深度学习算法，系统入门到进阶必备-价值599元

9-3 损失函数选择的原则.mp4  [60.6 MB]
16-4 使用Lipschitz判断技巧_.mp4  [20.5 MB]
15-2 VAE混合风格的本质.mp4  [52.3 MB]
15-4 VAE的训练算法_.mp4  [39.6 MB]
15-6 VAE是怎么做异常检测的.mp4  [46.9 MB]
10-3 L1正则化解决了什么问题.mp4  [29.5 MB]
9-10 泊松分布能做什么.mp4  [38.2 MB]
16-5 能量函数的定义_.mp4  [48.9 MB]
12-7 潜空间为什么不可控.mp4  [47.7 MB]
16-1 能量模型的特征.mp4  [12.1 MB]
5-3 多层隐藏层的收敛速度.tle  [46.0 MB]
13-7 概率分布视角理解流匹配模型_.mp4  [35.7 MB]
9-13 极大似然估计-损失函数的母体.mp4  [82.1 MB]
12-3 潜空间指的是什么.mp4  [32.5 MB]
8-6 模型预测的阈值对召回率和精确率的影响.mp4  [43.4 MB]
8-8 ROC曲线和模型性能.mp4  [35.5 MB]
7-3 pytorch实现卷积神经网络.mp4  [72.8 MB]
3-1 复杂的图像分割思路.mp4  [17.0 MB]
12-12 标准化流模型训练和总结.mp4  [34.3 MB]
14-7 DDPM和DDIM的区别.mp4  [53.7 MB]
1-5 降维线性变换_.mp4  [27.2 MB]
1-4 维度不变的线性变换_.mp4  [73.5 MB]
9-12 分位损失和Huber和LogCosh损失.mp4  [28.9 MB]
14-3 从概率分布视角理解.mp4  [21.7 MB]
8-4 精确率能解决的问题场景.mp4  [53.1 MB]
7-2 卷积神经网络计算过程.mp4  [57.6 MB]
9-6 带标签平滑的交叉熵损失.mp4  [35.6 MB]
5-4 多层感知器的参数效率.mp4  [48.7 MB]
深度学习算法.rar  [102.9 MB]
13-1 标准化流模型的缺点.mp4  [36.1 MB]
8-2 什么是性能指标.mp4  [21.2 MB]
14-2 扩散模型训练的方式_.mp4  [29.3 MB]
11-2 Hession矩阵是什么.mp4  [34.9 MB]
9-17 其他特定任务的损失函数.mp4  [44.7 MB]
10-2 L2正则化解决的问题.mp4  [54.4 MB]
1-1 课程介绍_.mp4  [158.4 MB]
7-9 CNN的理论依据-LeNet-5.mp4  [76.8 MB]
1-2 课程特色_.mp4  [178.7 MB]
2-2 线性二分类问题推导神经网络.mp4  [90.2 MB]
11-1 损失曲线挑战是什么.mp4  [26.7 MB]
12-6 图片生成难点-文字生成图片.mp4  [69.0 MB]
1-6 升维线性变换.mp4  [38.3 MB]
8-7 PR曲线的应用场景.mp4  [46.0 MB]
10-5 dropout解决的问题.mp4  [40.2 MB]
13-2 流匹配模型的处理思路.mp4  [39.7 MB]
9-4 交叉熵的设计原则_.mp4  [51.6 MB]
9-2 梯度下降法详解.mp4  [20.7 MB]
7-5 卷积和常用大小为什么是3X3.mp4  [76.3 MB]
11-3 参数的梯度相互影响如何判断_.mp4  [53.0 MB]
7-6 图像识别为什么无法精确.mp4  [63.9 MB]
12-8 潜空间的平滑性连续性.mp4  [50.9 MB]
7-12 堆叠的CNN更具判别能力.mp4  [87.3 MB]
6-2 注意力机制中的全连接层.mp4  [28.3 MB]
7-10 CNN的成功实践-AlexNet.mp4  [58.4 MB]
10-1 正则化现象是什么.mp4  [20.5 MB]
11-7 应对挑战的各种方法.mp4  [72.7 MB]
11-4 Hession矩阵的使用思考_.mp4  [34.4 MB]
15-3 怎么理解图片的抗噪能力.mp4  [29.5 MB]
8-1 深度学习中的困难点有什么.mp4  [37.3 MB]
5-1 多层感知器的训练效果对比.mp4  [34.7 MB]
6-1 全连接层的角色.mp4  [39.7 MB]
8-3 准确率指标适合场景.mp4  [50.9 MB]
3-2 神经网络解决复杂分割问题.mp4  [47.9 MB]
12-4 潜空间与概率分布.mp4  [31.2 MB]
7-7 MNIST手写识别_.mp4  [100.8 MB]
16-2 不好拟合的曲线.mp4  [58.5 MB]
12-2 图像的生成法则是什么.mp4  [25.5 MB]
7-1 FNN识别局部特征的难点.mp4  [25.7 MB]
13-3 流匹配模型的路径分解思路.mp4  [44.7 MB]
10-4 过拟合问题如何定义.mp4  [38.0 MB]
7-4 复杂特征的卷积核大小设置.mp4  [67.1 MB]
9-7 分类难易问题-焦点损失.mp4  [38.4 MB]
3-5 万能近似定理.mp4  [78.5 MB]
15-5 怎么解码出原始特征_.mp4  [17.4 MB]
11-5 线性变换后Hession矩阵失效.tle  [43.7 MB]
12-10 高斯潜空间及其演示_.mp4  [77.8 MB]
9-1 损失函数的定义.mp4  [17.9 MB]
9-9 存在上限和下限的损失.tle  [25.3 MB]
14-1 扩散模型-流匹配模型前身_.mp4  [26.2 MB]
9-8 回归任务的三大损失函数.mp4  [30.2 MB]
7-8 CNN的发展历史_.mp4  [85.6 MB]
9-14 回归任务的母体函数-高斯分布.tle  [42.5 MB]
12-5 图片生成思路-可逆函数.mp4  [31.4 MB]
14-4 加噪过程为什么要越来越强.tle  [43.7 MB]
4-1 单双层感知器效果差异_.mp4  [62.7 MB]
12-9 什么样的潜空间是连续平滑的_.mp4  [51.3 MB]
14-9 扩散模型生成图片关键细节.tle  [65.9 MB]
7-14 CNN遇到Transformer的挑战.mp4  [121.5 MB]
9-11 深度学习中的泊松损失.mp4  [31.0 MB]
4-2 理解多层感知器的本质_.mp4  [63.6 MB]
8-5 召回率的场景和F1指标.mp4  [24.4 MB]
9-15 回归任务为什么使用高斯分布.mp4  [116.1 MB]
13-4 能量场及其作用.mp4  [62.1 MB]
1-3 线性变换的学习_.mp4  [46.1 MB]
4-3 双层感知器的单层表达.mp4  [23.4 MB]
16-3 Lipschitz规则_.mp4  [42.3 MB]
11-6 Hession为什么要使用特征值.mp4  [44.4 MB]
14-8 扩散模型的平滑性如何保证.mp4  [64.7 MB]
5-2 多层感知器的优缺点.mp4  [26.0 MB]
2-1 线性二分类问题的引入.mp4  [50.9 MB]