本课程深入探讨人工智能核心——神经网络技术。从生物神经网络过渡到人工神经网络，系统讲解网络架构、激活函数、初始化方法、损失函数等基础概念与算法原理。还会通过诊断乳腺癌案例，带您实战模型构建、训练与测试全流程，并分享网络结构设计经验。 课程不仅剖析梯度下降、反向传播等核心算法，还详细介绍多种优化算法及学习率衰减策略，同时涵盖正则化技术。助您从理论到实践全面掌握神经网络知识，提升解决实际问题的能力
| 章节 | 内容 |
|---|---|
|
章节1 神经网络算法 |
1 : 生物神经网络到人工神经网络 2 : 神经网络架构与基本概念 3 : 激活函数的作用 4 : 激活函数_sigmoid 5 : 激活函数_实现 6 : 激活函数_tanh 7 : 激活函数_ReLU 8 : 激活函数_softmax 9 : 激活函数的总结与选择推荐 10 : 初始化的参数重要性与方法 11 : 初始化实战 12 : 模型构建思路 13 : 模型构建实现 14 : 模型参数的计算 15 : 损失函数介绍 16 : 损失函数_多分类交叉熵 17 : 损失函数_二分类交叉熵 18 : 损失函数_平均绝对误差 19 : 损失函数_均方误差 20 : 损失函数_SmoothL1 21 : 了解梯度下降算法 22 : 训练过程的核心概念 23 : 反向传播算法(了解) 24 : 反向传播计算案例 25 : 反向传播代码使用1 26 : 反向传播代码使用2 27 : 梯度下降优化算法介绍 28 : 优化方法_指数加权平均(EWMA) 29 : 优化方法_指数加权平均实现 30 : 优化算法_动量算法思路 31 : 优化算法_动量算法实现 32 : 优化算法_Adagrad思路 33 : 优化算法_Adagrad实现 34 : 优化算法_RMSProp思路 35 : 优化算法_RMSProp实现 36 : 优化算法_adam思路 37 : 优化算法_adam实现 38 : 优化算法小结 39 : 学习率衰减_固定步长衰减思路 40 : 学习率衰减_固定步长衰减实现 41 : 学习率衰减_指定步长衰减思路与实现 42 : 学习率衰减_指数衰减思路与实现 43 : 学习率衰减_余弦衰减思路与实现 44 : 正则化_了解 45 : 正则化_Dropout随机失活 46 : 正则化_BatchNormalization(了解) 47 : 案例_诊断乳腺癌介绍 48 : 案例_诊断乳腺癌_数据加载与预处理 49 : 案例_诊断乳腺癌_定义模型 50 : 案例_诊断乳腺癌_训练模型准备 51 : 案例_诊断乳腺癌_训练模型 52 : 案例_诊断乳腺癌_模型测试 53 : 案例_诊断乳腺癌_模型保存与使用 54 : 案例_网络结构设计_经验分享 |
京公网安备 11011402011233号