Hinton《面向机器学习的神经网络》中文版-AI研习社

课时列表 72课时

机器学习与神经网络课程概述
课时1 : 为什么我们要学习机器学习
13:31
课时2 : 什么是神经元网络
08:48
课时3 : 几个简单的神经元模型
08:40
课时4 : ANN的MNIST学习范例
05:05
课时5 : 机器学习算法的三大类
06:01
神经网络架构的主要类型概述
课时6 : 神经网络构架介绍
03:39
课时7 : 感知器
03:45
课时8 : 感知器的几何空间解析
06:41
课时9 : 感知器的原理透析
05:26
课时10 : 感知器的局限性
14:50
线性/逻辑神经网络和反向传播
课时11 : 线性神经元的权值收敛
12:17
课时12 : 线性神经元误差曲面分析
05:24
课时13 : 逻辑神经元的学习规则
04:18
课时14 : 反向传播算法解析（一）
12:12
课时15 : 反向传播算法解析（二）
10:11
学习特征词向量
课时16 : 学习预测词
12:54
课时17 : 初识神经认知学
04:48
课时18 : Softmax输出函数
07:42
课时19 : 语音识别模型
08:14
用神经网络进行物体识别
课时20 : 视觉识别的难点
05:02
课时21 : 如何达到视觉不变性
06:20
课时22 : 应用于数字识别的卷积网络
16:23
模型优化：如何加快学习
课时23 : 小批量梯度下降法概览
08:44
课时24 : 小批量梯度下降法的一些技巧
13:37
课时25 : 动量方法
09:04
课时26 : 针对网络中每个连接的自适应学习步长
06:06
课时27 : Rmsprop算法
12:00
循环神经网络RNN（一）
课时28 : 序列模型概述
17:39
课时29 : 用反向传播训练RNNs
06:39
课时30 : 训练RNN的一个例子
06:31
课时31 : 训练RNN的难点
08:00
课时32 : LSTM网络
09:31
循环神经网络（二）
课时33 : 用乘法连接进行字符串建模
14:51
课时34 : 用HF方法学习预测
12:40
课时35 : Echo State Networks
09:53
提高网络模型的泛化能力
课时36 : 提高泛化能力概述
12:00
课时37 : 限制权重带大小
06:39
课时38 : 正则化防止过拟合
07:47
课时39 : 完全贝叶斯方法介绍
11:06
课时40 : 权值衰减的贝叶斯解释
11:08
课时41 : MacKay的确定权值惩罚项的方法
03:47
结合多重神经网络提高泛化能力
课时42 : 在做预测时为什么要结合多个模型
13:26
课时43 : 多专家模型
13:32
课时44 : 完全贝叶斯方法
07:44
课时45 : 完全贝叶斯方法的实际应用
07:01
课时46 : Dropout
08:51
Hopfield网络和玻尔兹曼机
课时47 : Hopfield网络
13:17
课时48 : 处理虚拟最小值
11:18
课时49 : 隐藏单位中的Hopfield网络
09:55
课时50 : 用随机单位来改进搜索
10:40
课时51 : 玻尔兹曼机
12:00
限制玻尔兹曼机
课时52 : 波尔兹曼机器学习
12:32
课时53 : 获取统计信息的更有效的方式
15:04
课时54 : 限制玻尔兹曼机
11:10
课时55 : RBM学习案例
07:31
课时56 : 用于协同过滤的RBM
08:32
深度置信网络
课时57 : 反向传播算法的历史发展
10:09
课时58 : 置信网络
12:51
课时59 : wake-sleep算法
13:31
生成预训练的深度神经网络
课时60 : 通过堆叠RBM进行功能层学习
17:50
课时61 : DBNs的判定性学习
09:56
课时62 : 判定性微调期间会发生什么？
08:55
课时63 : 用RBM建模实值数据
10:12
课时64 : RBM是无限的S形信任网
17:28
神经网络的模型分层结构
课时65 : 从PCA到自动编码器
08:14
课时66 : 深度自动编码器
04:27
课时67 : 深度自动编码器，用于文档检索
08:35
课时68 : 散列语义
09:06
课时69 : 用于图像检索的二进制码学习
09:53
深度神经网络的应用
课时70 : 图像和字幕的联合模型学习
09:21
课时71 : 分层坐标框架
09:56
课时72 : 超参数的贝叶斯优化
13:46

Hinton《面向机器学习的神经网络》中文版

相关课程