视频选集 1.1、快速入门深度学习与实战先导 1.2、深度学习简介 必看！！！环境安装补录视频 1.3、pycharm和anaconda的安装 2.1、线性回归模型与梯度下降法先导 2.2、线性回归定义和穷举法求解 2.3、最小二乘法 2.4、最小二乘法矩阵求导 2.5、梯度下降法 2.6、线性回归实战先导 2.7、线性回归实战案例 3.1、逻辑回归模型先导 3.2、逻辑回归原理 3.3、w参数的更新 3.4、b参数的更新 3.5、分类和回归模型评价指标 3.6、逻辑回归实战先导 3.7、逻辑回归模型实战---数据预处理 3.8、逻辑回归模型实战---模型训练和测试 4.1、全连接神经网络先导 4.2、全连接神经网络的整体结构 4.3、激活函数的作用 4.4、神经网络的激活函数 4.5、全连接神经网络前向传播 4.6、神经网络的损失函数 4.7、链式法则 4.8、全连接神经网络的反向传播 4.9、全连接神经网络实战先导 4.10、全连接神经网络实战---依赖库导入 4.11、全连接神经网络实战---数据预处理 4.12、全连接神经网络实战---模型的训练 4.13、全连接神经网络实战---模型的测试 4.14、空气质量预测先导 4.15、空气质量预测数据预处理 4.16、空气质量预测模型搭建 4.17、空气质量预测模型测试 4.18、空气质量预测评价指标评价模型 5.1、卷积神经网络开篇 5.2、图像在计算机中的本质 5.3、卷积神经网络整体结构 5.4、卷积运算及其权重共享 5.5、填充和步幅运算 5.6、多通道卷积运算 5.7、池化运算 5.8、卷积神经网络实战先导 5.9、LeNet卷积神经网络讲解 5.10卷积神经网络实战数据集预处理 5.11、利用keras搭建卷积神经网络模型 5.12、测试训练好的网络模型 6.1、循环神经网络章节先导 6.2、RNN神经网络单元结构 6.3、RNN神经网络和全连接神经网络对比 6.4、RNN神经网络数学模型和权重共享 6.5、RNN神经网络前向传播案例 6.6、RNN神经网络反向传播 6.7、RNN神经网络产生梯度消失和爆炸的原因 6.8、LSTM和RNN对比 6.9、LSTN单元基本运算 6.10、LSTM的遗忘门 6.11、LSTM的输入门和细胞状态的更新 6.12、LSTM的输出门 6.13、LSTM如何缓解梯度消失 6.14、基于LSTM黄金价格预测实战先导 6.15、导入依赖库 6.16、数据预处理 6.17、LSTM网络模型搭建 6.18、LSTM网络模型测试
