精品课程 极客时间-深度学习应用实践60讲
本视频课程由60个短视频组成，技术人员可以在碎片化时间自由学习，快速掌握以下核心要点：) x1 T7 A- [- }
了解常见的深度学习基础模型及其在实际应用中的问题抽象
了解CTR预估、工业界图像内容理解的主流方法及存在问题
了解如何将深度学习技术应用在CTR预估和图像理解任务中
了解各大公司深度CTR模型、图像内容理解的案例– y5 |% [7 _4 l3 R( Z) s
了解知识图谱的基本概念及其实际应用场景* D9 y/ s2 e2 \0 r5 V t( k
了解知识图谱在行业落地的解决方案
第1讲 | 深度学习在各个领域的成功” y/ y” x( u5 G: T! I4 p4 O# J
第2讲 | 当深度学习遇到CTR预估( |( I+ p5 b4 |1 K( Q% p
第3讲 | 传统主流CTR预估方法：线性模型; g( P0 \3 p6 C8 C! b” B8 x
第4讲 | 传统主流CTR预估方法：FM模型
第5讲 | 传统主流CTR预估方法：GBDT模型8 H% t0 J5 X! j( I
第6讲 | 深度学习基础模型：前向神经网络（MLP）) V5 N; T+ J’ k V4 j$ A
第7讲 | 深度学习基础模型：CNN! y% C) C5 H0 P3 n2 Q
第8讲 | 深度学习基础模型：RNN6 }0 X( H& @) x! V7 |
第9讲 | 深度学习基础模型：LSTM
第10讲 | 深度学习CTR预估模型：要解决的几个关键问题* a& k) ]( U0 X; a4 d8 l+ O3 d# R
第11讲 | 离散特征如何让DNN可以处理？（1）
第12讲 | 离散特征如何让DNN可以处理？（2）8 j9 |” M+ a0 Z( C
第13讲 | 典型网络融合结构之一：并行结构
第14讲 | 典型网络融合结构之二：串行结构‘ {” _; s, O q8 O4 Q9 ]# d) i
第15讲 | 模型训练与优化
第16讲 | 互联网公司深度学习CTR案例：Google（1）
第17讲 | 互联网公司深度学习CTR案例：Google（2）
第18讲 | 互联网公司深度学习CTR案例：阿里巴巴‘ l) d: b7 d. Y- m6 I
第19讲 | 互联网公司深度学习CTR案例：京东商城
第20讲 | 如何定义图像理解？
第21讲 | 图像理解有哪些研究内容？, i/ a( c& ?5 [, S
第22讲 | 传统图像理解技术：图像分类的问题描述. ^ Q/ {$ P4 C& ^
第23讲 | 传统图像理解技术：图像分类的基本方法（1）
第24讲 | 传统图像理解技术：图像分类的基本方法（2）
第25讲 | 传统图像理解技术：图像分类的基本方法（3）” F5 J’ E& U, U4 M
第26讲 | 传统图像理解技术：图像搜索系统（1）
第27讲 | 传统图像理解技术：图像搜索系统（2）
第28讲 | 传统图像理解技术：图像搜索系统（3）* J7 ?4 R7 P5 U3 J! U% j4 @+ @
第29讲 | 深度学习的基础模块
第30讲 | 深度学习的模型设计
第31讲 | 深度学习的训练技巧
第32讲 | 深度学习图像理解技术：图像分类框架! L5 T! z* A; k% t
第33讲 | 深度学习图像理解技术：模型加速与优化( }” P2 {) f! {- a
第34讲｜深度学习图像理解技术：物体检测/分割与图像分类应用场景 G. R$ F [# ^1 _
第35讲｜图像理解进阶
第36讲｜知识图谱是什么？对我们有何帮助？
第37讲｜知识图谱的发展回顾
第38讲｜知识图谱为什么火了？% G3 J/ \& {; |; ~8 x
第39讲｜知识图谱小结: Z i+ T8 B: r9 }4 |6 i” ^% c- H( X
第40讲｜知识图谱的生命周期与技术难点
第41讲｜构建领域知识图谱的挑战与解决方案
第42讲｜基于非结构化数据的知识抽取
第43讲｜基于非结构化数据的知识抽取：实体识别, B+ h’ u6 A$ \2 j/ s0 u” ]3 s
第45讲｜基于非结构化数据的知识抽取：事件抽取
第46讲｜基于结构化数据的知识抽取
第47讲｜知识融合与质量评估0 d, f6 M/ Z8 L/ Q
第48讲｜知识图谱管理之数据模型介绍
第49讲｜知识图谱管理：图谱存储
第50讲｜知识计算推理
第51讲｜基于符号的知识表示与推理：谓词逻辑
第52讲｜基于符号的知识表示与推理：Semantic Net$ G% O! z( j1 f” V! K9 q5 g% b/ n) C1 V
第53讲｜基于符号的知识表示与推理：Frame% m” k) }# W3 w7 V+ N7 L/ h8 T
第54讲｜基于符号的知识表示与推理：Script& @* E4 f. B( e2 q9 A8 |
第55讲｜基于符号的知识表示与推理：语义网络
第56讲｜基于分布式语义的知识表示与推理: 张量分解模型
第57讲｜基于分布式语义的知识表示与推理: 基于翻译的模型TransE
第58讲｜基于分布式语义的知识表示与推理: 神经网络模型# Z4 ?’ l3 V- f’ ?$ N& a
第59讲｜基于图计算的挖掘分析
第60讲｜知识图谱的行业应用
