人工智能之深度学习应用实践60讲015aicon人工智能专家团——深度学习应用实践60讲
1第10讲. 深度学习ctr预估模型：要解决的几个关键问题.mp4第11讲. 离散特征如何让dnn可以处理？（1）.mp4第12讲. 离散特征如何让dnn可以处理？（2）.mp4第13讲. 典型网络融合结构之一：并行结构.mp45 b+ h2 d4 l* ^1 x2 l” f第14讲. 典型网络融合结构之二：串行结构.mp4” k( c9 g6 z6 \第15讲. 模型训练与优化.mp46 u- {& y8 v/ f第16讲. 互联网公司深度学习ctr案例：google（1）.mp4. f5 d1 {! lj3 [j( t第17讲. 互联网公司深度学习ctr案例：google（2）.mp4第18讲. 互联网公司深度学习ctr案例：阿里巴巴.mp4! w4 s6 l( a) x$ u: }第19讲. 互联网公司深度学习ctr案例：京东商城.mp4& {” p2 n2 x* u. l$ i第1讲. 深度学习在各个领域的成功.mp4第20讲. 如何定义图像理解？.mp4& c% l2 y) n2 @7 k- j! q第21讲. 图像理解有哪些研究内容？.mp4第22讲. 传统图像理解技术：图像分类的问题描述.mp4第23讲. 传统图像理解技术：图像分类的基本方法（1）.mp4第24讲. 传统图像理解技术：图像分类的基本方法（2）.mp4第25讲. 传统图像理解技术：图像分类的基本方法（3）.mp4第26讲. 传统图像理解技术：图像搜索系统（1）.mp4第27讲. 传统图像理解技术：图像搜索系统（2）.mp4第28讲. 传统图像理解技术：图像搜索系统（3）.mp4$ f7 u/ s* d’ n- w! @” z: |1 c第29讲. 深度学习的基础模块.mp4( c; d% j/ l/ q9 j” i6 ^第2讲. 当深度学习遇到ctr预估.mp4第30讲. 深度学习的模型设计.mp4$ e& q0 i3 ?; t~# t第31讲. 深度学习的训练技巧.mp4/ m; _3 n+ c: i第32讲. 深度学习图像理解技术：图像分类框架.mp4– }” k- {- [! h5 i5 k: p第33讲. 深度学习图像理解技术：模型加速与优化.mp4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.mp4第35讲. 图像理解进阶.mp4第36讲. 知识图谱是什么？对我们有何帮助？.mp4第37讲. 知识图谱的发展回顾.mp4第38讲. 知识图谱为什么火了？.mp4第39讲. 知识图谱小结.mp4第3讲. 传统主流ctr预估方法：线性模型.mp4第40讲. 知识图谱的生命周期与技术难点.mp4‘ l& k/ s6 q2 w” h. t$ r; m8 s第41讲. 构建领域知识图谱的挑战与解决方案.mp4第42讲. 基于非结构化数据的知识抽取.mp4第43讲. 基于非结构化数据的知识抽取：实体识别.mp4第45讲. 基于非结构化数据的知识抽取：事件抽取.mp4第46讲. 基于结构化数据的知识抽取.mp4第47讲. 知识融合与质量评估.mp4^0 x” q4 p^5 q( b# j0 b- f第48讲. 知识图谱管理之数据模型介绍.mp4第49讲. 知识图谱管理：图谱存储.mp4& s- y% ?]3 v% ^’ k) ^第4讲. 传统主流ctr预估方法：fm模型.mp42 t7 |. x2 w. j/ @4 t第50讲. 知识计算推理.mp4$ w: h. }3 n; v: p& ]r第51讲. 基于符号的知识表示与推理：谓词逻辑.mp4第52讲. 基于符号的知识表示与推理：semantic net.mp4第53讲. 基于符号的知识表示与推理：frame.mp48 a( s% q( g1 p1 g8 s2 k第54讲. 基于符号的知识表示与推理：script.mp4– ~3 n( c4 o# c第55讲. 基于符号的知识表示与推理：语义网络.mp4第56讲. 基于分布式语义的知识表示与推理 张量分解模型.mp48 ha* q) y6 |; l8 w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.mp4第58讲. 基于分布式语义的知识表示与推理 神经网络模型.mp4第59讲. 基于图计算的挖掘分析.mp4. m6 e: z# ]$ s1 ]第5讲. 传统主流ctr预估方法：gbdt模型.mp4第60讲. 知识图谱的行业应用.mp4第6讲. 深度学习基础模型：前向神经网络（mlp）.mp4第7讲. 深度学习基础模型：cnn.mp4u. _( `# a6 {! g. t/ y: t第8讲. 深度学习基础模型：rnn.mp4# d8 m( e0 p” x! o$ g7 j第9讲. 深度学习基础模型：lstm.mp4