11-3模型优化方法回顾.mp4 19.0MB

11-1肿瘤检测系统架构回顾.mp4 27.4MB

11-4面试过程中可能遇到的问题.mp4 45.5MB

11-2课程中的神经网络回顾.mp4 23.6MB

11-5持续学习的几个建议.mp4 42.6MB

6-5神经网络重要概念-梯度.mp4 35.1MB

6-4PyTorch中的广播机制.mp4 27.5MB

6-7神经网络重要概念-归一化.mp4 49.3MB

6-3神经网络重要概念-损失.mp4 18.6MB

6-9使用PyTorch自动计算梯度.mp4 32.2MB

6-2温度计示数转换.mp4 15.6MB

6-8使用超参数优化我们的模型效果.mp4 21.9MB

6-1常规模型训练的过程.mp4 19.1MB

6-14使用神经网络解决温度计示数转换问题.mp4 34.2MB

6-11神经网络重要概念-激活函数.mp4 27.9MB

6-6神经网络重要概念-学习率.mp4 36.7MB

6-12用PyTorch的nn模块搭建神经网络.mp4 16.8MB

6-10使用PyTorch提供的优化器.mp4 22.5MB

6-13构建批量训练方法.mp4 21.3MB

3-3课程重难点技能分布.mp4 8.5MB

3-4课程实战项目简介.mp4 10.9MB

3-1工业级数据挖掘流程一.mp4 41.1MB

3-2工业级数据挖掘流程二.mp4 31.9MB

7-17优化方案之数据正则化-normalization一.mp4 21.7MB

7-3为模型准备训练集和验证集.mp4 19.6MB

7-1CIFAR-10数据集介绍.mp4 11.6MB

7-5分类模型常用损失之交叉熵损失.mp4 12.2MB

7-12借助PyTorch搭建卷积网络.mp4 14.8MB

7-9卷积中的数据填充方法padding.mp4 7.7MB

7-21本章小结.mp4 8.8MB

7-18优化方案之数据正则化-normalization二.mp4 27.1MB

7-10使用卷积提取图像中的特定特征.mp4 13.3MB

7-14训练好的模型如何存储.mp4 3.9MB

7-16优化方案之增加模型宽度-width.mp4 17.6MB

7-4借助softmax方法给出分类结果.mp4 15.6MB

7-7对全连接网络的改进之卷积网络.mp4 22.2MB

7-19优化方案之数据正则化-normalization三.mp4 14.8MB

7-2为数据集实现Dataset类.mp4 15.7MB

7-15该用GPU训练我们的模型.mp4 16.6MB

7-8借助PyTorch搭建卷积网络模型.mp4 26.1MB

7-20优化方案之增加模型深度-depth.mp4 35.3MB

7-6全连接网络实现图像分类.mp4 47.6MB

7-11借助下采样压缩数据.mp4 12.4MB

7-13训练我们的分类模型.mp4 17.5MB

8-14本章小结.mp4 7.2MB

8-13CT数据可视化实现三.mp4 29.2MB

8-11CT数据可视化实现一.mp4 19.3MB

8-8数据坐标系的转换.mp4 32.1MB

8-2CT数据是什么样子.mp4 14.5MB

8-9编写Dataset方法.mp4 16.4MB

8-10分割训练集和验证集.mp4 13.2MB

8-12CT数据可视化实现二.mp4 38.8MB

8-4下载项目中的数据集.mp4 17.1MB

8-3制定一个解决方案.mp4 14.2MB

8-1肺部癌症检测的项目简介.mp4 23.4MB

8-5原始数据是长什么样子的.mp4 19.1MB

8-7加载CT影像数据.mp4 11.7MB

8-6加载标注数据.mp4 29.3MB

4-10张量的底层实现逻辑二.mp4 13.6MB

4-9张量的底层实现逻辑一.mp4 21.9MB