深度学习
作者:[美]伊恩·古德费洛、[加]约书亚·本吉奥、[加]亚伦·库维尔
出版社:人民邮电出版社
ISBN:9787115461476
VIP会员免费
(仅需0.8元/天)
¥ 107.52
温馨提示: 价值40000元的1000本电子书,VIP会员随意看哦!
电子书推荐
-
Deeplearning深度学习笔记v5.6.pdf 评分:
Deeplearning深度学习笔记v5.6.pdf。包括五门课程:神经网络和深度学习,改善深层神经网络,结构化机器学习项目,卷积神经网络,序列模型。
上传时间:2019-08 大小:19.39MB
- 22.9MB
Deeplearning深度学习笔记v5.6.rar
2019-08-05吴恩达 Deeplearning ~~~~~深度学习笔记 v5.6~~~~~~
- 22.47MB
Deeplearning深度学习笔记v5.6_吴恩达.zip
2019-05-24一直以为机器学习的重点在于设计精巧、神秘的算法来模拟人类解决问题。学了这门课程才明白如何根据实际问题优化、调整模型更为重要。事实上,机器学习所使用的核心算法几十年来都没变过。 什么是机器学习呢?以二类分类监督学习为例,假设我们已经有了一堆训练数据,每个训练样本可以看作n维空间里的一个点,那么机器学习的目标就是利用统计算法算出一个将这个n维空间分成两个部分(也就是把空间切成两半)的分界面,使得相同类别的训练数据在同一个部分里(在分界面的同侧)。而所用的统计算法无非是数学最优化理论的那些算法,梯度下降法等等。 在机器学习的模型中,神经网络是一个比较特殊的模型。因为它比较万能。万能二字可不是随便说说的,有定理为证,万能近似定理说,当神经网络的隐藏单元足够多,它就能逼近任意函数。也就是说,只要提供的训练数据量充足,就一定能用一个隐藏单元够多的神经网络去拟合这些训练数据。然而神经网络也有一个很严重的缺点:收敛速度太慢。这一缺点导致很长时间以来神经网络基本上都只能当作理论的标杆而很少被应用于实际问题。 近年来神经网络的兴起得益于三点:1. 算法进展;2. 大数据;3. 硬件提升。这三点使得神经网络(特别是深层网络)的训练速度大幅度提升。前面有说到,模型优化调整过程对于模型的建立至关重要。使用机器学习解决实际问题是一个持续迭代探索优化的过程,需要不断地试错。就好比在走迷宫,你不可能一开始就知道正确的路线在哪,只能加快步伐,尽可能快,尽可能早地走过每一条死路,并祈祷出口是存在着的。优化调整需要反复地训练模型,观察结果。在以前,一次训练可能耗时几个月甚至几年,这种情况下进行迭代调优的时间成本是不可接受的。而现在一次迭代可能只需要很短的一段时间,同时并发技术也使得同时训练不同参数的模型的方案变得可行。快速迭代,优化调整,使神经网络能够越来越多的应用于各种实际问题。 吴恩达的课程数学上是比较基础的。课程前面部分讲解了神经网络相关的主要算法,后面则侧重于讲工程上如何使用各种策略来调整优化模型使之能够快速地拟合实际问题。
- 25.48MB
Deeplearning深度学习笔记v5.6
2019-03-20吴恩达网课 深度学习笔记 帮转 黄海广博士,以前写过吴恩达老师的机器学习个人笔记。有朋友报名了课程,下载了这次课程的视频给大家分享。Coursera 的字幕不全,同学们在学习上感觉非常不方便,因此黄海广找志同道合的朋友翻译和整理字幕,中英文字幕来自于由他和曹骁威同学组织爱好者翻译,希望对大家有所帮助。
- 23.16MB
Deeplearning深度学习笔记v5.5.pdf
2020-01-30吴恩达这个资源找了半天,我找了各种笔记,发现还是这个好用,配合b站的双英文视频学习,有奇效! 另外分享一个吴恩达的课程目录,这里面也比较详细http://www.ai-start.com/dl2017/
- 26.70MB
Deeplearning深度学习笔记v5.6.pdf.zip
2020-03-12吴恩达--deeplearning--pdf-文字版,最新,对应深度学习视频课程,需要自取。清晰版本
- 30.78MB
(备份)(备份)Deeplearning深度学习笔记v5.6.pdf
2020-08-15是吴恩达老师的深度学习视频的总结pdf,讲的很详细,有图有上课的截图。配合老师的翻译,然后自己也可以做注释批注,也可以用画笔修改,挺方便的,适合学习。
- 25.47MB
最新:Deeplearning深度学习笔记v5.6.pdf
2019-04-21感谢吴恩达老师的视频课程、黄海广博士的视频汉化文档工作!~
- 24.43MB
吴恩达Deeplearning深度学习笔记v5.7.pdf
2020-06-22我设置的价格是0,CSDN下载多了会自动提价, 如有需要,请点击:...吴恩达 Deeplearning深度学习笔记v5.7 最新PDF版 免积分下载 https://blog.csdn.net/ftimes/article/details/106911087
- 26.10MB
Deeplearning深度学习笔记v5.71.pdf
2021-05-22深度学习笔记
- 31.70MB
deeplearning深度学习笔记v5.1.pdf
2019-12-18通过各位大牛整理得到学习深度学习的优秀宝典,可以轻松学习,=——= 。
- 25.57MB
Deeplearning 深度学习笔记
2018-05-08吴恩达Coursera深度学习教程中文笔记,这些课程专为已有一定基础(基本的编程知识,熟悉Python、对机器学习有基本了解),想要尝试进入人工智能领域的计算机专业人士准备。在这5堂课中,学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学习常用的网络结构、工具和知识都有涉及。
- 30.3MB
Deeplearning学习笔记
2019-03-04此文档是吴恩达老师deeplearning.ai学习课程的学习笔记,供大家分享!!顶!!
- 25.49MB
Deeplearning深度学习笔记v5.61.pdf
2019-10-07Coursera 深度学习教程中文 笔记 课程概述 这些课程专为已有一定基础(基本的编程知识,熟悉 Python、对机器学习有基本了解), 想要尝试进入人工智能领域的计算机专业人士准备。介绍显示:“深度学习是科技业最热门 的技能之一,本课程将帮你掌握深度学习。” 在这 5 堂课中,学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴 恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization 对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学 习常用的网络结构、工具和知识都有涉及。
- 74.69MB
Deeplearning深度学习笔记v5.6.zip
2019-12-26吴恩达的深度学习笔记翻译,里面的目录已经做好,可以直接作为书去打印,欢迎大家下载。课程概述 这些课程专为已有一定基础(基本的编程知识,熟悉Python、对机器学习有基本了解),想要尝试进入人工智能领域的计算机专业人士准备。介绍显示:“深度学习是科技业最热门的技能之一,本课程将帮你掌握深度学习。” 在这5堂课中,学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学习常用的网络结构、工具和知识都有涉及。 课程中也会有很多实操项目,帮助学生更好地应用自己学到的深度学习技术,解决真实世界问题。这些项目将涵盖医疗、自动驾驶、和自然语言处理等时髦领域,以及音乐生成等等。Coursera上有一些特定方向和知识的资料,但一直没有比较全面、深入浅出的深度学习课程——《深度学习专业》的推出补上了这一空缺。 课程的语言是Python,使用的框架是Google开源的TensorFlow。最吸引人之处在于,课程导师就是吴恩达本人,两名助教均来自斯坦福计算机系。完成课程所需时间根据不同的学习进度,大约需要3-4个月左右。学生结课后,Coursera将授予他们Deep Learning Specialization结业证书。 “我们将帮助你掌握深度学习,理解如何应用深度学习,在人工智能业界开启你的职业生涯。”吴恩达在课程页面中提到。 本人黄海广博士,以前写过吴恩达老师的机器学习个人笔记。有朋友报名了课程,下载了这次课程的视频给大家分享。Coursera的字幕不全,同学们在学习上感觉非常不方便,因此我找志同道合的朋友翻译和整理字幕,中英文字幕来自于由我和曹骁威同学组织爱好者翻译,希望对大家有所帮助。(备注:自网易公开课翻译深度学习课程后,我们不再翻译)
- 15.85MB
Deeplearning深度学习笔记v5.571
2022-08-03摘要本文档是针对吴恩达老师深度学习课程(deeplearning.ai)视频做的笔记深度学习课程笔记(V5.57)最后修改:2019-01-11你不是一个人在战
- 25.52MB
吴恩达 Deeplearning深度学习笔记v5.44.pdf
2021-09-09吴恩达 Deeplearning深度学习笔记v5.44.pdf
- 24.28MB
Deeplearning深度学习笔记v5.41.pdf
2019-06-06including modern techniques for deep learning. After working through the book you will have written code that uses neural networks and deep learning to solve complex pattern recognition problems. And you will have a foundation to use neural networks and deep learning to attack problems of your own devising. A principle-oriented approach
- 293.88MB
YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数
2023-10-06本资源纯属免费,不收任何钱和任何积分,纯粹为爱发电,本资源已经为大家整合好了的,看我的博客部署好直接用:https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址:https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先,利用YOLOv8算法对视频中的车辆目标进行检测,并对检测到的目标进行标记。然后,通过deepsort算法对标记的车辆目标进行跟踪,实现车辆目标的持续跟踪。最后,根据跟踪结果对车辆数量进行统计,实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明,帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。
- 98KB
YOLOv8网络结构图,自制visio文件,yolov8.vsds,需要的自取,在原有的基础上直接改就行了
2024-03-12YOLOv8网络结构图,自制visio文件,yolov8.vsds,需要的自取,在原有的基础上直接改就行了
- 367.44MB
yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt
2023-10-09yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt,需要创建的文件夹都以创建,方便大家不用再去GitHub下载 可以搭配该博客:https://blog.csdn.net/weixin_43366149/article/details/132206526?spm=1001.2014.3001.5501
- 26.50MB
Transformer模型实现长期预测并可视化结果(附代码+数据集+原理介绍)
2023-11-12这篇文章给大家带来是Transformer在时间序列预测上的应用,这种模型最初是为了处理自然语言处理(NLP)任务而设计的,但由于其独特的架构和能力,它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是:Transformer 在时间序列分析中的应用核心在于其自注意力机制,这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码,Transformer 不仅提高了处理效率,而且确保了时间顺序的准确性。其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用,这种模型最初是为了处理自然语言处理(NLP)任务而设计的,但由于其独特的架构和能力,它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是:Transformer 在时间序列分析中的应用核心在于其自注意力机制,这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码,Transformer 不仅提高了处理效率,而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现
- 141KB
社交平台上经济类话题的文章热度信息,数据是真实的,但不是真实日期
2023-03-16使用LSTM模型进行时序预测的代码与说明见:https://blog.csdn.net/Q_M_X_D_D_/article/details/109366895
- 123.13MB
Unet眼底血管图像分割数据集+代码+模型+系统界面+教学视频.zip
2024-02-17本资源配套对应的视频教程和图文教程,手把手教你使用Unet做眼底图像分割的训练、测试和界面封装,包含了Unet原理的解析、处理好的训练集和测试集、训练和测试的代码以及训练好的模型,并封装为了图形化界面,只需点击上传按钮上传图像即可完成眼底图像的预测。 随着生活水平的提高,眼科疾病以及心脑血管疾病的发病率呈现逐年增长的趋势。视网膜血管是这类疾病诊断和监测的重要信息来源,其形态和状况的变化可以反映出许多疾病的早期病理变化。然而,由于受眼底图像采集技术的限制以及视网膜血管自身结构的复杂性和多变性,使得视网膜血管的分割变得非常困难。传统方法依靠人工手动分割视网膜血管,不仅工作量巨大,极为耗时,而且受主观因素影响严重。通过眼底血管图像分割可以提高诊断准确性、效率以及推动科学研究和改进治疗方法等方面。 B站主页:https://space.bilibili.com/161240964 C站主页:https://blog.csdn.net/ECHOSON