1. 深度学习的核心算法，例如反向传播、梯度下降等。
课程推荐
《深度学习算法（价值599元）》1. 深度学习的核心算法，例如反向传播、梯度下降等。【技能收获】学完可掌握：核心实战技能、项目驱动学习。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：相关领域工程师、技术专项人才、项目实战型开发者。系统学习并产出可展示的项目成果，是技术岗跳槽与晋升的有效路径；完整课程目录有助于制定阶段性学习计划并在简历中体现技术深度。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。
视频目录（113 节）
深度学习算法（价值599元）
* 1-1 课程介绍.mp4
* 1-2 课程特色.mp4
* 1-3 线性变换的学习.mp4
* 1-4 维度不变的线性变换.mp4
* 1-5 降维线性变换.mp4
* 1-6 升维线性变换.mp4
* 2-1 线性二分类问题的引入.mp4
* 2-2 线性二分类问题推导神经网络.mp4
* 3-1 复杂的图像分割思路.mp4
* 3-2 神经网络解决复杂分割问题.mp4
* 3-3 激活函数的理解.mp4
* 3-4 求解深度神经网络.mp4
* 3-5 万能近似定理.mp4
* 4-1 单双层感知器效果差异.mp4
* 4-2 理解多层感知器的本质.mp4
* 4-3 双层感知器的单层表达.mp4
* 5-1 多层感知器的训练效果对比.mp4
* 5-2 多层感知器的优缺点.mp4
* 5-3 多层隐藏层的收敛速度.mp4
* 5-4 多层感知器的参数效率.mp4
* 6-1 全连接层的角色.mp4
* 6-2 注意力机制中的全连接层.mp4
* 7-1 FNN识别局部特征的难点.mp4
* 7-2 卷积神经网络计算过程.mp4
* 7-3 pytorch实现卷积神经网络.mp4
* 7-4 复杂特征的卷积核大小设置.mp4
* 7-5 卷积和常用大小为什么是3X3.mp4
* 7-6 图像识别为什么无法精确.mp4
* 7-7 MNIST手写识别.mp4
* 7-8 CNN的发展历史.mp4
* 7-9 CNN的理论依据-LeNet-5.mp4
* 7-10 CNN的成功实践-AlexNet.mp4
* 7-11 CNN架构设计思路-VGG.mp4
* 7-12 堆叠的CNN更具判别能力.mp4
* 7-13 如何提升CNN的深度-ResNet.mp4
* 7-14 CNN遇到Transformer的挑战.mp4
* 8-1 深度学习中的困难点有什么.mp4
* 8-2 什么是性能指标.mp4
* 8-3 准确率指标适合场景.mp4
* 8-4 精确率能解决的问题场景.mp4
* 8-5 召回率的场景和F1指标.mp4
* 8-6 模型预测的阈值对召回率和精确率的影响.mp4
* 8-7 PR曲线的应用场景.mp4
* 8-8 ROC曲线和模型性能.mp4
* 9-1 损失函数的定义.mp4
* 9-2 梯度下降法详解.mp4
* 9-3 损失函数选择的原则.mp4
* 9-4 交叉熵的设计原则.mp4
* 9-5 加权交叉熵解决的问题.mp4
* 9-6 带标签平滑的交叉熵损失.mp4
* 9-7 分类难易问题-焦点损失.mp4
* 9-8 回归任务的三大损失函数.mp4
* 9-9 存在上限和下限的损失.mp4
* 9-10 泊松分布能做什么.mp4
* 9-11 深度学习中的泊松损失.mp4
* 9-12 分位损失和Huber和LogCosh损失.mp4
* 9-13 极大似然估计-损失函数的母体.mp4
* 9-14 回归任务的母体函数-高斯分布.mp4
* 9-15 回归任务为什么使用高斯分布.mp4
* 9-16 分类任务的母体函数.mp4
* 9-17 其他特定任务的损失函数.mp4
* 10-1 正则化现象是什么.mp4
* 10-2 L2正则化解决的问题.mp4
* 10-3 L1正则化解决了什么问题.mp4
* 10-4 过拟合问题如何定义.mp4
* 10-5 dropout解决的问题.mp4
* 10-6 早停与批量归一化.mp4
* 11-1 损失曲线挑战是什么.mp4
* 11-2 Hession矩阵是什么.mp4
* 11-3 参数的梯度相互影响如何判断.mp4
* 11-4 Hession矩阵的使用思考.mp4
* 11-5 线性变换后Hession矩阵失效.mp4
* 11-6 Hession为什么要使用特征值.mp4
* 11-7 应对挑战的各种方法.mp4
* 12-1 7大生成模型.mp4
* 12-2 图像的生成法则是什么.mp4
* 12-3 潜空间指的是什么.mp4
* 12-4 潜空间与概率分布.mp4
* 12-5 图片生成思路-可逆函数.mp4
* 12-6 图片生成难点-文字生成图片.mp4
* 12-7 潜空间为什么不可控.mp4
* 12-8 潜空间的平滑性连续性.mp4
* 12-9 什么样的潜空间是连续平滑的.mp4
* 12-10 高斯潜空间及其演示.mp4
* 12-11 模拟上帝掷骰子生成图片.mp4
* 12-12 标准化流模型训练和总结.mp4
* 13-1 标准化流模型的缺点.mp4
* 13-2 流匹配模型的处理思路.mp4
* 13-3 流匹配模型的路径分解思路.mp4
* 13-4 能量场及其作用.mp4
* 13-5 流匹配模型的潜空间特点.mp4
* 13-6 潜空间使用高斯采样的好处.mp4
* 13-7 概率分布视角理解流匹配模型.mp4
* 14-1 扩散模型-流匹配模型前身.mp4
* 14-2 扩散模型训练的方式.mp4
* 14-3 从概率分布视角理解.mp4
* 14-4 加噪过程为什么要越来越强.mp4
* 14-5 加噪为什么是等差数列.mp4
* 14-6 训练为什么不需要逐步迭代.mp4
* 14-7 DDPM和DDIM的区别.mp4
* 14-8 扩散模型的平滑性如何保证.mp4
* 14-9 扩散模型生成图片关键细节.mp4
* 15-1 VAE的使用场景.mp4
* 15-2 VAE混合风格的本质.mp4
* 15-3 怎么理解图片的抗噪能力.mp4
* 15-4 VAE的训练算法.mp4
* 15-5 怎么解码出原始特征.mp4
* 15-6 VAE是怎么做异常检测的.mp4
* 16-1 能量模型的特征.mp4
* 16-2 不好拟合的曲线.mp4
* 16-3 Lipschitz规则.mp4
* 16-4 使用Lipschitz判断技巧.mp4
* 16-5 能量函数的定义.mp4
