人工智能深度学习系统班6期 20 面向医学领域的深度学习实战
- 01 卷积神经网络原理与参数解读
- 01 卷积神经网络应用领域
- 02 卷积的作用
- 03 卷积特征值计算方法
- 04 得到特征图表示
- 05 步长与卷积核大小对结果的影响
- 06 边缘填充方法
- 07 特征图尺寸计算与参数共享
- 08 池化层的作用
- 09 整体网络架构
- 10 VGG网络架构
- 11 残差网络Resnet
- 12 感受野的作用
- 02 PyTorch框架基本处理操作
- 01 PyTorch实战课程简介
- 02 PyTorch框架发展趋势简介
- 03 框架安装方法（CPU与GPU版本）
- 04 PyTorch基本操作简介
- 05 自动求导机制
- 06 线性回归DEMO-数据与参数配置
- 07 线性回归DEMO-训练回归模型
- 03 PyTorch框架必备核心模块解读
- 01 卷积网络参数定义
- 02 网络流程解读
- 03 Vision模块功能解读
- 04 分类任务数据集定义与配置
- 05 图像增强的作用
- 06 数据预处理与数据增强模块
- 07 Batch数据制作
- 08 迁移学习的目标
- 09 迁移学习策略
- 10 加载训练好的网络模型
- 11 优化器模块配置
- 12 实现训练模块
- 13 训练结果与模型保存
- 14 加载模型对测试数据进行预测
- 15 额外补充-Resnet论文解读
- 16 额外补充-Resnet网络架构解读
- 04 基于Resnet的医学数据集分类实战
- 01 医学疾病数据集介绍
- 02 Resnet网络架构原理分析
- 03 dataloader加载数据集
- 04 Resnet网络前向传播
- 05 残差网络的shortcut操作
- 06 特征图升维与降采样操作
- 07 网络整体流程与训练演示
- 05 图像分割及其损失函数概述
- 01 语义分割与实例分割概述
- 02 分割任务中的目标函数定义
- 03 MIOU评估标准
- 06 Unet系列算法讲解
- 01 Unet网络编码与解码过程
- 02 网络计算流程
- 03 Unet升级版本改进
- 04 后续升级版本介绍
- 07 unet医学细胞分割实战
- 01 医学细胞数据集介绍与参数配置
- 02 数据增强工具
- 03 Debug模式演示网络计算流程
- 04 特征融合方法演示
- 05 迭代完成整个模型计算任务
- 06 模型效果验证
- 08 deeplab系列算法
- 01 deeplab分割算法概述
- 02 空洞卷积的作用
- 03 感受野的意义
- 04 SPP层的作用
- 05 ASPP特征融合策略
- 06 deeplabV3Plus版本网络架构
- 09 基于deeplabV3+版本进行VOC分割实战
- 01 PascalVoc数据集介绍
- 02 项目参数与数据集读取
- 03 网络前向传播流程
- 04 ASPP层特征融合
- 05 分割模型训练
- 10 基于deeplab的心脏视频数据诊断分析
- 01 数据集与任务概述
- 02 项目基本配置参数
- 03 任务流程解读
- 04 文献报告分析
- 11 YOLO系列物体检测算法原理解读
- 01 检测任务中阶段的意义
- 02 不同阶段算法优缺点分析
- 03 IOU指标计算
- 04 评估所需参数计算
- 05 map指标计算
- 06 YOLO算法整体思路解读
- 07 检测算法要得到的结果
- 08 整体网络架构解读
- 09 位置损失计算
- 10 置信度误差与优缺点分析
- 11 V2版本细节升级概述
- 12 网络结构特点
- 13 架构细节解读
- 14 基于聚类来选择先验框尺寸
- 15 偏移量计算方法
- 16 坐标映射与还原
- 17 感受野的作用
- 18 特征融合改进
- 19 V3版本改进概述
- 20 多scale方法改进与特征融合
- 21 经典变换方法对比分析
- 22 残差连接方法解读
- 23 整体网络模型架构分析
- 24 先验框设计改进
- 25 sotfmax层改进
- 26 V4版本整体概述
- 27 V4版本贡献解读
- 28 数据增强策略分析
- 29 DropBlock与标签平滑方法
- 30 损失函数遇到的问题
- 31 CIOU损失函数定义
- 32 NMS细节改进
- 33 SPP与CSP网络结构
- 34 SAM注意力机制模块
- 35 PAN模块解读
- 36 激活函数与整体架构总结
- 12 基于YOLO5细胞检测实战
- 01 任务与细胞数据集介绍
- 02 模型与算法配置参数解读
- 03 网络训练流程演示
- 04 效果评估与展示
- 05 细胞检测效果演示
- 13 知识图谱原理解读
- 01 知识图谱通俗解读
- 02 知识图谱在搜索引擎中的应用
- 03 知识图谱在医疗领域应用实例
- 04 金融与推荐领域的应用
- 05 数据获取分析
- 06 数据关系抽取分析
- 07 常用NLP技术点分析
- 08 graph-embedding的作用与效果
- 09 金融领域图编码实例
- 10 视觉领域图编码实例
- 11 图谱知识融合与总结分析
- 14 Neo4j数据库实战
- 01 Neo4j图数据库介绍
- 02 Neo4j数据库安装流程演示
- 03 可视化例子演示
- 04 创建与删除操作演示
- 05 数据库更改查询操作演示
- 15 基于知识图谱的医药问答系统实战
- 01 项目概述与整体架构分析
- 02 医疗数据介绍及其各字段含义
- 03 任务流程概述
- 04 环境配置与所需工具包安装
- 05 提取数据中的关键字段信息
- 06 创建关系边
- 07 打造医疗知识图谱模型
- 08 加载所有实体数据
- 09 实体关键词字典制作
- 10 完成对话系统构建
- 16 词向量模型与RNN网络架构
- 01 词向量模型通俗解释
- 02 模型整体框架
- 03 训练数据构建
- 04 CBOW与Skip-gram模型
- 05 负采样方案
- 06 额外补充-RNN网络模型解读
- 17 医学糖尿病数据命名实体识别
- 01 数据与任务介绍
- 02 整体模型架构
- 03 数据-标签-语料库处理
- 04 输入样本填充补齐
- 05 训练网络模型
- 06 医疗数据集（糖尿病）实体识别