零基础AI实战课程：深度学习与Pytorch必备知识，助你轻松掌握AI技能

零基础AI快速入门实战课程（深度学习+Pytorch），掌握AI的必备基础知识

简单易懂

适合新手学习

实践案例丰富

跨专业技能提升

课程大纲：

001-课程概述.mp4

002-1-神经网络功能分析.mp4

003-2-模型更新方法详解.mp4

004-3-损失函数的计算方法.mp4

005-4-前向传播的流程解析.mp4

006-5-反向传播的演示.mp4

007-6-神经网络整体架构深入剖析.mp4

008-7-神经网络效果可视化探讨.mp4

009-8-神经元数量的重要性.mp4

010-9-数据预处理与dropout的作用.mp4

011-1-卷积神经网络概述.mp4

012-2-卷积要完成的任务解析.mp4

013-3-卷积计算流程演示.mp4

014-4-网络层次结构的作用.mp4

015-5-参数共享的重要性.mp4

016-6-池化层的功能与效果.mp4

017-7-整体网络结构分析.mp4

018-8-经典网络架构简介.mp4

019-1-RNN网络原理与问题探讨.mp4

020-2-注意力结构的历史背景.mp4

021-3-self-attention面临的挑战.mp4

022-4-QKV的来源及其功能.mp4

023-5-多头注意力机制的优势.mp4

024-6-位置编码与解码器解析.mp4

025-7-整体架构的总结.mp4

026-8-BERT训练方法分析.mp4

027-1-PyTorch框架优劣比较.mp4

028-2-CPU与GPU版本installation攻略.mp4

029-1-数据集概述与任务介绍.mp4

030-2-基本模块功能测试.mp4

031-3-网络结构的定义方法.mp4

032-4-数据源概述.mp4

033-5-损失及训练模块分析.mp4

034-6-训练基础分类模型.mp4

035-7-参数对结果的影响分析.mp4

036-1-任务分析与数据集解读.mp4

037-2-参数初始化方法解析.mp4

038-3-训练过程实例演示.mp4

039-4-模型学习与预测方法.mp4

040-1-输入特征通道分析.mp4

041-2-卷积网络参数解析.mp4

042-3-卷积网络的训练过程.mp4

043-1-任务分析与图像数据处理.mp4

044-2-数据增强模块功能.mp4

045-3-数据集与模型选择的考量.mp4

046-4-迁移学习策略解析.mp4

047-5-输出层及梯度设置.mp4

048-6-修改输出类别数量.mp4

049-7-优化器及学习率衰减技巧.mp4

050-8-模型训练的方法.mp4

051-9-全面重新训练所有模型.mp4

052-10-测试结果的演示与分析.mp4

053-4-有效利用Dataloader加载数据及训练模型.mp4

054-1-Dataloader功能分析.mp4

055-2-图像数据与标签路径的处理.mp4

056-3-Dataloader必需实现的方法解析.mp4

057-1-数据集与目标任务分析.mp4

058-2-文本数据处理的基本流程.mp4

059-3-命令行参数与调试技巧.mp4

060-4-训练模型所需的基础配置参数分析.mp4

061-5-词汇表与字符切分方法.mp4

062-6-字符预处理及ID转换.mp4

063-7-LSTM网络结构基本定义.mp4

064-8-模型预测结果的输出.mp4

065-9-模型训练的任务与总结.mp4

066-1-基本结构及训练好的模型加载.mp4

067-2-服务端处理与预测函数设计.mp4

068-3-基于Flask的模型预测结果测试.mp4

069-1-视觉transformer任务解析.mp4

070-1-项目源码准备工作.mp4

071-2-源码调试的演示.mp4

072-3-Embedding模块的实现方法.mp4

073-4-分块任务的解析.mp4

074-5-QKV计算方法的解读.mp4

075-6-特征加权分配机制.mp4

076-7-完成前向传播的过程.mp4

077-8-损失计算与训练流程解析.mp4