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
上次更新时间：2024-09-30
课程售价: 2.9 元
联系右侧微信客服充值或购买课程
课程内容
01 卷积神经网络原理与参数解读
02 PyTorch框架基本处理操作
03 PyTorch框架必备核心模块解读
04 基于Resnet的医学数据集分类实战
05 图像分割及其损失函数概述
06 Unet系列算法讲解
07 unet医学细胞分割实战
08 deeplab系列算法
09 基于deeplabV3+版本进行VOC分割实战
10 基于deeplab的心脏视频数据诊断分析
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
13 知识图谱原理解读
14 Neo4j数据库实战
15 基于知识图谱的医药问答系统实战
16 词向量模型与RNN网络架构
17 医学糖尿病数据命名实体识别
课程内容
17个章节 , 149个讲座
01 卷积神经网络原理与参数解读
02 PyTorch框架基本处理操作
03 PyTorch框架必备核心模块解读
04 基于Resnet的医学数据集分类实战
05 图像分割及其损失函数概述
06 Unet系列算法讲解
07 unet医学细胞分割实战
08 deeplab系列算法
09 基于deeplabV3+版本进行VOC分割实战
10 基于deeplab的心脏视频数据诊断分析
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