这门课根据ACM和HGOE最新版人工智能体系的一百多个知识点，对深度学习理论进行了重新的梳理，内容囊括了从90年代到目前最新几乎所有主流模型，让你一课在手就能够建立全局的知识框架哦。而且还把算法和代码紧密结合，手把手教学习者用深度学习的方法解决实际问题，可以带你快速进入深度学习算法工程师的角色。
课程目录
深度学习必修课：进击算法工程师
├─ 001.1-1 课程内容和理念_.mp4
├─ 002.1-2 初识深度学习_.mp4
├─ 003.1-3 课程使用的技术栈_.mp4
├─ 007.3-1 CUDA+Anaconda深度学习环境搭建_.mp4
├─ 010.3-4 深度学习库PyTorch安装_.mp4
├─ 011.4-1 神经网络原理_.mp4
├─ 012.4-2 多层感知机_.mp4
├─ 013.4-3 前向传播和反向传播_.mp4
├─ 014.4-4 多层感知机代码实现_.mp4
├─ 015.4-5 回归问题_.mp4
├─ 016.4-6 线性回归代码实现_.mp4
├─ 017.4-7 分类问题_.mp4
├─ 018.4-8 多分类问题代码实现_.mp4
├─ 019.5-1 训练的常见问题_.mp4
├─ 020.5-2 过拟合欠拟合应对策略_.mp4
├─ 021.5-3 过拟合和欠拟合示例_.mp4
├─ 023.5-5 Dropout_.mp4
├─ 024.5-6 Dropout代码实现_.mp4
├─ 027.6-1 最优化与深度学习_.mp4
├─ 028.6-2 损失函数_.mp4
├─ 029.6-3 损失函数性质_.mp4
├─ 031.6-5 随机梯度下降法_.mp4
├─ 033.6-7 动量法_.mp4
├─ 037.6-11 梯度下降代码实现_.mp4
├─ 038.6-12 学习率调节器_.mp4
├─ 039.7-1 全连接层问题_.mp4
├─ 040.7-2 图像卷积_.mp4
├─ 041.7-3 卷积层_.mp4
├─ 042.7-4 卷积层常见操作_.mp4
├─ 044.7-6 卷积神经网络代码实现（LeNet）_.mp4
├─ 045.8-1 AlexNet_.mp4
├─ 046.8-2 VGGNet_.mp4
├─ 047.8-3 批量规范化_.mp4
├─ 048.8-4 GoogLeNet_.mp4
├─ 049.8-5 ResNet_.mp4
├─ 050.8-6 DenseNet_.mp4
├─ 052.9-2 文本数据预处理_.mp4
├─ 053.9-3 循环神经网络_.mp4
├─ 054.9-4 随时间反向传播算法_.mp4
├─ 055.9-5 循环神经网络代码实现_.mp4
├─ 056.9-6 RNN的长期依赖问题_.mp4
├─ 057.10-1 深度循环神经网络_.mp4
├─ 058.10-2 双向循环神经网络_.mp4
├─ 059.10-3 门控循环单元_.mp4
├─ 060.10-4 长短期记忆网络_.mp4
├─ 061.10-5 复杂循环神经网络代码实现_.mp4
├─ 062.10-6 编码器-解码器网络_.mp4
├─ 063.10-7 序列到序列模型代码实现_.mp4
├─ 065.10-9 机器翻译简单代码实现_.mp4
├─ 066.11-1 什么是注意力机制_.mp4
├─ 067.11-2 注意力的计算_.mp4
├─ 068.11-3 键值对注意力和多头注意力_.mp4
├─ 069.11-4 自注意力机制_.mp4
├─ 070.11-5 注意力池化及代码实现_.mp4
├─ 072.11-7 Transformer代码实现_.mp4
├─ 073.12-1BERT模型_.mp4
├─ 078.12-6 GPT模型代码实现_.mp4
├─ 081.13-3 变分自编码器_.mp4
├─ 082.13-4 生成对抗网络_.mp4
├─ 085.14-1 自定义数据加载_.mp4
├─ 086.14-2 图像数据增强_.mp4
├─ 087.14-3 迁移学习_.mp4
├─ 088.14-4 经典视觉数据集_.mp4
├─ 089.14-5 项目实战：猫狗大战_.mp4
├─ 091.15-2 词义搜索和句意表示_.mp4
├─ 092.15-3 预训练模型_.mp4
├─ 094.15-5 经典NLP数据集_.mp4
├─ 095.15-6 项目实战：电影评论情感分析_.mp4
├─ 099.16-4 深度学习最新发展趋势分析_.mp4
└─ 100.16-5 下一步学习的建议_.mp4
