面向医学领域的深度学习项目实战

ad***

价值498元的面向医学领域的深度学习项目实战
百度网盘下载 共计167个视频+完整配套资料。





面向医学领域的深度学习实战课程旨在帮助同学们快速掌握深度学习核心算法及其在医疗领域应用实例。课程内容主要包括：1.深度学习经典算法解读（包括分类，检测，识别，分割，命名实体识别，知识图谱等经典算法）；2.基于医疗数据集的项目实战（包括数据处理，网络架构分析，源码解读）；3.实际应用场景效果分析与应用实例。整体风格通俗易懂，提供课程所需全部内容。






资源目录：
1-1.课程介绍.mp4
1-2.1-深度学习要解决的问题.mp4
1-3.2-深度学习应用领域.mp4
1-4.3-计算机视觉任务.mp4
1-5.4-视觉任务中遇到的问题.mp4
1-6.5-得分函数.mp4
1-7.6-损失函数的作用.mp4
1-8.7-前向传播整体流程.mp4
1-9.8-返向传播计算方法.mp4
1-10.9-神经网络整体架构.mp4
1-11.10-神经网络架构细节.mp4
1-12.11-神经元个数对结果的影响.mp4
1-13.12-正则化与激活函数.mp4
1-14.13-神经网络过拟合解决方法.mp4
2-1.1-卷积神经网络应用领域.mp4
2-2.2-卷积的作用.mp4
2-3.3-卷积特征值计算方法.mp4
2-4.4-得到特征图表示.mp4
2-5.5-步长与卷积核大小对结果的影响.mp4
2-6.6-边缘填充方法.mp4
2-7.7-特征图尺寸计算与参数共享.mp4
2-8.8-池化层的作用.mp4
2-9.9-整体网络架构.mp4
2-10.10-VGG网络架构.mp4
2-11.11-残差网络Resnet.mp4
2-12.12-感受野的作用.mp4
3-1.PyTorch框架发展趋势简介.mp4
3-2.PyTorch框架发展趋势简介.mp4
3-3.框架安装方法（CPU与GPU版本）.mp4
3-4.PyTorch基本操作简介.mp4
3-5.自动求导机制.mp4
3-6.线性回归DEMO-数据与参数配置.mp4
3-7.线性回归DEMO-训练回归模型.mp4
3-8.常见tensor格式.mp4
3-9.Hub模块简介.mp4
4-1.卷积网络参数定义.mp4
4-2.网络流程解读.mp4
4-3.Vision模块功能解读.mp4
4-4.分类任务数据集定义与配置.mp4
4-5.图像增强的作用.mp4
4-6.数据预处理与数据增强模块.mp4
4-7.Batch数据制作.mp4
4-8.迁移学习的目标.mp4
4-9.迁移学习策略.mp4
4-10.加载训练好的网络模型.mp4
4-11.优化器模块配置.mp4
4-12.实现训练模块.mp4
4-13.训练结果与模型保存.mp4
4-14.加载模型对测试数据进行预测.mp4
4-15.额外补充-Resnet论文解读.mp4
4-16.额外补充-Resnet网络架构解读.mp4
5-1.医学疾病数据集介绍.mp4
5-2.Resnet网络架构原理分析.mp4
5-3.dataloader加载数据集.mp4
5-4.Resnet网络前向传播.mp4
5-5.残差网络的shortcut操作.mp4
5-6.特征图升维与降采样操作.mp4
5-7.网络整体流程与训练演示.mp4
6-1.语义分割与实例分割概述.mp4
6-2.分割任务中的目标函数定义.mp4
6-3.MIOU评估标准.mp4
7-1.Unet网络编码与解码过程.mp4
7-2.网络计算流程.mp4
7-3.Unet升级版本改进.mp4
7-4.后续升级版本介绍.mp4
8-1.医学细胞数据集介绍与参数配置.mp4
8-2.数据增强工具.mp4
8-3.Debug模式演示网络计算流程.mp4
8-4.特征融合方法演示.mp4
8-5.迭代完成整个模型计算任务.mp4
8-6.模型效果验证.mp4
9-1.deeplab分割算法概述.mp4
9-2.空洞卷积的作用.mp4
9-3.感受野的意义.mp4
9-4.SPP层的作用.mp4
9-5.ASPP特征融合策略.mp4
9-6.deeplabV3Plus版本网络架构.mp4
10-1.PascalVoc数据集介绍.mp4
10-2.项目参数与数据集读取.mp4
10-3.ASPP层特征融合.mp4
10-4.网络前向传播流程.mp4
10-5.分割模型训练.mp4
11-1.数据集与任务概述.mp4
11-2.项目基本配置参数.mp4
11-3.任务流程解读.mp4
11-4.文献报告分析.mp4
11-5.补充：视频数据源特征处理方法概述.mp4
11-6.补充：R(2plus1)D处理方法分析.mp4
12-1.检测任务中阶段的意义.mp4
12-2.不同阶段算法优缺点分析.mp4
12-3.IOU指标计算.mp4
12-4.评估所需参数计算.mp4
12-5.map指标计算.mp4
12-6.YOLO算法整体思路解读.mp4
12-7.检测算法要得到的结果.mp4
12-8.整体网络架构解读.mp4
12-9.位置损失计算.mp4
12-10.置信度误差与优缺点分析.mp4
13-1.V2版本细节升级概述.mp4
13-2.网络结构特点.mp4
13-3.架构细节解读.mp4
13-4.基于聚类来选择先验框尺寸.mp4
13-5.偏移量计算方法.mp4
13-6.坐标映射与还原.mp4
13-7.感受野的作用.mp4
13-8.特征融合改进.mp4
13-9.V3版本改进概述.mp4
13-10.多scale方法改进与特征融合.mp4
13-11.经典变换方法对比分析.mp4
13-12.残差连接方法解读.mp4
13-13.整体网络模型架构分析.mp4
13-14.先验框设计改进.mp4
13-15.sotfmax层改进.mp4
13-16.V4版本整体概述.mp4
13-17.V4版本贡献解读.mp4
13-18.数据增强策略分析.mp4
13-19.DropBlock与标签平滑方法.mp4
13-20.损失函数遇到的问题.mp4
13-21.CIOU损失函数定义.mp4
13-22.NMS细节改进.mp4
13-23.SPP与CSP网络结构.mp4
13-24.SAM注意力机制模块.mp4
13-25.PAN模块解读.mp4
13-26.激活函数与整体架构总结.mp4
14-1.任务与细胞数据集介绍.mp4
14-2.模型与算法配置参数解读.mp4
14-3.网络训练流程演示.mp4
14-4.效果评估与展示.mp4
14-5.细胞检测效果演示.mp4
15-1.知识图谱通俗解读.mp4
15-2.知识图谱在搜索引擎中的应用.mp4
15-3.知识图谱在医疗领域应用实例.mp4
15-4.金融与推荐领域的应用.mp4
15-5.数据获取分析.mp4
15-6.数据关系抽取分析.mp4
15-7.常用NLP技术点分析.mp4
15-8.graph-embedding的作用与效果.mp4
15-9.金融领域图编码实例.mp4
15-10.视觉领域图编码实例.mp4
15-11.图谱知识融合与总结分析.mp4
16-1.Neo4j图数据库介绍.mp4
16-2.Neo4j数据库安装流程演示.mp4
16-3.可视化例子演示.mp4
16-4.创建与删除操作演示.mp4
16-5.数据库更改查询操作演示.mp4
17-1.项目概述与整体架构分析.mp4
17-2.医疗数据介绍及其各字段含义.mp4
17-3.任务流程概述.mp4
17-4.环境配置与所需工具包安装.mp4
17-5.提取数据中的关键字段信息.mp4
17-6.创建关系边.mp4
17-7.打造医疗知识图谱模型.mp4
17-8.加载所有实体数据.mp4
17-9.实体关键词字典制作.mp4
17-10.完成对话系统构建.mp4
18-1.词向量模型通俗解释.mp4
18-2.模型整体框架.mp4
18-3.训练数据构建.mp4
18-4.CBOW与Skip-gram模型.mp4
18-5.负采样方案.mp4
18-6.额外补充-RNN网络模型解读.mp4
19-1.数据与任务介绍.mp4
19-2.整体模型架构.mp4
19-3.数据-标签-语料库处理.mp4
19-4.输入样本填充补齐.mp4
19-5.训练网络模型.mp4
19-6.医疗数据集（糖尿病）实体识别.mp4

下载地址：

游客，如果您要查看本帖隐藏内容请回复

mabom***

支持一下

momo***

geanrbetnt

mr***

好好学习，天天向上

liuyang***

ffwfwwwrrwrwrwrwrrwrt

10315***

谢谢分享!!!!!

19603***

99898988989898989

sakur***

6666666666666666

hix***

快点到盘里来

ic***

很不错  是我想要的