面向医学领域的深度学习项目实战

掌握深度学习在医学领域的应用并根据需求构建自己的实际项目

*   01 神经网络原理解读与整体架构/

  *   01 课程介绍.mp4 12:31

  *   02 1-深度学习要解决的问题.mp4 07:55

  *   03 2-深度学习应用领域.mp4 14:06

  *   04 3-计算机视觉任务.mp4 05:48

  *   05 4-视觉任务中遇到的问题.mp4 10:01

  *   06 5-得分函数.mp4 07:14

  *   07 6-损失函数的作用.mp4 10:42

  *   08 7-前向传播整体流程.mp4 13:45

  *   09 8-返向传播计算方法.mp4 09:33

  *   10 9-神经网络整体架构.mp4 10:52

  *   11 10-神经网络架构细节.mp4 10:54

  *   12 11-神经元个数对结果的影响.mp4 07:11

  *   13 12-正则化与激活函数.mp4 08:49

  *   14 13-神经网络过拟合解决方法.mp4 11:06

*   02 卷积神经网络原理与参数解读/

  *   01 1-卷积神经网络应用领域.mp4 07:24

  *   02 2-卷积的作用.mp4 09:23

  *   03 3-卷积特征值计算方法.mp4 08:07

  *   04 4-得到特征图表示.mp4 06:58

  *   05 5-步长与卷积核大小对结果的影响.mp4 08:11

  *   06 6-边缘填充方法.mp4 06:30

  *   07 7-特征图尺寸计算与参数共享.mp4 07:02

  *   08 8-池化层的作用.mp4 05:38

  *   09 9-整体网络架构.mp4 06:20

  *   10 10-VGG网络架构.mp4 06:16

  *   11 11-残差网络Resnet.mp4 07:41

  *   12 12-感受野的作用.mp4 05:46

*   03 PyTorch框架基本处理操作/

  *   01 PyTorch框架发展趋势简介.mp4 08:25

  *   02 PyTorch框架发展趋势简介.mp4 08:25

  *   03 框架安装方法（CPU与GPU版本）.mp4 05:13

  *   04 PyTorch基本操作简介.mp4 09:25

  *   05 自动求导机制.mp4 10:59

  *   06 线性回归DEMO-数据与参数配置.mp4 08:56

  *   07 线性回归DEMO-训练回归模型.mp4 10:08

  *   08 常见tensor格式.mp4 07:10

  *   09 Hub模块简介.mp4 08:25

*   04 PyTorch框架必备核心模块解读/

  *   01 卷积网络参数定义.mp4 07:21

  *   02 网络流程解读.mp4 07:26

  *   03 Vision模块功能解读.mp4 05:10

  *   04 分类任务数据集定义与配置.mp4 06:27

  *   05 图像增强的作用.mp4 04:51

  *   06 数据预处理与数据增强模块.mp4 09:25

  *   07 Batch数据制作.mp4 08:37

  *   08 迁移学习的目标.mp4 05:31

  *   09 迁移学习策略.mp4 07:11

  *   10 加载训练好的网络模型.mp4 09:54

  *   11 优化器模块配置.mp4 05:14

  *   12 实现训练模块.mp4 08:15

  *   13 训练结果与模型保存.mp4 09:31

  *   14 加载模型对测试数据进行预测.mp4 09:10

  *   15 额外补充-Resnet论文解读.mp4 11:47

  *   16 额外补充-Resnet网络架构解读.mp4 08:26

*   05 基于Resnet的医学数据集分类实战/

  *   01 医学疾病数据集介绍.mp4 04:20

  *   02 Resnet网络架构原理分析.mp4 09:53

  *   03 dataloader加载数据集.mp4 11:17

  *   04 Resnet网络前向传播.mp4 06:19

  *   05 残差网络的shortcut操作.mp4 09:27

  *   06 特征图升维与降采样操作.mp4 06:10

  *   07 网络整体流程与训练演示.mp4 11:27

*   06 图像分割及其损失函数概述/

  *   01 语义分割与实例分割概述.mp4 06:37

  *   02 分割任务中的目标函数定义.mp4 07:35

  *   03 MIOU评估标准.mp4 03:33

*   07 Unet系列算法讲解/

  *   01 Unet网络编码与解码过程.mp4 08:07

  *   02 网络计算流程.mp4 06:51

  *   03 Unet升级版本改进.mp4 05:52

  *   04 后续升级版本介绍.mp4 06:30

*   08 unet医学细胞分割实战/

  *   01 医学细胞数据集介绍与参数配置.mp4 06:45

  *   02 数据增强工具.mp4 07:23

  *   03 Debug模式演示网络计算流程.mp4 06:45

  *   04 特征融合方法演示.mp4 07:12

  *   05 迭代完成整个模型计算任务.mp4 08:02

  *   06 模型效果验证.mp4 05:33

*   09 deeplab系列算法/

  *   01 deeplab分割算法概述.mp4 06:02

  *   02 空洞卷积的作用.mp4 06:53

  *   03 感受野的意义.mp4 06:48

  *   04 SPP层的作用.mp4 07:25

  *   05 ASPP特征融合策略.mp4 05:16

  *   06 deeplabV3Plus版本网络架构.mp4 08:40

*   10 基于deeplabV3+版本进行VOC分割实战/

  *   01 PascalVoc数据集介绍.mp4 09:11

  *   02 项目参数与数据集读取.mp4 10:35

  *   03 ASPP层特征融合.mp4 11:22

  *   04 网络前向传播流程.mp4 06:29

  *   05 分割模型训练.mp4 05:51

*   11 基于deeplab的心脏视频数据诊断分析/

  *   01 数据集与任务概述.mp4 07:26

  *   02 项目基本配置参数.mp4 06:21

  *   03 任务流程解读.mp4 08:14

  *   04 文献报告分析.mp4 09:00

  *   05 补充：视频数据源特征处理方法概述.mp4 09:57

  *   06 补充：R(2plus1)D处理方法分析.mp4 06:16

*   12 YOLO系列物体检测算法原理解读/

  *   01 检测任务中阶段的意义.mp4 06:21

  *   02 不同阶段算法优缺点分析.mp4 04:42

  *   03 IOU指标计算.mp4 05:09

  *   04 评估所需参数计算.mp4 10:00

  *   05 map指标计算.mp4 07:26

  *   06 YOLO算法整体思路解读.mp4 07:11

  *   07 检测算法要得到的结果.mp4 06:17

  *   08 整体网络架构解读.mp4 11:38

  *   09 位置损失计算.mp4 08:12

  *   10 置信度误差与优缺点分析.mp4 11:48

*   13 YOLOV2V3V4算法解读/

  *   01 V2版本细节升级概述.mp4 05:42

  *   02 网络结构特点.mp4 06:02

  *   03 架构细节解读.mp4 06:52

  *   04 基于聚类来选择先验框尺寸.mp4 10:21

  *   05 偏移量计算方法.mp4 10:48

  *   06 坐标映射与还原.mp4 03:36

  *   07 感受野的作用.mp4 11:06

  *   08 特征融合改进.mp4 07:55

  *   09 V3版本改进概述.mp4 08:18

  *   10 多scale方法改进与特征融合.mp4 07:37

  *   11 经典变换方法对比分析.mp4 04:55

  *   12 残差连接方法解读.mp4 07:45

  *   13 整体网络模型架构分析.mp4 05:00

  *   14 先验框设计改进.mp4 05:24

  *   15 sotfmax层改进.mp4 04:24

  *   16 V4版本整体概述.mp4 06:03

  *   17 V4版本贡献解读.mp4 04:35

  *   18 数据增强策略分析.mp4 08:59

  *   19 DropBlock与标签平滑方法.mp4 08:19

  *   20 损失函数遇到的问题.mp4 06:45

  *   21 CIOU损失函数定义.mp4 04:45

  *   22 NMS细节改进.mp4 05:38

  *   23 SPP与CSP网络结构.mp4 06:49

  *   24 SAM注意力机制模块.mp4 08:59

  *   25 PAN模块解读.mp4 08:41

  *   26 激活函数与整体架构总结.mp4 08:17

*   14 基于YOLO5细胞检测实战/

  *   01 任务与细胞数据集介绍.mp4 07:52

  *   02 模型与算法配置参数解读.mp4 09:40

  *   03 网络训练流程演示.mp4 08:47

  *   04 效果评估与展示.mp4 05:33

  *   05 细胞检测效果演示.mp4 08:11

*   15 知识图谱原理解读/

  *   01 知识图谱通俗解读.mp4 07:55

  *   02 知识图谱在搜索引擎中的应用.mp4 08:08

  *   03 知识图谱在医疗领域应用实例.mp4 13:24

  *   04 金融与推荐领域的应用.mp4 08:31

  *   05 数据获取分析.mp4 10:20

  *   06 数据关系抽取分析.mp4 08:34

  *   07 常用NLP技术点分析.mp4 08:26

  *   08 graph-embedding的作用与效果.mp4 09:37

  *   09 金融领域图编码实例.mp4 04:30

  *   10 视觉领域图编码实例.mp4 07:18

  *   11 图谱知识融合与总结分析.mp4 08:07

*   16 Neo4j数据库实战/

  *   01 Neo4j图数据库介绍.mp4 08:33

  *   02 Neo4j数据库安装流程演示.mp4 07:09

  *   03 可视化例子演示.mp4 09:08

  *   04 创建与删除操作演示.mp4 08:40

  *   05 数据库更改查询操作演示.mp4 08:35

*   17 基于知识图谱的医药问答系统实战/

  *   01 项目概述与整体架构分析.mp4 07:31

  *   02 医疗数据介绍及其各字段含义.mp4 07:25

  *   03 任务流程概述.mp4 05:47

  *   04 环境配置与所需工具包安装.mp4 06:35

  *   05 提取数据中的关键字段信息.mp4 11:35

  *   06 创建关系边.mp4 08:17

  *   07 打造医疗知识图谱模型.mp4 10:54

  *   08 加载所有实体数据.mp4 06:52

  *   09 实体关键词字典制作.mp4 08:36

  *   10 完成对话系统构建.mp4 09:02

*   18 词向量模型与RNN网络架构/

  *   01 词向量模型通俗解释.mp4 08:14

  *   02 模型整体框架.mp4 10:09

  *   03 训练数据构建.mp4 05:10

  *   04 CBOW与Skip-gram模型.mp4 08:20

  *   05 负采样方案.mp4 07:40

  *   06 额外补充-RNN网络模型解读.mp4 11:52

*   19 医学糖尿病数据命名实体识别/

  *   01 数据与任务介绍.mp4 07:03

  *   02 整体模型架构.mp4 04:48

  *   03 数据-标签-语料库处理.mp4 10:15

  *   04 输入样本填充补齐.mp4 09:24

  *   05 训练网络模型.mp4 10:00

  *   06 医疗数据集（糖尿病）实体识别.mp4 09:57