|
文章来源：斯坦福 一、课程内容说明 《CS231n》是斯坦福的李飞飞、Justin Johnson和Serena Yeung三位老师共同制作的2017年春节的最新教学课程。计算机视觉已经在我们的社会中普遍存在，应用于搜索，图像理解，应用程序，绘图，医学，无人机和自驾车。许多这些应用程序的核心是视觉识别任务，如图像分类，定位和检测。神经网络（又称“深度学习”）方法的最新进展大大提高了这些最先进的视觉识别系统的性能。本课程深入了解深入学习架构的细节，重点是学习这些任务的端到端模型，特别是图像分类。在10周的课程中，学生将学习实施，训练和调试自己的神经网络，并详细了解计算机视觉的尖端研究。最终的任务将涉及到数百万个参数卷积神经网络的训练，并将其应用于最大的图像分类数据集（ImageNet）。我们将重点介绍如何建立图像识别问题，学习算法（如反向传播），训练的实际工程技巧和微调网络，引导学生进行实际操作和最终课程项目。 二、课程教学团队（截图） 三、课程目录和地址（ppt）：可直接下载使用 4月4日 lecture1:Course Introduction http://cs231n./slides/2017/cs231n_2017_lecture1.pdf 4月6日 lecture2:Image Classification http://cs231n./slides/2017/cs231n_2017_lecture2.pdf 4月11日 lecture3:Loss Functions and Optimization http://cs231n./slides/2017/cs231n_2017_lecture3.pdf 4月13日 lecture4:Introduction to Neural Networks http://cs231n./slides/2017/cs231n_2017_lecture4.pdf 4月18日 lecture5:Convolutional Neural Networks http://cs231n./slides/2017/cs231n_2017_lecture5.pdf 4月20日 lecture6:Training Neural Networks, part I http://cs231n./slides/2017/cs231n_2017_lecture6.pdf 4月25日 lecture7:Training Neural Networks, part II http://cs231n./slides/2017/cs231n_2017_lecture7.pdf 4月27日 lecture8:Deep Learning Software http://cs231n./slides/2017/cs231n_2017_lecture8.pdf 5月2日 lecture9:CNN Architectures http://cs231n./slides/2017/cs231n_2017_lecture9.pdf 5月4日 lecture10:Recurrent Neural Networks http://cs231n./slides/2017/cs231n_2017_lecture10.pdf 5月11日 lecture11:Detection and Segmentation http://cs231n./slides/2017/cs231n_2017_lecture11.pdf 5月16日 lecture12:Visualizing and Understanding http://cs231n./slides/2017/cs231n_2017_lecture12.pdf 5月18日 lecture13:Generative Models http://cs231n./slides/2017/cs231n_2017_lecture13.pdf 5月23日 lecture14:Deep Reinforcement Learning http://cs231n./slides/2017/cs231n_2017_lecture14.pdf 5月25日 lecture15:Real-World Use ppt还未公布 6月1日 lecture16:Student spotlight talks, conclusions ppt还未公布 |
|
|
来自： 爱因思念l5j0t8 > 《资料》
