- 总片头(课程简介) 02:46
- 第1章-房价预测与回归问题
- 1.1 数据集 02:59
- 1.2 训练集观察 04:01
- 1.3 列变量观察 10:14
- 1.4 相关矩阵 09:59
- 1.5 缺失数据 06:30
- 1.6 离群值 03:50
- 1.7 正态分布 04:16
- 1.8 同方差与异方差 03:06
- 1.9 线性回归假设 03:41
- 1.10 参数估计 08:02
- 1.11 决定系数 02:49
- 1.12 特征工程 11:15
- 1.13 数据集划分与标准化 05:31
- 1.14 线性回归模型 07:24
- 1.15 岭回归模型 02:16
- 1.16 Lasso回归模型 07:26
- 1.17 ElasticNet回归模型 05:26
- 1.18 XGBoost回归模型 02:58
- 1.19 Voting回归模型 03:08
- 1.20 Stacking回归模型 04:13
- 1.21 模型比较 06:53
- 第2章-人体蛋白图谱与卷积神经网络
- 2.1 数据集 04:25
- 2.2 训练集观察 08:09
- 2.3 标签向量化 05:10
- 2.4 均衡性检查 03:26
- 2.5 构建新训练集 08:22
- 2.6 卷积运算 07:42
- 2.7 边缘扩充 04:20
- 2.8 卷积步长 02:20
- 2.9 三维卷积 04:58
- 2.10 定义卷积层 09:03
- 2.11 简单卷积神经网络 04:37
- 2.12 定义池化层 04:58
- 2.13 经典结构LeNet-5 02:36
- 2.14 卷积网络结构剖析 06:06
- 2.15 为什么使用卷积？ 04:03
- 2.16 数据集划分 06:22
- 2.17 图像的特征表示 02:33
- 2.18 蛋白图像的特征矩阵 06:32
- 2.19 数据标准化 04:57
- 2.20 模型定义 08:05
- 2.21 模型训练 03:44
- 2.22 模型评估 07:20
- 2.23 模型预测 04:51
- 第3章-细胞图像与深度卷积
- 3.1 数据集 04:39
- 3.2 数据采集 04:05
- 3.3 数据集观察 06:09
- 3.4 数据分布 06:17
- 3.5 筛选数据集 02:57
- 3.6 神经网络 05:21
- 3.7 符号化表示 03:41
- 3.8 激励函数 05:44
- 3.9 损失函数 04:13
- 3.10 梯度下降 08:42
- 3.11 正向传播 14:46
- 3.12 反向传播 10:51
- 3.13 偏差与方差 06:08
- 3.14 正则化 13:18
- 3.15 Mini-Batch梯度下降 08:48
- 3.16 优化算法 19:24
- 3.17 参数与超参数 06:50
- 3.18 Softmax回归 07:18
- 3.19 VGG-16卷积网络 08:37
- 3.20 ResNet卷积网络 12:44
- 3.21 1x1卷积 03:41
- 3.22 Inception卷积网络 09:41
- 3.23 合成细胞彩色图像 03:19
- 3.24 数据集划分 02:14
- 3.25 制作HDF5数据集 05:06
- 3.26 迁移学习与特征提取 05:12
- 3.27 基于VGG16的迁移学习 05:34
- 3.28 训练resNet50 模型 04:00
- 3.29 ResNet50模型预测 03:08
- 第4章-自动驾驶与YOLO算法
- 4.1 认识自动驾驶 02:42
- 4.2 数据集 04:56
- 4.3 数据集观察 05:16
- 4.4 变量观察 03:10
- 4.5 场景观察 07:52
- 4.6 场景动画 02:31
- 4.7 目标检测 04:34
- 4.8 特征点检测 02:03
- 4.9 滑动窗口实现目标检测 02:30
- 4.10 卷积方法实现滑动窗口 04:51
- 4.11 初识YOLO算法 04:12
- 4.12 交并比 01:19
- 4.13 非极大值抑制 03:00
- 4.14 Anchor Boxes 03:13
- 4.15 YOLO技术演进 07:45
- 4.16 用OpenCV显示图像 03:43
- 4.17 用OpenCV播放视频 02:09
- 4.18 用GoogLeNet对图像分类 03:50
- 4.19 用GoogLeNet对视频逐帧分类 01:38
- 4.20 YOLOv3预训练模型 03:33
- 4.21 YOLOv3对图像做目标检测 03:16
- 4.22 YOLOv3对视频做目标检测 02:00
- 4.23 YOLOv3对驾驶场景做目标检测 03:24
- 第5章-AlphaFold与蛋白质结构预测
- 5.1 什么是AlphaFold 07:50
- 5.2 肽键、多肽与肽链 02:38
- 5.3 蛋白质的四级结构 03:22
- 5.4 数据集 05:39
- 5.5 筛选蛋白质序列 05:34
- 5.6 计算残基之间的距离 08:22
- 5.7 二面角与拉氏构象图 05:22
- 5.8 计算二面角Phi和Psi 05:40
- 5.9 裁剪残基序列的One-Hot矩阵 05:04
- 5.10 裁剪评分矩阵和二面角标签 08:09
- 5.11 定义二面角预测模型 07:56
- 5.12 二面角模型参数设定与训练 06:30
- 5.13 二面角模型预测与评价 02:40
- 5.14 定义距离预测模型 05:37
- 5.15 构建残基序列3D特征矩阵 06:35
- 5.16 构建3D评分矩阵 03:47
- 5.17 定义距离标签的3D矩阵 04:40
- 5.18 距离模型参数设定与训练 05:37
- 5.19 距离模型预测与评价 08:05
- 第6章-机器问答与BERT模型
- 6.1 Google开放域数据集 09:25
- 6.2 序列模型与RNN 12:48
- 6.3 词向量 06:32
- 6.4 注意力机制 08:04
- 6.5 Transformer模型 10:36
- 6.6 BERT模型 09:24
- 6.7 数据集分析 09:46
- 6.8 F1分数 08:23
- 6.9 定义BERT模型和RoBERTa模型 04:10
- 6.10 训练BERT微调模型 03:22
- 6.11 用BERT微调模型预测 04:35
- 第7章-苹果树病虫害识别与模型集成
- 7.1 数据集 04:59
- 7.2 叶片观察 03:44
- 7.3 RGB通道观察 03:19
- 7.4 叶片图像分类观察 02:22
- 7.5 叶片类别分布统计 01:38
- 7.6 Canny边缘检测 03:01
- 7.7 数据增强 02:14
- 7.8 划分数据集 01:52
- 7.9 DenseNet模型定义 03:48
- 7.10 DenseNet模型训练 02:24
- 7.11 DenseNet模型预测与评估 02:55
- 7.12 EfficientNet模型定义 03:25
- 7.13 EfficientNet模型训练 01:19
- 7.14 EfficientNet模型预测与评估 03:12
- 7.15 EfficientNet Noisy Student模型 09:09
- 7.16 EfficientDet模型 03:49
- 7.17 模型集成 03:33
