课程介绍:
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。
课程截图:
〖课程目录〗:
- | └──18 深度学习应用实践
- | | ├──第10讲. 深度学习CTR预估模型:要解决的几个关键问题.mp4 26.34M
- | | ├──第11讲. 离散特征如何让DNN可以处理?(1).mp4 36.04M
- | | ├──第12讲. 离散特征如何让DNN可以处理?(2).mp4 41.40M
- | | ├──第13讲. 典型网络融合结构之一:并行结构.mp4 33.38M
- | | ├──第14讲. 典型网络融合结构之二:串行结构.mp4 37.05M
- | | ├──第15讲. 模型训练与优化.mp4 42.66M
- | | ├──第16讲. 互联网公司深度学习CTR案例:Google(1).mp4 70.01M
- | | ├──第17讲. 互联网公司深度学习CTR案例:Google(2).mp4 64.78M
- | | ├──第18讲. 互联网公司深度学习CTR案例:阿里巴巴.mp4 75.79M
- | | ├──第19讲. 互联网公司深度学习CTR案例:京东商城.mp4 52.42M
- | | ├──第1讲. 深度学习在各个领域的成功.mp4 61.98M
- | | ├──第20讲. 如何定义图像理解?.mp4 39.01M
- | | ├──第21讲. 图像理解有哪些研究内容?.mp4 76.10M
- | | ├──第22讲. 传统图像理解技术:图像分类的问题描述.mp4 41.96M
- | | ├──第23讲. 传统图像理解技术:图像分类的基本方法(1).mp4 62.69M
- | | ├──第24讲. 传统图像理解技术:图像分类的基本方法(2).mp4 62.92M
- | | ├──第25讲. 传统图像理解技术:图像分类的基本方法(3).mp4 32.88M
- | | ├──第26讲. 传统图像理解技术:图像搜索系统(1).mp4 44.88M
- | | ├──第27讲. 传统图像理解技术:图像搜索系统(2).mp4 30.09M
- | | ├──第28讲. 传统图像理解技术:图像搜索系统(3).mp4 28.20M
- | | ├──第29讲. 深度学习的基础模块.mp4 89.59M
- | | ├──第2讲. 当深度学习遇到CTR预估.mp4 63.97M
- | | ├──第30讲. 深度学习的模型设计.mp4 96.53M
- | | ├──第31讲. 深度学习的训练技巧.mp4 69.25M
- | | ├──第32讲. 深度学习图像理解技术:图像分类框架.mp4 68.35M
- | | ├──第33讲. 深度学习图像理解技术:模型加速与优化.mp4 26.24M
- | | ├──第34讲. 深度学习图像理解技术:物体检测分割与图像分类应用场景.mp4 29.10M
- | | ├──第35讲. 图像理解进阶.mp4 22.95M
- | | ├──第36讲. 知识图谱是什么?对我们有何帮助?.mp4 54.79M
- | | ├──第37讲. 知识图谱的发展回顾.mp4 100.27M
- | | ├──第38讲. 知识图谱为什么火了?.mp4 39.32M
- | | ├──第39讲. 知识图谱小结.mp4 40.49M
- | | ├──第3讲. 传统主流CTR预估方法:线性模型.mp4 50.91M
- | | ├──第40讲. 知识图谱的生命周期与技术难点.mp4 60.31M
- | | ├──第41讲. 构建领域知识图谱的挑战与解决方案.mp4 50.15M
- | | ├──第42讲. 基于非结构化数据的知识抽取.mp4 25.08M
- | | ├──第43讲. 基于非结构化数据的知识抽取:实体识别.mp4 71.72M
- | | ├──第45讲. 基于非结构化数据的知识抽取:事件抽取.mp4 52.92M
- | | ├──第46讲. 基于结构化数据的知识抽取.mp4 18.10M
- | | ├──第47讲. 知识融合与质量评估.mp4 52.85M
- | | ├──第48讲. 知识图谱管理之数据模型介绍.mp4 107.86M
- | | ├──第49讲. 知识图谱管理:图谱存储.mp4 42.04M
- | | ├──第4讲. 传统主流CTR预估方法:FM模型.mp4 20.33M
- | | ├──第50讲. 知识计算推理.mp4 62.46M
- | | ├──第51讲. 基于符号的知识表示与推理:谓词逻辑.mp4 82.14M
- | | ├──第52讲. 基于符号的知识表示与推理:Semantic Net.mp4 36.30M
- | | ├──第53讲. 基于符号的知识表示与推理:Frame.mp4 56.71M
- | | ├──第54讲. 基于符号的知识表示与推理:Script.mp4 27.91M
- | | ├──第55讲. 基于符号的知识表示与推理:语义网络.mp4 59.83M
- | | ├──第56讲. 基于分布式语义的知识表示与推理 张量分解模型.mp4 59.00M
- | | ├──第57讲. 基于分布式语义的知识表示与推理 基于翻译的模型TransE.mp4 53.52M
- | | ├──第58讲. 基于分布式语义的知识表示与推理 神经网络模型.mp4 67.99M
- | | ├──第59讲. 基于图计算的挖掘分析.mp4 54.91M
- | | ├──第5讲. 传统主流CTR预估方法:GBDT模型.mp4 58.71M
- | | ├──第60讲. 知识图谱的行业应用.mp4 91.32M
- | | ├──第6讲. 深度学习基础模型:前向神经网络(MLP).mp4 56.04M
- | | ├──第7讲. 深度学习基础模型:CNN.mp4 50.65M
- | | ├──第8讲. 深度学习基础模型:RNN.mp4 27.09M
- | | └──第9讲. 深度学习基础模型:LSTM.mp4 23.84M