全部笔记 · 第 3 页

兼容总览：按课程、主题或全文搜索查找。

专题导航

搜索记录

72 篇公开记录

Deep Learning for Computer Vision日期未记录
Lec12: 自监督学习
Deep Learning for Computer Vision 计算机视觉
利用无标签数据构造预训练目标，比较 MAE、SimCLR、MoCo 和 DINO。
Deep Learning for Computer Vision日期未记录
Lec13: 生成模型（一）
Deep Learning for Computer Vision 计算机视觉
生成与判别建模、最大似然、自回归模型、Autoencoder 与 VAE。
Deep Learning for Computer Vision日期未记录
Lec14: 生成模型（二）
Deep Learning for Computer Vision 计算机视觉
GAN、Rectified Flow、条件生成、CFG，以及 Latent Diffusion 与 DiT。
Deep Learning for Computer Vision日期未记录
Lec15: 三维视觉
Deep Learning for Computer Vision 计算机视觉
深度与法线、体素、点云、网格、隐式场，以及 NeRF 与 3D Gaussian Splatting。
Deep Learning for Computer Vision日期未记录
Lec16: 视觉、语言与基础模型
Deep Learning for Computer Vision 计算机视觉
从 CLIP 的对比学习与零样本分类，到 LLaVA、Flamingo 和视觉语言模型链。
Deep Learning for Computer Vision日期未记录
Lec2: 图像分类与线性分类器
Deep Learning for Computer Vision 计算机视觉
从图像分类任务、最近邻与 KNN，到线性分类器、损失函数和 Softmax。
Deep Learning for Computer Vision日期未记录
Lec3: 正则化与优化
Deep Learning for Computer Vision 计算机视觉
理解数据损失与正则化，比较梯度下降、SGD、优化器和学习率调度。
Deep Learning for Computer Vision日期未记录
Lec4: 神经网络与反向传播
Deep Learning for Computer Vision 计算机视觉
从线性模型走向神经网络，用计算图、局部梯度和链式法则理解反向传播。
Deep Learning for Computer Vision日期未记录
Lec5: 用卷积神经网络做图像分类
Deep Learning for Computer Vision 计算机视觉
卷积层、感受野、步长、填充与池化，以及图像分类中的平移等变性。
Deep Learning for Computer Vision日期未记录
Lec6: 训练卷积网络与卷积网络架构
Deep Learning for Computer Vision 计算机视觉
归一化、Dropout、VGG 与 ResNet，以及初始化、数据增强和迁移学习。
Deep Learning for Computer Vision日期未记录
Lec7: 循环神经网络
Deep Learning for Computer Vision 计算机视觉
序列建模、RNN 状态与时间反向传播，理解梯度流和 LSTM。
Deep Learning for Computer Vision日期未记录
Lec8: 注意力与 Transformer
Deep Learning for Computer Vision 计算机视觉
从序列注意力到多头自注意力、Transformer Block 和 Vision Transformer。
Deep Learning for Computer Vision日期未记录
Lec9: 检测、分割、可视化与理解
Deep Learning for Computer Vision 计算机视觉
比较语义分割、目标检测与实例分割，理解 DETR 和视觉模型可解释性。
论文阅读日期未记录
InfiniDepth 论文笔记
三维视觉
InfiniDepth 阅读笔记论文：InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields（arXiv 2601.03252v1，2026）机构：浙江大学、理
Machine Learning日期未记录
Lec1: 机器学习导论
Machine Learning 机器学习
训练与推断、学习任务、模型族、决策边界、泛化能力和建模流程。
Machine Learning日期未记录
Lec2: 数据工具与可视化
Machine Learning 机器学习
使用 pandas 检查、筛选和整理数据，处理缺失值、聚合、连接与可视化。
Machine Learning日期未记录
Lec3: 建模流程与评价方法
Machine Learning 机器学习
分类指标、决策阈值、数据划分与泄漏，以及特征工程和逻辑回归。
Machine Learning日期未记录
Lec4: K-means 与概率基础
Machine Learning 机器学习
K-means 的目标与 Lloyd 算法，以及条件概率、贝叶斯公式和基础发生率。
Machine Learning日期未记录
Lec5: 最大似然估计
Machine Learning 机器学习
区分概率、密度与似然，推导高斯和类别分布的最大似然估计。
Machine Learning日期未记录
Lec6: 多元高斯与高斯混合模型
Machine Learning 机器学习
均值、协方差、马氏距离，以及高斯混合的隐变量、边缘化和责任度。
Machine Learning日期未记录
Lec7: 高斯混合优化与线性回归
Machine Learning 机器学习
高斯混合优化、K-means 的联系，以及线性回归、最小二乘与正规方程。
Machine Learning日期未记录
Lec8: 线性回归几何与正则化
Machine Learning 机器学习
最小二乘的几何解释、Ridge、MAP、高斯先验，以及 Lasso 和稀疏性。

音乐

音乐

全部笔记 · 第 3 页