VIP会员

吴恩达Deeplearning深度学习笔记v5.7.pdf

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：https://blog.csdn.net/ftimes/article/details/106911087 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

黄海广博士整理的吴恩达深度学习笔记，v5.44，746页

文档是黄海广博士针对吴恩达老师深度学习课程(deeplearning.ai)视频做的笔记，v5.44，746页。最后修改：2018-04-30。

吴恩达Coursera深度学习笔记

吴恩达倾力奉献，创建的Coursera的deeplearning.ia。里面囊括了所有的上课笔记！

吴恩达深度学习课程笔记

吴恩达深度学习课程笔记

吴恩达深度学习笔记

吴恩达的深度学习笔记最新版本，DeepLearning.ai DeepLearning.ai DeepLearning.ai

吴恩达深度学习 编程作业（1-4课）

吴恩达-深度学习1-4课编程作业（包括课后的quiz和编程作业）都在里面。希望大家学习快乐~~

斯坦福大学机器学习课程 吴恩达深度学习笔记v5.44

神经网络图解机器学习.pdf吴恩达深度学习笔记v5.44 图解机器学习 ,（日）杉山将著 ,P226 sample

Deep AI 吴恩达深度学习-课程笔记

Deep AI 吴恩达深度学习-课程笔记

吴恩达-Deeplearning深度学习笔记v5.51.docx

吴恩达深度学习的课堂笔记完整版下载

吴恩达深度学习笔记v5.5

这些课程专为已有一定基础（本的编知识，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士准备。 想要尝试进入人工智能领域的计算机专业士准备。介绍显示：“深度学习是科技最热门 的技能之一，本课程将帮你掌握深度学习。” 在这5堂课中，学生将可以习到深度的基础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机器学习项目。Deep Learning Specialization对卷积神经网络 (CNN)、递归神经网络 、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。

吴恩达（Andrew Ng）深度学习工程师系列课程笔记

关于吴恩达（Andrew Ng）深度学习工程师系列课程笔记，内容比较全，写的比较详细

吴恩达老师深度学习笔记（中文版）

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

吴恩达DL深度学习笔记v3.03.pdf

Coursera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 ...

吴恩达深度学习作业笔记和作业源码+笔记.zip

吴恩达深度学习作业 吴恩达深度学习作业笔记和作业源码+笔记.zip吴恩达深度学习作业笔记和作业源码+笔记.zip吴恩达深度学习作业笔记和作业源码+笔记.zip吴恩达深度学习作业笔记和作业源码+笔记.zip

Coursera吴恩达深度学习教程中文笔记

deeplearning_ai_books-master.zip Coursera吴恩达深度学习教程中文笔记，由中国海洋大学黄海广博士整理，仅供个人学习使用，github地址： https://github.com/fengdu78/deeplearning_ai_books

吴恩达深度学习笔记.pdf

深度学习

吴恩达深度学习笔记(1)+作业.pdf

吴恩达深度学习笔记(1)+作业.pdf

深度学习笔记-吴恩达

吴恩达-深度学习课程笔记，推荐deeplearning.ai课程。

YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数

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。

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

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

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt

yolov8(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

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）

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

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

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

行人跌倒数据集（VOC格式）

行人跌倒数据集（VOC格式）

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

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

全新的SOTA模型YOLOv9

当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息，以计算目标函数，从而获得可靠的梯度信息以更新网络权重。此外，我们还设计了一种基于梯度路径规划的新型轻量级网络架构——广义高效层聚合网络（GELAN）。GELAN的架构证明了PGI在轻量级模型上获得了优越的结果。我们在基于MS COCO数据集的目标检测上验证了所提出的GELAN和PGI。结果显示，GELAN仅使用传统的卷积运算符就实现了比基于深度卷积的最新方法更好的参数利用率。PGI可用于从轻量级到大型的各种模型，它可以获取完整信息，使得从零开始训练的模型比使用大型数据集预训练的最新模型获得更好的结果，比较结果如图1所示。