深度学习与计算机视觉 斯坦福 李飞飞

随着搜索应用程序，图像识别、App应用、成像、医学、无人机和无人驾驶汽车，计算机视觉在我们的社会中已经变得无处不在。许多这样的应用程序，比如：图片分类、定位和检测的核心功能任务都是视觉识别技术完成的。最新发现的神经网络方法（又名“深度学习”），极大地提升了视觉识别系统的先进性能。

• 课时1：课程介绍 - 计算机视觉概述 (7分29秒)

• 课时2：课程介绍 - 计算机视觉历史背景 (29分30秒)

• 课时3：课程介绍 - 课程后勤 (22分22秒)

• 课时4：图像分类 - 数据驱动方法 (23分50秒)

• 课时5：图像分类 - K最近邻算法 (23分8秒)

• 课时6：图像分类 - 线性分类I (13分55秒)

• 课时7：损失函数和优化 - 损失函数 (50分8秒)

• 课时8：损失函数和优化 - 优化 (25分30秒)

• 课时9：介绍神经网络 - 反向传播 (55分40秒)

• 课时10：介绍神经网络 - 神经网络 (19分12秒)

• 课时11：卷积神经网络 - 历史 (14分15秒)

• 课时12：卷积神经网络 - 卷积和池化 (36分55秒)

• 课时13：卷积神经网络 - 视觉之外的卷积神经网络 (19分3秒)

• 课时14：激活函数 (49分21秒)

• 课时15：批量归一化 (31分54秒)

• 课时16：更好的优化 (55分18秒)

• 课时17：正则化 (15分15秒)

• 课时18：迁移学习 (6分21秒)

• 课时19：Caffe，Torch，Theano，TensorFlow，Keras，PyTorch等 (1小时18分35秒)

• 课时20：AlexNet，VGG，GoogLeNet，ResNet等 (1小时18分7秒)

• 课时21：RNN, LSTM, GRU (21分13秒)

• 课时22：语言模型 (22分7秒)

• 课时23：图像标注、视觉问答、 Soft attention模型 (34分31秒)

• 课时24：分割 (33分23秒)

• 课时25：定位 (10分17秒)

• 课时26：识别 (32分40秒)

• 课时27：特征可视化、倒置、对抗样本 (52分15秒)

• 课时28：DeepDream和风格迁移 (24分33秒)

• 课时29：Pixel RNN CNN (20分6秒)

• 课时30：变分自编码器 (33分50秒)

• 课时31：生成式对抗网络 (30分34秒)

• 课时32：策略梯度，硬注意 (21分13秒)

• 课时33：Q-Learning, Actor-Critic算法 (49分2秒)

• 课时34：深度学习的方法及硬件 (1小时17分38秒)

• 课时35：对抗样本和对抗训练 (1小时22分17秒)

• 课时36：special篇：特邀对话Ian Goodfellow (3分59秒)

• 课时37：special篇：特邀对话Song Han (3分10秒)