軟體王

Udemy線上課程 Deep Learning A-Z?：人工神經網路實踐(含教材) 講師:Kirill Eremenko 影音教學 英文發音 中文字幕版(2DVD)

內容說明:
*** 如Kickstarter所示 ***
人工智慧正呈指數級增長。這點毫無疑問。自動駕駛汽車的駕駛里程已經能夠達到數百萬英里，IBM Watson對患者的診斷比許多醫生都好，穀歌Deepmind的AlphaGo在Go上擊敗了世界圍棋冠軍 - 圍棋是一種直覺起著關鍵作用的遊戲。
但是，隨著人工智慧的進一步發展，需要解決的問題就越複雜。只有深度學習可以解決這些複雜的問題，這就是為什麼它是人工智慧的核心。
--- 為什麼選擇Deep Learning A-Z？---
以下是我們認為Deep Learning A-Z?真正與眾不同的五個原因，並因此從眾多其他培訓計畫中脫穎而出：
1.強大的結構
我們聚焦的第一件也是最重要的事情就是為課程提供一個強大的結構。深度學習是非常廣泛和複雜的，要走出這個迷宮，你需要一個明確的全球視野。
這就是為什麼我們將教程分為兩冊，分別代表深度學習的兩個基本分支：有監督深度學習和無監督深度學習。每一冊都關注三種獨特的演算法，我們發現這是掌握深度學習的最佳結構。
2.直覺教程
很多課程和書籍只是用理論、數學和編碼對你狂轟濫炸...但他們忘了解釋或許是最重要的部分：你為什麼要做自己正在做的事情。這就是這門課程如此不同的地方。我們專注於為深度學習演算法背後的概念開發一種直觀的*感覺*。
學習我們的直覺教程，你將有信心在本能層面上理解所有技術。一旦你開始動手編碼練習，你會親眼發現你的體驗會變得更有意義。這是一套改變遊戲規則的課程。
3.令人振奮的項目
你是否厭倦了以過度使用的過時資料集為基礎開發的課程？
對吧？好了，快來體驗下我們的課程吧。
在本課程中，我們將研究真實的資料集，以解決實際的業務問題。（絕對不是我們在每門課程中看到的那種無聊的虹膜或數字分類資料集）。在本課程中，我們將解決六個現實世界的挑戰：
· 解決客戶流失問題的人工神經網路
· 用於圖像識別的卷積神經網路
· 預測股票價格的遞迴神經網路
· 調查欺詐的自組織映射
· 創建推薦系統的玻爾茲曼機(Boltzmann Machine)
· 接受挑戰，助力贏得Netflix百萬美金大獎的堆疊自編碼器(Stacked Autoencoder)*
*堆疊自編碼器是深度學習中的一種全新技術，幾年前根本還不存在這種技術。我們還沒有在哪兒見到過這種方法能被以足夠的深度進行解釋。
4.動手編碼
在Deep Learning A-Z?中，我們與您一起編碼。每套實用教程都是從一張白紙開始的，讓我們從零開始編寫代碼。通過這種方式，你可以順著完全理解代碼是如何組合在一起的，以及每行代碼的含義。
此外，我們將以這種方式有目的地構建代碼，以便你可以下載並將其應用於自己的項目中。此外，我們會逐步解釋在何處以及如何修改代碼以插入你的資料集，根據你的需要定制演算法，以獲得你所需要的輸出。
這是一門自然延伸至你職業生涯的課程。
5.課程內支持
你是否上過一門課程或閱讀過一本書，雖然有問題但無法聯繫到作者？
好了，這門課程可不同哦。我們完全致力於使這門課程成為世界上最具破壞性和最強大的深度學習課程。當你需要我們的?明時，我們有責任時刻為你解疑答惑。
事實上，由於我們身體上也需要進食和睡眠，因此我們組建了一支專業的資料科學家團隊來?明我們。無論您何時提出問題，最多48小時內即可得到我們的回復。
無論你的問題有多複雜，我們都會幫你解答。歸根結底，我們希望你成功。
--- 工具 ---
Tensorflow和Pytorch是深度學習中最受歡迎的兩個開源庫。在本課程中，這兩個庫你都會學習到！
TensorFlow由谷歌開發，用於他們的語音辨識系統、新的穀歌照片產品、Gmail、穀歌搜索等等。使用Tensorflow的公司包括AirBnb、Airbus、Ebay、Intel、Uber等。
PyTorch同樣強大，目前正由Nvidia和一流大學（斯坦福、牛津、巴黎高科）的研究人員進行開發。使用PyTorch的公司包括Twitter、Saleforce和Facebook。
那麼哪個更好？為什麼？
在本課程中，你將有機會使用這兩種庫，並明白何時Tensorflow更好，以及何時PyTorch更好。在整個教程中，我們將兩者進行比較，並為你提供某些情況下最有用的提示和想法。
有趣的是，這兩個庫都只有1年多的歷史。正因如此，我們才會說：在這門課程中，我們將教你最前沿的深度學習模型和技巧。
--- 更多工具 ---
Theano 是另一個開源深度學習庫。它的功能與Tensorflow非常相似，但是我們仍然會介紹它。
Keras 是一個實現深度學習模型的令人難以置信的庫。它充當Theano和Tensorflow的封裝器。感謝Keras，我們可以只使用幾行代碼就能創建功能強大且複雜的深度學習模型。這可以讓你全面瞭解你正在創建的內容。由於這個庫，你所做的一切都看起來如此清晰和有條理，你會真正理解你正在做的事情。
--- 更多工具 ---
Scikit-learn 最實用的機器學習庫。我們主要利用它：
· 通過最相關的技術k-折交叉驗證(k-Fold Cross Validation)來評估我們模型的性能
· 通過有效的參數調整來改進我們的模型
· 預處理我們的資料，以便我們的模型可以在最佳條件下學習
當然，我們也必須提到常見懷疑。整個課程以Python為基礎，在每一部分中，你將有數小時的寶貴動手實踐編碼體驗。
此外，在整個課程中，我們將使用Numpy進行大量計算並操作高維陣列，使用Matplotlib繪製富有洞察力的圖表，並使用Pandas最高效地導入和操作資料集。
--- 這門課程是面向誰的？---
你也知道，在深度學習領域有很多不同的工具。在本課程中，我們一定會向你展示最重要和最先進的工具，這樣當你完成Deep Learning AZ?時，你的技能就處於當今技術的最前沿。
如果你是深入學習的初學者，那麼你會發現這門課程非常有用。Deep Learning A-Z?是圍繞特殊編碼藍圖方法構建的，這意味著你不會陷入不必要的複雜程式設計或數學中，而是將在課程的早期階段就能應用深度學習技術。你將從頭開始構建您的知識，並將看到你學完每套教程後自己將變得越來越有自信。
如果你已經擁有深度學習經驗，那麼你會發現這門課程令人耳目一新、令人鼓舞且非常實用。在Deep Learning AZ?中，你將掌握一些最前沿的深度學習演算法和技術（其中一些甚至一年前都不存在）。學習本課程，你將直面現實世界的商業挑戰，從而獲得大量寶貴的實踐經驗。此外，在課程中，你會找到探索新的深度學習技能和應用的靈感。
--- 真實案例研究 ---
掌握深度學習不僅僅是瞭解直覺和工具，你還能將這些模型應用於實際場景，並為業務或項目獲得實際可測量的結果。正因如此，在本課程中我們將介紹六個令人激動的挑戰：
#1 流失建模問題
在本部分中，你將解決銀行的資料分析挑戰。你將獲得一個包含該銀行客戶大量樣本的資料集。為了製作這個資料集，銀行收集了諸如客戶ID、信用評分、性別、年齡、年資、餘額、客戶是否活躍、有無信用卡等資訊。在6個月的期間內，銀行觀察了這些客戶是否離開或留在銀行。
你的目標是根據上面給出的地理人口統計和交易資訊建立一個人工神經網路，預測是否有任何個人客戶將離開銀行或留在銀行（客戶流失）。此外，還會要求你根據離開的可能性對銀行的所有客戶進行排名。要做到這一點，你需要使用基於概率方法的正確的深度學習模型。
如果你能成功完成此項目，你將為銀行創造重要的附加價值。通過應用你的深度學習模型，銀行可以顯著減少客戶流失。
#2 圖像識別
在本部分中，你將創建一個能夠檢測圖像中各種物件的卷積神經網路。我們將實現此深度學習模型，以識別一組圖片中的一隻貓或一隻狗。但是，此模型可以重複使用以檢測其他任何內容，我們將向你展示如何操作 - 只需更改輸入資料夾中的圖片即可。
例如，你將能夠在一組腦圖像上訓練相同的模型，以檢測它們是否包含腫瘤。但是如果你想讓它能夠檢測貓和狗，那你可以直接拍張貓或狗的照片，然後你的模型就會預測你養了只什麼寵物。我們甚至對Hadelin的狗進行了測試！
#3 股票價格預測
在本部分中，你將創建一個最強大的深度學習模型。甚至可以這麼說，你將創建最接近“人工智慧”的深度學習模型。為什麼這麼說？因為這個模型會有長期記憶，就像我們人類一樣。
作為深度學習一個分支的遞迴神經網路(RNN)有助於實現這一點。經典的RNN具有短時記憶功能，並且正是由於這個原因它既不流行也不強大。但最近對遞迴神經網路的一項重大改進導致LSTM（長短期記憶RNN）頗為流行，這已經完全改變了競爭環境。我們非常高興能在我們的課程中加入這些尖端的深度學習方法！
在這一部分中，你將學習如何實現這個超級強大的模型，我們將接受挑戰，用它來預測真正的穀歌股票價格。斯坦福大學的研究人員已經面臨類似的挑戰，我們的目標是至少與他們一樣好。
#4 欺詐檢測
根據Markets＆Markets最近發佈的一份報告，到2021年，欺詐檢測和預防市場的規模將達到3319億美元。這是一個巨大的行業，對高級深度學習技能的需求只會增長。這就是為什麼我們在課程中加入了該案例研究。
即第2冊的第一部分 - 無監督深度學習模型。其業務挑戰是檢測信用卡申請中的欺詐。你將為銀行創建深度學習模型，你會得到一個資料集，其中包含申請高級信用卡客戶的資訊。
這是客戶填寫申請表時提供的資料。你的任務是檢測這些申請中的潛在欺詐行為。這意味著，在挑戰結束時，你將能夠明確列出那些可能在申請中作弊的的客戶。
#5 & 6 推薦系統
從Amazon產品建議到Netflix電影推薦 - 好的推薦系統在今天的世界中非常有價值。能夠創造推薦系統的專家是世界上收入最高的資料科學家。
我們將研究一個與Netflix資料集具有完全相同功能的資料集：海量電影，及對看過的電影進行了評分的成千上萬名用戶。與Netflix資料集完全相同，從1到5分進行打分，這讓推薦系統的構建比只是評“喜歡”或“不喜歡”更複雜。
你最終的推薦系統將能夠對客戶未看過的電影進行打分預測。相應地，通過將預測從5到1分進行打分，你的深度學習模型將能夠為每個使用者推薦應該觀看哪些電影。創建如此強大的推薦系統是一個相當大的挑戰，所以我們會給自己兩次機會。這意味著我們將使用兩種不同的深度學習模型來構建推薦系統。
我們的第一個模型是Deep Belief Networks，複雜的玻爾茲曼機(Boltzmann Machine)將在第5部分中介紹。然後我們的第二個模型將使用強大的自動編碼器(AutoEncoders)，這是我個人的最愛。你會被其簡潔和強悍所震驚。
而且你甚至可以將它用於你自己或你的朋友。電影列表一目了然，因此你只需要對已經看過的電影進行打分，在資料集中輸入你的評分，執行你的模型，然後就瞧好吧！如果不知道想在Netflix上看什麼電影，推薦系統會準確地告訴你哪天晚上你會喜歡哪些電影！
--- 總結 ---
總之，這是一個令人興奮的培訓計畫，滿滿的都是直覺教程、實踐練習和真實案例研究。
我們對深度學習充滿熱情，希望能在課堂上見到你哦！
Kirill & Hadelin

你將會學到的
理解人工神經網路背後的直覺
在實踐中應用人工神經網路
理解卷積神經網路背後的直覺
在實踐中應用卷積神經網路
理解遞迴神經網路背後的直覺
在實踐中應用遞迴神經網路
理解自組織映射背後的直覺
在實踐中應用自組織映射
理解玻爾茲曼機背後的直覺
在實踐中應用玻爾茲曼機
理解自編碼器背後的直覺
在實踐中應用自編碼器
課程內容:
├─01 歡迎來到深度學習A-Z !
│ 001 什麼是深度學習_-zh.srt
│ 001 什麼是深度學習_.mp4
│ 002 安裝 Python-zh.srt
│ 002 安裝 Python.mp4
│ 003 下載課程相關數據集-zh.srt
│ 003 下載課程相關數據集.mp4
│
├─02 --------------------- 第1部分 ---------------------
│ 004 歡迎來到第一部分.html
│
├─03 感知ANN
│ 005 學習計劃-zh.srt
│ 005 學習計劃.mp4
│ 006 神經元-zh.srt
│ 006 神經元.mp4
│ 007 激活函數-zh.srt
│ 007 激活函數.mp4
│ 008 神經網絡的工作原理-zh.srt
│ 008 神經網絡的工作原理.mp4
│ 009 神經網絡的學習原理-zh.srt
│ 009 神經網絡的學習原理.mp4
│ 010 梯度下降法-zh.srt
│ 010 梯度下降法.mp4
│ 011 隨機梯度下降-zh.srt
│ 011 隨機梯度下降.mp4
│ 012 反向傳播-zh.srt
│ 012 反向傳播.mp4
│
├─04 建立ANN
│ 013 學習本課程的先決條件.html
│ 014 怎樣下載數據集-zh.srt
│ 014 怎樣下載數據集.mp4
│ 015 商業問題描述-zh.srt
│ 015 商業問題描述.mp4
│ 016 安裝Keras.html
│ 017 建立ANN-zh.srt
│ 017 建立ANN.mp4
│ 018 建立ANN - 步驟 2-zh.srt
│ 018 建立ANN - 步驟 2.mp4
│ 019 建立ANN - 步驟 3-zh.srt
│ 019 建立ANN - 步驟 3.mp4
│ 020 建立ANN - 步驟 4-zh.srt
│ 020 建立ANN - 步驟 4.mp4
│ 021 建立ANN - 步驟 5-zh.srt
│ 021 建立ANN - 步驟 5.mp4
│ 022 建立ANN - 步驟 6-zh.srt
│ 022 建立ANN - 步驟 6.mp4
│ 023 建立ANN - 步驟 7-zh.srt
│ 023 建立ANN - 步驟 7.mp4
│ 024 建立ANN - 步驟 8-zh.srt
│ 024 建立ANN - 步驟 8.mp4
│ 025 建立ANN - 步驟 9-zh.srt
│ 025 建立ANN - 步驟 9.mp4
│ 026 建立ANN - 步驟 10-zh.srt
│ 026 建立ANN - 步驟 10.mp4
│
├─05 作業挑戰 - 我們需要和那位顧客說再見嗎 _
│ 027 作業指導.html
│ 028 作業解答-zh.srt
│ 028 作業解答.mp4
│
├─06 評估，改進和調節ANN
│ 029 評估ANN-zh.srt
│ 029 評估ANN.mp4
│ 030 改進ANN-zh.srt
│ 030 改進ANN.mp4
│ 031 調節ANN-zh.srt
│ 031 調節ANN.mp4
│
├─07 作業挑戰 - 讓我在領獎臺上退一步
│ 032 作業指導.html
│
├─08 -------------------- 第2部分 --------------------
│ 033 歡迎來到第2部分 - 卷積神經網絡.html
│
├─09 感知CNN
│ 034 CNN需要什麼.html
│ 035 學習計劃-zh.srt
│ 035 學習計劃.mp4
│ 036 什麼是卷積神經網絡_-zh.srt
│ 036 什麼是卷積神經網絡_.mp4
│ 037 步驟 1 - 卷積運算-zh.srt
│ 037 步驟 1 - 卷積運算.mp4
│ 038 步驟 1(b) - ReLu層-zh.srt
│ 038 步驟 1(b) - ReLu層.mp4
│ 039 步驟 2 - 池化-zh.srt
│ 039 步驟 2 - 池化.mp4
│ 040 步驟 3 - 壓平-zh.srt
│ 040 步驟 3 - 壓平.mp4
│ 041 步驟 4 - 全連接-zh.srt
│ 041 步驟 4 - 全連接.mp4
│ 042 總結-zh.srt
│ 042 總結.mp4
│ 043 歸一化函數(SoftMax)與交叉熵-zh.srt
│ 043 歸一化函數(SoftMax)與交叉熵.mp4
│
├─10 建立CNN
│ 044 怎樣下載數據集-zh.srt
│ 044 怎樣下載數據集.mp4
│ 045 安裝Keras.html
│ 046 CNN介紹-zh.srt
│ 046 CNN介紹.mp4
│ 047 建立CNN - 步驟 1-zh.srt
│ 047 建立CNN - 步驟 1.mp4
│ 048 建立CNN - 步驟 2-zh.srt
│ 048 建立CNN - 步驟 2.mp4
│ 049 建立CNN - 步驟 3-zh.srt
│ 049 建立CNN - 步驟 3.mp4
│ 050 建立CNN - 步驟 4-zh.srt
│ 050 建立CNN - 步驟 4.mp4
│ 051 建立CNN - 步驟 5-zh.srt
│ 051 建立CNN - 步驟 5.mp4
│ 052 建立CNN - 步驟 6-zh.srt
│ 052 建立CNN - 步驟 6.mp4
│ 053 建立CNN - 步驟 7-zh.srt
│ 053 建立CNN - 步驟 7.mp4
│ 054 建立CNN - 步驟 8-zh.srt
│ 054 建立CNN - 步驟 8.mp4
│ 055 建立CNN - 步驟 9-zh.srt
│ 055 建立CNN - 步驟 9.mp4
│ 056 建立CNN - 步驟 10-zh.srt
│ 056 建立CNN - 步驟 10.mp4
│
├─11 作業 - 那是什麼寵物_
│ 057 作業指導.html
│ 058 作業解答-zh.srt
│ 058 作業解答.mp4
│
├─12 評估, 改進和調節CNN
│ 059 作業挑戰 - 爭奪金牌.html
│ 060 作業挑戰解答 - 爭奪金牌.html
│
├─13 ---------------------- 第3部分 ----------------------
│ 061 歡迎來到第3部分 - 循環神經網絡RNN.html
│
├─14 感知RNN
│ 062 RNN需要什麼.html
│ 063 學習計劃-zh.srt
│ 063 學習計劃.mp4
│ 064 循環神經網絡的原理-zh.srt
│ 064 循環神經網絡的原理.mp4
│ 065 梯度消失問題-zh.srt
│ 065 梯度消失問題.mp4
│ 066 長短期記憶網絡(LSTMs)-zh.srt
│ 066 長短期記憶網絡(LSTMs).mp4
│ 067 實踐感知-zh.srt
│ 067 實踐感知.mp4
│ 068 附加_ LSTM 的變化-zh.srt
│ 068 附加_ LSTM 的變化.mp4
│
├─15 建立RNN
│ 069 怎樣下載數據集-zh.srt
│ 069 怎樣下載數據集.mp4
│ 070 安裝Keras.html
│ 071 建立RNN - 步驟 1-zh.srt
│ 071 建立RNN - 步驟 1.mp4
│ 072 建立RNN - 步驟 2-zh.srt
│ 072 建立RNN - 步驟 2.mp4
│ 073 建立RNN - 步驟 3-zh.srt
│ 073 建立RNN - 步驟 3.mp4
│ 074 建立RNN - 步驟 4-zh.srt
│ 074 建立RNN - 步驟 4.mp4
│ 075 建立RNN - 步驟 5-zh.srt
│ 075 建立RNN - 步驟 5.mp4
│ 076 建立RNN - 步驟 6-zh.srt
│ 076 建立RNN - 步驟 6.mp4
│ 077 建立RNN - 步驟 7-zh.srt
│ 077 建立RNN - 步驟 7.mp4
│ 078 建立RNN - 步驟 8-zh.srt
│ 078 建立RNN - 步驟 8.mp4
│ 079 建立RNN - 步驟 9-zh.srt
│ 079 建立RNN - 步驟 9.mp4
│ 080 建立RNN - 步驟 10-zh.srt
│ 080 建立RNN - 步驟 10.mp4
│ 081 建立RNN - 步驟 11-zh.srt
│ 081 建立RNN - 步驟 11.mp4
│ 082 建立RNN - 步驟 12-zh.srt
│ 082 建立RNN - 步驟 12.mp4
│ 083 建立RNN - 步驟 13-zh.srt
│ 083 建立RNN - 步驟 13.mp4
│ 084 建立RNN - 步驟 14-zh.srt
│ 084 建立RNN - 步驟 14.mp4
│ 085 建立RNN - 步驟 15-zh.srt
│ 085 建立RNN - 步驟 15.mp4
│
├─16 評估，改進和調節RNN
│ 086 評估RNN.html
│ 087 改進RNN.html
│ 088 調節RNN.html
│
├─17 ------------------------ 第4部分 ------------------------
│ 089 歡迎來到第4部分 - 自組織映射.html
│
├─18 SOMs Intuition
│ 090 學習計劃-zh.srt
│ 090 學習計劃.mp4
│ 091 自組織映射的工作原理_-zh.srt
│ 091 自組織映射的工作原理_.mp4
│ 092 為什麼要重溫K均值_-zh.srt
│ 092 為什麼要重溫K均值_.mp4
│ 093 K均值聚類(重溫)-zh.srt
│ 093 K均值聚類(重溫).mp4
│ 094 自組織映射如何學習_ (1)-zh.srt
│ 094 自組織映射如何學習_ (1).mp4
│ 095 自組織映射如何學習_ (2)-zh.srt
│ 095 自組織映射如何學習_ (2).mp4
│ 096 直播 SOM 示例-zh.srt
│ 096 直播 SOM 示例.mp4
│ 097 閱讀高級SOM-zh.srt
│ 097 閱讀高級SOM.mp4
│ 098 附加_ K均值聚類 (2)-zh.srt
│ 098 附加_ K均值聚類 (2).mp4
│ 099 附加_ K均值聚類(3)-zh.srt
│ 099 附加_ K均值聚類(3).mp4
│
├─19 建立SOM
│ 100 怎樣下載數據集-zh.srt
│ 100 怎樣下載數據集.mp4
│ 101 建立SOM - 步驟 1-zh.srt
│ 101 建立SOM - 步驟 1.mp4
│ 102 建立SOM - 步驟 2-zh.srt
│ 102 建立SOM - 步驟 2.mp4
│ 103 建立SOM - 步驟 3-zh.srt
│ 103 建立SOM - 步驟 3.mp4
│ 104 建立SOM - 步驟 4-zh.srt
│ 104 建立SOM - 步驟 4.mp4
│
├─20 大型案例研究
│ 105 大型案例研究 - 步驟 1-zh.srt
│ 105 大型案例研究 - 步驟 1.mp4
│ 106 大型案例研究 - 步驟 2-zh.srt
│ 106 大型案例研究 - 步驟 2.mp4
│ 107 大型案例研究 - 步驟 3-zh.srt
│ 107 大型案例研究 - 步驟 3.mp4
│ 108 大型案例研究 - 步驟 4-zh.srt
│ 108 大型案例研究 - 步驟 4.mp4
│
├─21 ------------------------- 第5部分 -------------------------
│ 109 歡迎來到第5部分 - 玻爾茲曼機.html
│
├─22 感知玻爾茲曼機
│ 110 學習計劃-zh.srt
│ 110 學習計劃.mp4
│ 111 玻爾茲曼機-zh.srt
│ 111 玻爾茲曼機.mp4
│ 112 基于能量的模型(EBM)-zh.srt
│ 112 基于能量的模型(EBM).mp4
│ 113 編輯維基 -我們對世界的貢獻-zh.srt
│ 113 編輯維基 -我們對世界的貢獻.mp4
│ 114 受限玻爾茲曼機-zh.srt
│ 114 受限玻爾茲曼機.mp4
│ 115 對比分歧-zh.srt
│ 115 對比分歧.mp4
│ 116 深度信念網絡-zh.srt
│ 116 深度信念網絡.mp4
│ 117 深度玻爾茲曼機-zh_20190817_135443.srt
│ 117 深度玻爾茲曼機.mp4
│
├─23 建立玻爾茲曼機
│ 118 怎樣下載數據集-zh.srt
│ 118 怎樣下載數據集.mp4
│ 119 安裝 PyTorch.html
│ 120 建立玻爾茲曼機 - 介紹-zh.srt
│ 120 建立玻爾茲曼機 - 介紹.mp4
│ 121 第5,6部分的數據預處理.html
│ 122 建立玻爾茲曼機 - 步驟 1-zh.srt
│ 122 建立玻爾茲曼機 - 步驟 1.mp4
│ 123 建立玻爾茲曼機 - 步驟 2-zh.srt
│ 123 建立玻爾茲曼機 - 步驟 2.mp4
│ 124 建立玻爾茲曼機 - 步驟 3-zh.srt
│ 124 建立玻爾茲曼機 - 步驟 3.mp4
│ 125 建立玻爾茲曼機 - 步驟 4-zh.srt
│ 125 建立玻爾茲曼機 - 步驟 4.mp4
│ 126 建立玻爾茲曼機 - 步驟 5-zh.srt
│ 126 建立玻爾茲曼機 - 步驟 5.mp4
│ 127 建立玻爾茲曼機 - 步驟 6-zh.srt
│ 127 建立玻爾茲曼機 - 步驟 6.mp4
│ 128 建立玻爾茲曼機 - 步驟 7-zh.srt
│ 128 建立玻爾茲曼機 - 步驟 7.mp4
│ 129 建立玻爾茲曼機 - 步驟 8-zh.srt
│ 129 建立玻爾茲曼機 - 步驟 8.mp4
│ 130 建立玻爾茲曼機 - 步驟 9-zh.srt
│ 130 建立玻爾茲曼機 - 步驟 9.mp4
│ 131 建立玻爾茲曼機 - 步驟 10-zh.srt
│ 131 建立玻爾茲曼機 - 步驟 10.mp4
│ 132 建立玻爾茲曼機 - 步驟 11-zh.srt
│ 132 建立玻爾茲曼機 - 步驟 11.mp4
│ 133 建立玻爾茲曼機 - 步驟 12-zh.srt
│ 133 建立玻爾茲曼機 - 步驟 12.mp4
│ 134 建立玻爾茲曼機 - 步驟 13-zh.srt
│ 134 建立玻爾茲曼機 - 步驟 13.mp4
│ 135 建立玻爾茲曼機 - 步驟 14-zh.srt
│ 135 建立玻爾茲曼機 - 步驟 14.mp4
│ 136 評估玻爾茲曼機.html
│
├─24 ---------------------------- 第6部分 ----------------------------
│ 137 歡迎到第6部分- 自動編碼器.html
│
├─25 感知自動編碼器
│ 138 學習計劃-zh.srt
│ 138 學習計劃.mp4
│ 139 自動編碼器-zh.srt
│ 139 自動編碼器.mp4
│ 140 關于偏差的說明-zh.srt
│ 140 關于偏差的說明.mp4
│ 141 訓練自動編碼器-zh.srt
│ 141 訓練自動編碼器.mp4
│ 142 過度完整隱藏層-zh.srt
│ 142 過度完整隱藏層.mp4
│ 143 稀疏自動編碼器-zh.srt
│ 143 稀疏自動編碼器.mp4
│ 144 降噪自動編碼器-zh.srt
│ 144 降噪自動編碼器.mp4
│ 145 收縮自動編碼器-zh.srt
│ 145 收縮自動編碼器.mp4
│ 146 堆棧自動編碼器-zh.srt
│ 146 堆棧自動編碼器.mp4
│ 147 深度自動編碼器-zh.srt
│ 147 深度自動編碼器.mp4
│
├─26 構建自動編碼器
│ 148 怎樣下載數據集-zh.srt
│ 148 怎樣下載數據集.mp4
│ 149 安裝 PyTorch.html
│ 150 第5,6部分的數據預處理.html
│ 151 構建自動編碼器 - 步驟 1-zh.srt
│ 151 構建自動編碼器 - 步驟 1.mp4
│ 152 構建自動編碼器 - 步驟 2-zh.srt
│ 152 構建自動編碼器 - 步驟 2.mp4
│ 153 構建自動編碼器 - 步驟 3-zh.srt
│ 153 構建自動編碼器 - 步驟 3.mp4
│ 154 作業挑戰 - 編程練習.html
│ 155 構建自動編碼器 - 步驟 4-zh.srt
│ 155 構建自動編碼器 - 步驟 4.mp4
│ 156 構建自動編碼器 - 步驟 5-zh.srt
│ 156 構建自動編碼器 - 步驟 5.mp4
│ 157 構建自動編碼器 - 步驟 6-zh.srt
│ 157 構建自動編碼器 - 步驟 6.mp4
│ 158 構建自動編碼器 - 步驟 7-zh.srt
│ 158 構建自動編碼器 - 步驟 7.mp4
│ 159 構建自動編碼器 - 步驟 8-zh.srt
│ 159 構建自動編碼器 - 步驟 8.mp4
│ 160 構建自動編碼器 - 步驟 9-zh.srt
│ 160 構建自動編碼器 - 步驟 9.mp4
│ 161 構建自動編碼器 - 步驟 10-zh.srt
│ 161 構建自動編碼器 - 步驟 10.mp4
│ 162 構建自動編碼器 - 步驟 11-zh.srt
│ 162 構建自動編碼器 - 步驟 11.mp4
│
├─27 ------------------- 附件 - 機器學習基礎 -------------------
│ 163 機器學習基礎.html
│
├─28 感知回歸與分類
│ 164 回歸與分類需要什麼.html
│ 165 感知簡單線性回歸 - 步驟 1-zh.srt
│ 165 感知簡單線性回歸 - 步驟 1.mp4
│ 166 感知簡單線性回歸 - 步驟 2-zh.srt
│ 166 感知簡單線性回歸 - 步驟 2.mp4
│ 167 感知多元線性回歸-zh.srt
│ 167 感知多元線性回歸.mp4
│ 168 感知邏輯回歸-zh.srt
│ 168 感知邏輯回歸.mp4
│
├─29 數據預處理模板
│ 169 數據預處理 - 步驟 1-zh.srt
│ 169 數據預處理 - 步驟 1.mp4
│ 170 數據預處理 - 步驟 2-zh.srt
│ 170 數據預處理 - 步驟 2.mp4
│ 171 數據預處理 - 步驟 3-zh.srt
│ 171 數據預處理 - 步驟 3.mp4
│ 172 數據預處理 - 步驟 4-zh.srt
│ 172 數據預處理 - 步驟 4.mp4
│ 173 數據預處理 - 步驟 5-zh.srt
│ 173 數據預處理 - 步驟 5.mp4
│ 174 數據預處理 - 步驟 6-zh.srt
│ 174 數據預處理 - 步驟 6.mp4
│ 175 數據預處理模板-zh.srt
│ 175 數據預處理模板.mp4
│
└─30 分類模板
176 邏輯回歸實施 - 步驟 1-zh.srt
176 邏輯回歸實施 - 步驟 1.mp4
177 邏輯回歸實施 - 步驟 2-zh.srt
177 邏輯回歸實施 - 步驟 2.mp4
178 邏輯回歸實施 - 步驟 3-zh.srt
178 邏輯回歸實施 - 步驟 3.mp4
179 邏輯回歸實施 - 步驟 4-zh.srt
179 邏輯回歸實施 - 步驟 4.mp4
180 邏輯回歸實施 - 步驟 5-zh.srt
180 邏輯回歸實施 - 步驟 5.mp4
181 分類模板-zh.srt
181 分類模板.mp4 相關商品:

Udemy線上課程 Automating Microsoft Word from Excel Using VBA (含教材) 講師:Jose D. Sevilla 影音教學 英文發音 英語字幕版(DVD版)

Udemy線上課程 Live2D入門講座 讓可愛的女孩子動起來吧！? 講師:SKIMA learning 影音教學 中文發音 繁體中文字幕版(DVD版)

Udemy線上課程 完整的英語課程：學習英語|初學者(含教材) 講師:AbcEdu Online 影音教學 英文發音 中文字幕版(2DVD)

Udemy線上課程 Learn How Create And Make Jewelry: The Basics In Design 講師:Vicky Wittmann-Lamb 影音教學 英文發音 英語版(DVD版)

Udemy線上課程 蓋伊-川崎的創業教練課(含教材) 講師:Guy Kawasaki 影音教學 英文發音 繁體中文字幕版(DVD版)