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114课时: 5.17 定义距离标签的3D矩阵
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