目录
1
迈入现代人工智能的大门
第1课
Modern AI你知多少
00:13:25
第2课
Modern AI骨架脉络
00:19:08
第3课
深度学习简介
00:37:47
第4课
关键突破——多层感知机网络模型
00:18:25
第5课
深度学习的基础算法——反向传播算法简介
00:03:38
第6课
PaddlePaddle框架简介和几个案例
00:19:52
2
机器能“看”的现代技术
第1课
计算机视觉小普及
00:04:58
第2课
计算机视觉深入认知
00:14:39
第3课
源自视觉神经原理的卷积网络简介
00:06:39
第4课
卷积网络深入理解
00:11:23
第5课
AlexNet 深度学习关键突破
00:11:18
第6课
VGG网络 更深的架构尝试
00:06:52
第7课
ResNet 深度学习模型的深度究竟能有多深
00:12:01
第8课
PaddlePaddle 加持下的卷积网络实现
00:19:41
3
循环网络原理、模型及应用 (语音识别,自然语言处理)
第1课
课程导引
00:01:16
第2课
序列场景分析
00:07:02
第3课
初识循环神经网络
00:21:02
第4课
突破障碍的LSTM
00:20:45
第5课
新式的简化变体GRU网络
00:10:31
第6课
神经图灵机整体结构
00:21:49
第7课
神经图灵机——寻址
00:13:32
第8课
神经图灵机——控制器
00:07:58
第9课
PaddlePaddle下的LSTM和GRU
00:11:26
4
CNN和RNN应用
第1课
文本数据究竟能够干什么——典型场景分析
00:27:14
第2课
文本分类的神器——卷积神经网络
00:24:54
第3课
情感分析的强大武器——循环神经网络
00:21:39
第4课
机器也可写写诗——中文诗歌生成网络初探
00:06:52
第5课
PaddlePaddle 实现
00:24:04
5
神经自然语言处理
第1课
自然语言理解概述
00:26:35
第2课
神经语言模型
00:33:23
第3课
语义模型——深度结构化语义模型
00:23:08
第4课
序列标注——命名实体识别
00:13:46
第5课
paddlepaddle实现
00:20:12
6
排序学习
第1课
排序学习简介
00:22:23
第2课
排序学习不同类别和Pointwise方法
00:13:50
第3课
Pairwise方法和Listwise方法
00:18:12
第4课
Pairwise 方法的神经网络模型 RankNet
00:09:17
第5课
Listwise 方法的神经网络模型 LambdaRank
00:05:34
第6课
PaddlePaddle 实现 RankNet 和 LambdaRank
00:12:02
7
强化学习
第1课
强化学习导引
00:44:30
第2课
基于值的强化学习方法
00:11:55
第3课
基于策略的强化学习方法
00:18:47
第4课
基于模型的强化学习方法
00:14:06
第5课
强化学习实验环境
00:25:55
8
可解释的模型及应用
第1课
可解释的模型简介
00:26:21
第2课
概率图模型
00:29:49
第3课
贝叶斯推断
00:25:19
第4课
贝叶斯深度学习
00:26:13
第5课
常用的实践环境
00:07:18
9
生成式模型的基本概念、方法和应用
第1课
生成式模型方法
00:30:04
第2课
变分自编码器
00:42:41
第3课
生成式对抗网络
00:24:54
第4课
PaddlePaddle 实现 VAE 和 GAN
00:10:49
10
深度强化学习
第1课
深度强化学习简介
00:30:25
第2课
DQN技术
00:32:47
第3课
DDPG技术
00:34:55
第4课
AlphaGo相关技术
00:17:12
第5课
实践环境
00:09:34
可解释的模型及应用 - 可解释的模型简介
对于深度学习的模型,我们需要引入一些机制使得对于复杂模型能够有更为深入的理解。我们本节会给出适当的背景知识和应用场景