第01课时.pptx
第02课时.pptx
第03课时.pptx
第04课时.pptx
第05课时.pptx
第06课时.pptx
第07课时.pptx
第08课时.pptx
第09课时.pptx
第10课时.pptx
第11课时.pptx
第12课时.pptx
00.深度学习原理——从基础理论到经典模型.mp4
01.人工智能、机器学习和深度学习到底是什么关系.mp4
02.深度学习：现代AI的核心动力.mp4
03.深度学习的发展历史.mp4
04.神经元模型的本质：从数学到工程价值.mp4
05.激活函数：神经网络的非线性表达核心.mp4
06.损失函数与One-Hot编码：深度学习的训练闭环.mp4
07.反向传播：误差如何传回网络.mp4
08.优化算法：模型训练的核心引擎.mp4
09.正则化技术：控制模型泛化能力.mp4
10.模型评估、框架工具和应用领域：深度学习落地全景图.mp4
11.卷积神经网络：图像任务的理想选择.mp4
12.卷积参数协同机制：Padding、Stride、通道与感受野.mp4
13.卷积层、池化层与全连接层：深度学习核心组件解析.mp4
14.LeNet 和 AlexNet：CNN 历史上的两个关键节点.mp4
15.VGG、Inception、ResNet 和 DenseNet：CNN 架构演进.mp4
16.CNN 的计算复杂度和发展方向.mp4
17.RNN：序列数据的天然处理器.mp418.RNN 结构、输入输出与优缺点深度解析.mp4
19.LSTM vs GRU：长期依赖问题的两种解法.mp4
20.双向 RNN 与深度 RNN：能力补完对比分析.mp4
