收藏
本课程专为希望成为AI算法工程师的学习者设计，涵盖从基础数学知识到高级深度学习技术的全面内容。通过实战案例，如猫狗大战和电影评论情感分析，学员将掌握PyTorch、神经网络、卷积神经网络、循环神经网络及Transformer等核心技术。课程还包括最新的深度学习趋势和模型，如GPT、BERT和DALL-E，确保学员能够跟上AI领域的最新发展。适合有志于深入AI领域的技术人员和学生。
以下云资源目录树快照生成于[12个月前]，该学习资料由夸克云用户[心旷*怡的青蛙]分享（只展示大部分文件和目录）
深度学习实战：从零到AI算法工程师3.75GB(mp4视频100节；)
100.16-5 下一步学习的建议.mp418.52MB099.16-4 深度学习最新发展趋势分析.mp437.03MB098.16-3 DALL-E模型.mp454.33MB097.16-2 CLIP模型.mp437.65MB096.16-1 InstructGPT模型.mp476.99MB095.15-6 项目实战：电影评论情感分析.mp435.74MB094.15-5 经典NLP数据集.mp436.42MB093.15-4 Hugging Face库介绍.mp436.4MB092.15-3 预训练模型.mp455.01MB091.15-2 词义搜索和句意表示.mp444.83MB090.15-1 词嵌入和word2vec.mp433.25MB089.14-5 项目实战：猫狗大战.mp464.1MB088.14-4 经典视觉数据集.mp437.27MB087.14-3 迁移学习.mp431.8MB086.14-2 图像数据增强.mp433.44MB085.14-1 自定义数据加载.mp448.72MB084.13-6 图像生成.mp456.13MB083.13-5 Diffusion扩散模型.mp477.56MB082.13-4 生成对抗网络.mp439.85MB081.13-3 变分自编码器.mp456.2MB080.13-2 变分推断.mp440.75MB079.13-1 蒙特卡洛方法.mp428.52MB078.12-6 GPT模型代码实现.mp437.95MB077.12-5 Swin Transformer模型.mp454.91MB076.12-4 ViT模型.mp431.02MB075.12-3 T5模型.mp437.76MB074.12-2 GPT系列模型.mp479.6MB073.12-1BERT模型.mp450.18MB072.11-7 Transformer代码实现.mp438MB071.11-6 Transformer模型.mp443.91MB070.11-5 注意力池化及代码实现.mp429.63MB069.11-4 自注意力机制.mp430.16MB068.11-3 键值对注意力和多头注意力.mp424.14MB067.11-2 注意力的计算.mp457.52MB066.11-1 什么是注意力机制.mp443.37MB065.10-9 机器翻译简单代码实现.mp439.34MB064.10-8 束搜索算法.mp425.71MB063.10-7 序列到序列模型代码实现.mp432.96MB062.10-6 编码器-解码器网络.mp441.1MB061.10-5 复杂循环神经网络代码实现.mp435.82MB060.10-4 长短期记忆网络.mp443.06MB059.10-3 门控循环单元.mp428.59MB058.10-2 双向循环神经网络.mp425.84MB057.10-1 深度循环神经网络.mp424.18MB056.9-6 RNN的长期依赖问题.mp437.66MB055.9-5 循环神经网络代码实现.mp427.84MB054.9-4 随时间反向传播算法.mp443.86MB053.9-3 循环神经网络.mp448.25MB052.9-2 文本数据预处理.mp460.04MB051.9-1 序列建模.mp430.32MB050.8-6 DenseNet.mp458.47MB049.8-5 ResNet.mp465.01MB048.8-4 GoogLeNet.mp440.98MB047.8-3 批量规范化.mp423.62MB046.8-2 VGGNet.mp447.71MB045.8-1 AlexNet.mp449.57MB044.7-6 卷积神经网络代码实现（LeNet）.mp427.22MB043.7-5 池化层Pooling.mp433.64MB042.7-4 卷积层常见操作.mp435.21MB041.7-3 卷积层.mp444.83MB040.7-2 图像卷积.mp434.77MB039.7-1 全连接层问题.mp438.55MB038.6-12 学习率调节器.mp427.91MB037.6-11 梯度下降代码实现.mp430.92MB036.6-10 Adam算法.mp447.07MB035.6-9 RMSProp_Adadelta算法.mp415.89MB034.6-8 AdaGrad算法.mp424.77MB033.6-7 动量法.mp425.04MB032.6-6 小批量梯度下降法.mp432.04MB031.6-5 随机梯度下降法.mp420.63MB030.6-4 梯度下降.mp431.56MB029.6-3 损失函数性质.mp429.22MB028.6-2 损失函数.mp442.8MB027.6-1 最优化与深度学习.mp448.05MB026.5-8 模型文件的读写.mp416.5MB025.5-7 梯度消失和梯度爆炸.mp447.2MB024.5-6 Dropout代码实现.mp417.32MB023.5-5 Dropout.mp432.08MB022.5-4 正则化.mp442.24MB021.5-3 过拟合和欠拟合示例.mp422.37MB020.5-2 过拟合欠拟合应对策略.mp441.17MB019.5-1 训练的常见问题.mp433.8MB018.4-8 多分类问题代码实现.mp442.84MB017.4-7 分类问题.mp423.05MB016.4-6 线性回归代码实现.mp423.14MB015.4-5 回归问题.mp435.59MB014.4-4 多层感知机代码实现.mp429.34MB013.4-3 前向传播和反向传播.mp439.52MB012.4-2 多层感知机.mp447.25MB011.4-1 神经网络原理.mp444.83MB010.3-4 深度学习库PyTorch安装.mp49.01MB009.3-3 Jupyter Notebook快速上手.mp415.54MB008.3-2 conda实用命令.mp413.03MB007.3-1 CUDA+Anaconda深度学习环境搭建.mp420.94MB006.2-3 概率.mp459.21MB005.2-2 微积分.mp449.04MB004.2-1 线性代数.mp456.44MB003.1-3 课程使用的技术栈.mp412.65MB002.1-2 初识深度学习.mp452.86MB001.1-1 课程内容和理念.mp452.23MB
