成為AI工程師必學的深度學習與 PyTorch 實作

節目介紹
  • 1-1 深度學習的演變
    約23 分鐘
  • 1-2 為什麼要使用 PyTorch：PyTorch 如何協助深度學習專案的開發
    約27 分鐘
  • 1-2範例程式解說
    約3 分鐘
  • 1-3 PyTorch 數值型態與基本運算
    約19 分鐘
  • 1-4 ONNX簡介
    約16 分鐘
  • 1-5 Pytorch dataloader
    約54 分鐘
  • 2-1 感知機神經網路
    約21 分鐘
  • 2-2 常用的 Activation Function (激勵函數, ACT)
    約20 分鐘
  • 3-0 神經網路怎麼學習
    約8 分鐘
  • 3-1 損失函數
    約50 分鐘
  • 3-2 梯度下降法
    約31 分鐘
  • 3-2 程式碼解說
    約25 分鐘
  • 3-3 倒傳遞學習法
    約25 分鐘
  • 3-4 參數常規化
    約34 分鐘
  • 3-5 參數初始方式
    約25 分鐘
  • 3-6 優化器（Optimizer）的選擇
    約25 分鐘
  • 4-1 卷積神經網路常用的原件
    約57 分鐘
  • 4-1 程式碼介紹
    約57 分鐘
  • 4-2 CNN經典模型介紹
    約83 分鐘
  • 4-3 如何利用Pytorch自行建立CNN網路，以ResNet為例
    約35 分鐘
  • 4-4 物件偵測方法介紹(YOLO)
    約64 分鐘
  • 4-5 影像切割方法介紹(U-NET)
    約23 分鐘
  • 4-6 資料增強(Data Augumentation)
    約34 分鐘
  • 4-7-1 實作：CNN影像分類 (貓狗分類)
    約38 分鐘
  • 4-7-2 實作：YOLO物件偵測 (人臉偵測) Part 1
    約38 分鐘
  • 4-7-2 實作：YOLO物件偵測 (人臉偵測) Part 2
    約32 分鐘
  • 4-7-3 實作：U-NET影像切割
    約22 分鐘
  • 5-0 時序神經網路-前言
    約24 分鐘
  • 5-1 遞迴神經網路(RNN)、5-2 長短期記憶模型(LSTM)、5-3 GRU網路
    約46 分鐘
  • 5-4 Transformer:自注意力(Self-Attention)
    約53 分鐘
  • 5-5-1 實作：透過LSTM進行股價預測實例操作
    約22 分鐘
  • 5-5-2 實作：透過LSTM進行多股價預測實例操作
    約10 分鐘
  • 5-6 實作中英文翻譯
    約40 分鐘
  • 解鎖單元：Generative Adversarial Network (GAN)
    約38 分鐘
重複播放
  • 電話：(02) 5571-3636
  • 傳真：(02) 5571-3535
  • 地址：100台北市中山區中山北路二段50巷21號3樓

網頁閒置太久，網站已將您登出，請點選以下按鈕進行登入。

登入 取消
  • 電話：(02) 5571-3636
  • 傳真：(02) 5571-3535
  • 地址：100台北市中山區中山北路二段50巷21號3樓