文泉课堂
- 年轻人的新知识课堂。
旗下网站
旗下产品
文泉考试
文泉题库
关注我们
文泉课堂公众号
课程
课程
登录
注册
登录
注册
大数据与机器学习微课视频（董相志）-9787302564249
第72课时： 3.27 基于VGG16的迁移学习
查看课程
课时列表
第2课时： 1.1 数据集
第3课时： 1.2 训练集观察
第4课时： 1.3 列变量观察
第5课时： 1.4 相关矩阵
第6课时： 1.5 缺失数据
第7课时： 1.6 离群值
第8课时： 1.7 正态分布
第9课时： 1.8 同方差与异方差
第10课时： 1.9 线性回归假设
第11课时： 1.10 参数估计
第12课时： 1.11 决定系数
第13课时： 1.12 特征工程
第14课时： 1.13 数据集划分与标准化
第15课时： 1.14 线性回归模型
第16课时： 1.15 岭回归模型
第17课时： 1.16 Lasso回归模型
第18课时： 1.17 ElasticNet回归模型
第19课时： 1.18 XGBoost回归模型
第20课时： 1.19 Voting回归模型
第21课时： 1.20 Stacking回归模型
第22课时： 1.21 模型比较
第23课时： 2.1 数据集
第24课时： 2.2 训练集观察
第25课时： 2.3 标签向量化
第26课时： 2.4 均衡性检查
第27课时： 2.5 构建新训练集
第28课时： 2.6 卷积运算
第29课时： 2.7 边缘扩充
第30课时： 2.8 卷积步长
第31课时： 2.9 三维卷积
第32课时： 2.10 定义卷积层
第33课时： 2.11 简单卷积神经网络
第34课时： 2.12 定义池化层
第35课时： 2.13 经典结构LeNet-5
第36课时： 2.14 卷积网络结构剖析
第37课时： 2.15 为什么使用卷积？
第38课时： 2.16 数据集划分
第39课时： 2.17 图像的特征表示
第40课时： 2.18 蛋白图像的特征矩阵
第41课时： 2.19 数据标准化
第42课时： 2.20 模型定义
第43课时： 2.21 模型训练
第44课时： 2.22 模型评估
第45课时： 2.23 模型预测
第46课时： 3.1 数据集
第47课时： 3.2 数据采集
第48课时： 3.3 数据集观察
第49课时： 3.4 数据分布
第50课时： 3.5 筛选数据集
第51课时： 3.6 神经网络
第52课时： 3.7 符号化表示
第53课时： 3.8 激励函数
第54课时： 3.9 损失函数
第55课时： 3.10 梯度下降
第56课时： 3.11 正向传播
第57课时： 3.12 反向传播
第58课时： 3.13 偏差与方差
第59课时： 3.14 正则化
第60课时： 3.15 Mini-Batch梯度下降
第61课时： 3.16 优化算法
第62课时： 3.17 参数与超参数
第63课时： 3.18 Softmax回归
第64课时： 3.19 VGG-16卷积网络
第65课时： 3.20 ResNet卷积网络
第66课时： 3.21 1x1卷积
第67课时： 3.22 Inception卷积网络
第68课时： 3.23 合成细胞彩色图像
第69课时： 3.24 数据集划分
第70课时： 3.25 制作HDF5数据集
第71课时： 3.26 迁移学习与特征提取
第72课时： 3.27 基于VGG16的迁移学习
第73课时： 3.28 训练resNet50 模型
第74课时： 3.29 ResNet50模型预测
第75课时： 4.1 认识自动驾驶
第76课时： 4.2 数据集
第77课时： 4.3 数据集观察
第78课时： 4.4 变量观察
第79课时： 4.5 场景观察
第80课时： 4.6 场景动画
第81课时： 4.7 目标检测
第82课时： 4.8 特征点检测
第83课时： 4.9 滑动窗口实现目标检测
第84课时： 4.10 卷积方法实现滑动窗口
第85课时： 4.11 初识YOLO算法
第86课时： 4.12 交并比
第87课时： 4.13 非极大值抑制
第88课时： 4.14 Anchor Boxes
第89课时： 4.15 YOLO技术演进
第90课时： 4.16 用OpenCV显示图像
第91课时： 4.17 用OpenCV播放视频
第92课时： 4.18 用GoogLeNet对图像分类
第93课时： 4.19 用GoogLeNet对视频逐帧分类
第94课时： 4.20 YOLOv3预训练模型
第95课时： 4.21 YOLOv3对图像做目标检测
第96课时： 4.22 YOLOv3对视频做目标检测
第97课时： 4.23 YOLOv3对驾驶场景做目标检测
第98课时： 5.1 什么是AlphaFold
第100课时： 5.3 蛋白质的四级结构
第101课时： 5.4 数据集
第102课时： 5.5 筛选蛋白质序列
第103课时： 5.6 计算残基之间的距离
第104课时： 5.7 二面角与拉氏构象图
第105课时： 5.8 计算二面角Phi和Psi
第106课时： 5.9 裁剪残基序列的One-Hot矩阵
第107课时： 5.10 裁剪评分矩阵和二面角标签
第108课时： 5.11 定义二面角预测模型
第109课时： 5.12 二面角模型参数设定与训练
第110课时： 5.13 二面角模型预测与评价
第111课时： 5.14 定义距离预测模型
第112课时： 5.15 构建残基序列3D特征矩阵
第113课时： 5.16 构建3D评分矩阵
第114课时： 5.17 定义距离标签的3D矩阵
第115课时： 5.18 距离模型参数设定与训练
第116课时： 5.19 距离模型预测与评价
第99课时： 5.2 肽键、多肽与肽链
第117课时： 6.1 Google开放域数据集
第118课时： 6.2 序列模型与RNN
第119课时： 6.3 词向量
第120课时： 6.4 注意力机制
第121课时： 6.5 Transformer模型
第122课时： 6.6 BERT模型
第123课时： 6.7 数据集分析
第124课时： 6.8 F1分数
第125课时： 6.9 定义BERT模型和RoBERTa模型
第126课时： 6.10 训练BERT微调模型
第127课时： 6.11 用BERT微调模型预测
第128课时： 7.1 数据集
第129课时： 7.2 叶片观察
第130课时： 7.3 RGB通道观察
第131课时： 7.4 叶片图像分类观察
第132课时： 7.5 叶片类别分布统计
第133课时： 7.6 Canny边缘检测
第134课时： 7.7 数据增强
第135课时： 7.8 划分数据集
第136课时： 7.9 DenseNet模型定义
第137课时： 7.10 DenseNet模型训练
第138课时： 7.11 DenseNet模型预测与评估
第139课时： 7.12 EfficientNet模型定义
第140课时： 7.13 EfficientNet模型训练
第141课时： 7.14 EfficientNet模型预测与评估
第142课时： 7.15 EfficientNet Noisy Student模型
第143课时： 7.16 EfficientDet模型
第144课时： 7.17 模型集成
第1课时： 总片头(课程简介)
学
习
中
心
TOP
