9.9-如何实例化深度残差网络.mp4 114.7MB

9.8-残差网络的维度变换.mp4 87.0MB

9.7-在网络中引入残差层.mp4 85.4MB

9.6-构建残差网络的每个子模块.mp4 108.8MB

9.5-11卷积的含义和效果（二）.mp4 974KB

9.4-11卷积的含义和效果（一）.mp4 2.7MB

9.3-批标准化的效果展示.mp4 95.2MB

9.2-在pytorch中引入批量正则化.mp4 79.4MB

9.1-如何提取中间变量.mp4 113.9MB

8.4-批量标准化的操作是怎么进行的.mp4 58.8MB

8.3-阈值变换如何应对过拟合.mp4 53.5MB

8.2-为什么批量标准化比标准化好.mp4 56.1MB

8.1-批量标准化怎么做.mp4 43.8MB

7.5-残差网络的数学原理.mp4 96.4MB

7.4-残差网络的定义.mp4 86.5MB

7.3-深度网络中的梯度消失问题.mp4 109.4MB

7.2-VGG19.mp4 64.1MB

7.1-AlexNet的技术细节.mp4 137.5MB

6.9-CNN要调节的主要参数（二）.mp4 42.5MB

6.8-CNN要调节的主要参数（一）.mp4 34.0MB

6.7-PyTorch里的图像预处理与可视化.mp4 86.2MB

6.6-PyTorch中的优化器选择.mp4 86.9MB

6.5-Adam算法.mp4 55.4MB

6.4-自适应的梯度下降及流平均改进法.mp4 105.3MB

6.3-两个参数问题下的优化面临的问题.mp4 45.5MB

6.2-动量化梯度下降的原理和实现.mp4 90.8MB

6.12-神经网络的训练与测试及训练的效果展示.mp4 125.2MB

6.11-卷积网络中的全连接层.mp4 87.2MB

6.10-构建卷积网络的代码讲解.mp4 85.7MB

6.1-梯度下降法在PyTorch中的实现.mp4 84.6MB

5.8-Drop out在神经网络中的应用和实现.mp4 115.0MB

5.7-多层网络的模型构建流程、神经网络的参数初始化.mp4 123.7MB

5.6-用类的方法实现逻辑斯蒂回归.mp4 75.7MB

5.5-逻辑回归的问题介绍.mp4 59.9MB

5.4-PyTorch中的优化器和损失函数.mp4 86.3MB

5.3-网络视角下的线性模型、PyTorch对神经网络的支持包.mp4 105.6MB

5.2-PyTorch中的反向求导.mp4 78.1MB

5.1-PyTorch中的基本概念—变量.mp4 111.1MB

4.9-卷积神经网络的训练方法.mp4 71.9MB

4.8-池化操作与层层抽象.mp4 88.2MB

4.7-引入激活函数以提取非线性特征.mp4 91.3MB

4.6-卷积是如何提取特征的、卷积网络的生物学机理.mp4 125.1MB

4.5-图像识别的传统方法及其问题（二）.mp4 84.1MB

4.4-图像识别的传统方法及其问题（一）.mp4 75.2MB

4.3-卷积操作的代码展示.mp4 74.5MB

4.2-图像识别中的滤镜与卷积.mp4 64.4MB

4.1-卷积神经网络的历史.mp4 68.1MB

38.9-泰坦尼克数据处理与分析（九）.mp4 114.9MB

38.8-泰坦尼克数据处理与分析（八）.mp4 131.5MB

38.7-泰坦尼克数据处理与分析（七）.mp4 127.4MB

38.6-泰坦尼克数据处理与分析（六）.mp4 75.3MB

38.5-泰坦尼克数据处理与分析（五）.mp4 99.7MB

38.4-泰坦尼克数据处理与分析（四）.mp4 114.1MB

38.3-泰坦尼克数据处理与分析（三）.mp4 76.6MB

38.2-泰坦尼克数据处理与分析（二）.mp4 81.4MB

38.1-泰坦尼克数据处理与分析（一）.mp4 95.9MB

37.9-Pandas基本操作（三）.mp4 118.9MB

37.8-Pandas基本操作（二）.mp4 95.3MB

37.7-Pandas基本操作（一）.mp4 129.4MB

37.6-NumPy基本操作（六）.mp4 84.4MB