具库简介.vep [8.6M]
┃ ┣━━6.3 张量、梯度与自动求导.vep [59.8M]
┃ ┣━━6.4基于pytorch的基础模型搭建.vep [68.4M]
┃ ┣━━6.5基于pytorch的多层感知器搭建.vep [43.6M]
┃ ┣━━6.6基于pytorch的神经网络搭建.vep [56.4M]
┃ ┗━━6.7 本章小结.vep [16.3M]
┣━━02.深度学习在结构化数据上的应用 [2.3G]
┃ ┣━━第二章 深度学习在计算广告CTR 预估上的应用 [890.1M]
┃ ┃ ┣━━2.1 本章概述.vep [5.9M]
┃ ┃ ┣━━2.2 计算广告与ctr 预估问题.vep [100.7M]
┃ ┃ ┣━━2.3 ctr 预估的lr 与fm 解决思路.vep [109.4M]
┃ ┃ ┣━━2.4 使用tensorflow构建lr、fm完成ctr预估.vep [18.7M]
┃ ┃ ┣━━2.5 基于wide&deep model 的ctr 预估解决思路.vep [55.8M]
┃ ┃ ┣━━2.6 基于deepfm等新方法的ctr预估解决思路.vep [190.3M]
┃ ┃ ┣━━2.7 使用tensorflow 完成wide&deep 与deepfm 完成ctr 预估任务.vep [356.8M]
┃ ┃ ┗━━2.8 本章小结.vep [52.6M]
┃ ┣━━第三章 深度学习在新零售预估上的应用 [585.7M]
┃ ┃ ┣━━3.1 本章概述.vep [8.8M]
┃ ┃ ┣━━3.2 新零售销量预估问题.vep [31.8M]
┃ ┃ ┣━━3.3 新零售案例背景介绍与解决思路详解.vep [43.6M]
┃ ┃ ┣━━3.4 使用keras 快速构建深度学习模型解决便利店销量预估问题.vep [240M]
┃ ┃ ┣━━3.5 使用keras 快速构建深度学习模型解决连锁超市销量预估问题.vep [222.6M]
┃ ┃ ┗━━3.6 本章小结.vep [38.9M]
┃ ┗━━第一章 深度学习在电商推荐上的应用 [851.5M]
┃ ┣━━1.1 本章概述.vep [48.2M]
┃ ┣━━1.1 推荐系统问题.vep [10.2M]
┃ ┣━━1.2 推荐系统一般思路与评估方法.vep [98.6M]
┃ ┣━━1.3 典型深度学习解决方案：矩阵分解与隐语义模型.vep [123.8M]
┃ ┣━━1.4 典型深度学习解决方案：深度自编码器与神经网络协同过滤.vep [301.9M]
┃ ┣━━1.5 基于混合神经网络的youtube视频推荐.vep [200M]
┃ ┗━━1.6 本章小结.vep [68.9M]
┣━━03 应用：文本表征学习&文本分类 [868.8M]
┃ ┣━━第二章 卷积神经网络文本分类 [419.9M]
┃ ┃ ┣━━03-2.1 本章概述.vep [8.6M]
┃ ┃ ┣━━03-2.2 基于卷积神经网络的文本分类模型详解.vep [111.6M]
┃ ┃ ┣━━03-2.3 基于rnnlstm 的文本分类模型详解.vep [59.3M]
┃ ┃ ┣━━03-2.4 【实战】构建lstm模型完成影评打分分类.vep [174.8M]
┃ ┃ ┣━━03-2.5 【实战】使用cnn+lstm构建新闻分类文本模型.vep [58.2M]
┃ ┃ ┣━━03-2.6 本章小结.vep [5.7M]
┃ ┃ ┗━━第二章 卷积神经网络文本分类 PPT.pdf [1.7M]
┃ ┗━━第一章 词向量与词嵌入 [448.9M]
┃ ┣━━03-1.1 本章概述.vep [5M]
┃ ┣━━03-1.2 机器学习对于词的表示方法.vep [129.4M]
┃ ┣━━03-1.3 nnlm（neural network language model）模型.vep [49.8M]
┃ ┣━━03-1.4 word2vec 构建词向量.vep [51.2M]
┃ ┣━━03-1.5 【实战】使用keras 训练word2vec词向量及可视化.vep [200.8M]
┃ ┣━━03-1.6 本章小结.vep [11M]
┃ ┗━━第一章 词向量与词嵌入 PPT.pdf [1.6M]
┣━━04.应用：时间序列预测DL解决方案 [847.3M]
┃ ┗━━第一章 时间序列问题 [847.3M]
┃ ┣━━04-1.1 本章概述.vep [10.2M]
┃ ┣━━04-1.2 时间序列问题历史发展与facebook prophet.vep [131.1M]
┃ ┣━━04-1.3 使用lstm 与seq2seq 模型解决时间序列预测问题.vep [404.3M]
┃ ┣━━04-1.4 【实战】使用深度学习序列模型对环境污染(pm2.5) 预估.vep [67.5M]
┃ ┣━━04-1.5 【实战】使用深度学习构建序列预估模型预估未来销量.vep [187.2M]
┃ ┗━━04-1.6 本章小结.vep [47M]
┣━━05 应用：图像识别检测分割与检索 [1.3G]
┃ ┣━━第二章 物体检测与图像分割问题 [393.7M]
┃ ┃ ┣━━2.1 本章概述.vep [4.9M]
┃ ┃ ┣━━2.2 图像分割深度学习解决方案.vep [49.7M]
┃ ┃ ┣━━2.3 【实战】使用tensorflow 快速构建物体检测系统.vep [185.4M]
┃ ┃ ┣━━2.4 【实战】使用tensorflow 完成图像分割任务.vep [74.9M]
┃ ┃ ┗━━2.5 本章小结.vep [78.8M]
┃ ┣━━第三章 以图搜图：大规模图像数据集图像检索 [449.8M]
┃ ┃ ┣━━3.1 本章概述.vep [3.3M]
┃ ┃ ┣━━3.2 基于深度学习的图像语义表达.vep [60.3M]
┃ ┃ ┣━━3.3 高维数据快速比对与检索.vep [86.5M]
┃ ┃ ┣━━3.4 【实战】基于keras完成图像检索.vep [68.7M]
┃ ┃ ┣━━3.5 【实战】工业界大规模数据集图像快速精准匹配方法.vep [181.5M]
┃ ┃ ┗━━3.6 本章小结.vep [49.6M]
┃ ┗━━第一章 图像识别基本方法与进阶 [502.7M]
┃ ┣━━1.1 本章概述.vep [4.6M]
┃ ┣━━1.2 使用卷积神经网络快速搭建图像识别系统.vep [19.4M]
┃ ┣━━1.3 迁移学习与建模技巧.vep [22.5M]
┃ ┣━━1.4 使用keras 快速完成kaggle 图像识别比赛进入top 1%.vep [231M]
┃ ┣━━1.5 keras+tensorflow完成图像识别与模型部署.vep [181.9M]
┃ ┗━━1.6 本章小结.vep [43.2M]
┣━━06 进阶：生成对抗网络应用 [800.8M]
┃ ┣━━第二章 生成对抗网络应用 [458.7M]
┃ ┃ ┣━━06-2.1 本章概述.vep [3.3M]
┃ ┃ ┣━━06-2.2 pix2pix 模型详解.vep [114M]
┃ ┃ ┣━━06-2.3 图像翻译 图像变换 任务详解.vep [100.9M]
┃ ┃ ┣━━06-2.4 【实战】基于gan的图像场景变换.vep [97.3M]
┃ ┃ ┗━━06-2.5 【实战】基于gan的中文艺术字体生成.vep [143.2M]
┃ ┗━━第一章 生成对抗网络与图像生成 [342.1M]
┃ ┣━━06-1.1 本章概述.vep [3.7M]
┃ ┣━━06-1.2 生成对抗网络gan 基本原理.vep [79.7M]
┃ ┣━━06-1.3 生成对抗网络典型模型详解.vep [79.5M]
┃ ┣━━06-1.4 【实战】基于gan 的图像生成.vep [176M]
┃ ┗━━06-1.5 本章小结.vep [3.1M]
┣━━07 进阶：强化学习建模应用 [970.6M]
┃ ┣━━1.1 本章概述.vep [6.5M]
┃ ┣━━1.2 强化学习背景介绍.vep [41.4M]
┃ ┣━━1.3 强化学习解决的问题与监督 无监督对比.vep [46.7M]
┃ ┣━━1.4 马尔可夫决策过程.vep [41.2M]
┃ ┣━━1.5 q-learning 算法.vep [112.6M]
┃ ┣━━1.6 deep q network 模型介绍.vep [103M]
┃ ┣━━1.7 【实战】基于tensorflow 构建dqn 完成打砖块游戏.vep [85.1M]
┃ ┣━━1.8 基于tensorflow 的deep q network 完成flappy bird 游戏.vep [65.5M]
┃ ┣━━1.9 本章小结.vep [36.9M]
┃ ┣━━2.1 本章概述.vep [5.5M]
┃ ┣━━2.2 policy gradient 梯度策略算法.vep [94.2M]
┃ ┣━━2.3 actor critic算法与应用.vep [71.9M]
┃ ┣━━2.4 ddpg 算法原理与应用.vep [192.1M]
┃ ┣━━2.5 本章小结.vep [32.9M]
┃ ┗━━reinforcement_learning.zip [35.1M]
┣━━08 文字检测·方法及实战 [151.9M]
┃ ┣━━08-1.0 课程开篇.vep [3.5M]
┃ ┣━━08-1.1 文字检测与识别相关背景.vep [7.4M]
┃ ┣━━08-1.2 基于传统方法的文本检测.vep [36.1M]
┃ ┗━━08-1.3 基于深度方法的文本检测.vep [104.9M]
┣━━09 文字识别的前世今生 [161.7M]
┃ ┣━━09-1.0 课程开篇.vep [5.8M]
┃ ┣━━09-1.1 文字识别介绍.vep [15.7M]
┃ ┣━━09-1.2 文字行样本获取.vep [16.8M]
┃ ┣━━09-1.3 简单场景下单字切割与识别.vep [31.6M]
┃ ┗━━09-1.4 自然场景下变长文字行识别.vep [91.8M]
┗━━00.资料代码.zip [360.7M]

admin网站管理

收藏 海报 链接