灵活胖子机器学习深度学习 PyTorch与MONAI医学影像AI项目实战 深度学习医学影像分析与端到端项目开发

第10章 项目实战三：实现端到端的模型预测

• 🎬 10-1连接分割模型和分类模型3005_ev.mp4
• 🎬 10-2新的评价指标AUC-ROC曲线3716_ev.mp4
• 🎬 10-3使用finetune方法构建肿瘤恶性判断模型2908_ev.mp4
• 🎬 10-4完整的实现端到端肺部肿瘤检测1731_ev.mp4
• 🎬 10-5使用合适的框架把模型部署上线一1446_ev.mp4
• 🎬 10-6使用合适的框架把模型部署上线二1206_ev.mp4
• 🎬 10-7本章小结0833_ev.mp4

第11章 课程总结与面试问题

• 🎬 11-1肿瘤检测系统架构回顾1512_ev.mp4
• 🎬 11-2课程中的神经网络回顾1327_ev.mp4
• 🎬 11-3模型优化方法回顾1020_ev.mp4
• 🎬 11-4面试过程中可能遇到的问题2209_ev.mp4
• 🎬 11-5持续学习的几个建议2748_ev.mp4

第1章 课程导学

• 🎬 1-1课程导学2249_ev.mp4
• 🎬 1-2深度学习如何影响生活1333_ev.mp4
• 🎬 1-3常用深度学习框架1738_ev.mp4

第2章 课程内容整体规划

• 🎬 2-1环境安装与配置1319_ev.mp4
• 🎬 2-2使用预训练的ResNet网络给图片分类一1610_ev.mp4
• 🎬 2-3使用预训练的ResNet网络给图片分类二0845_ev.mp4
• 🎬 2-4使用预训练的GAN网络把马变成斑马1716_ev.mp4

第3章 PyTorch项目热身实践

• 🎬 3-1工业级数据挖掘流程一2359_ev.mp4
• 🎬 3-2工业级数据挖掘流程二2130_ev.mp4
• 🎬 3-3课程重难点技能分布0515_ev.mp4
• 🎬 3-4课程实战项目简介0700_ev.mp4

第4章 PyTorch基础知识必备-张量

• 🎬 4-10张量的底层实现逻辑二1335_ev.mp4
• 🎬 4-1什么是张量1407_ev.mp4
• 🎬 4-2张量的获取与存储一1635_ev.mp4
• 🎬 4-3张量的获取与存储二1540_ev.mp4
• 🎬 4-4张量的基本操作一0830_ev.mp4
• 🎬 4-5张量的基本操作二1604_ev.mp4
• 🎬 4-6张量中的元素类型0656_ev.mp4
• 🎬 4-7张量的命名0832_ev.mp4
• 🎬 4-8把张量传递到GPU中进行运算0607_ev.mp4
• 🎬 4-9张量的底层实现逻辑一1942_ev.mp4

第5章 PyTorch如何处理真实数据

• 🎬 5-1普通二维图像的加载一0751_ev.mp4
• 🎬 5-2普通二维图像的加载二1259_ev.mp4
• 🎬 5-33D图像的加载1230_ev.mp4
• 🎬 5-4普通表格数据加载1453_ev.mp4
• 🎬 5-5有时间序列的表格数据加载1650_ev.mp4
• 🎬 5-6连续值序列值分类值的处理1345_ev.mp4
• 🎬 5-7自然语言文本数据加载1945_ev.mp4
• 🎬 5-8本章小结0504_ev.mp4

第6章 神经网络理念解决温度计转换

• 🎬 6-10使用PyTorch提供的优化器1532_ev.mp4
• 🎬 6-11神经网络重要概念-激活函数1550_ev.mp4
• 🎬 6-12用PyTorch的nn模块搭建神经网络1537_ev.mp4
• 🎬 6-13构建批量训练方法1453_ev.mp4
• 🎬 6-14使用神经网络解决温度计示数转换问题2123_ev.mp4
• 🎬 6-1常规模型训练的过程1104_ev.mp4
• 🎬 6-2温度计示数转换1140_ev.mp4
• 🎬 6-3神经网络重要概念-损失1240_ev.mp4
• 🎬 6-4PyTorch中的广播机制1646_ev.mp4
• 🎬 6-5神经网络重要概念-梯度1811_ev.mp4
• 🎬 6-6神经网络重要概念-学习率1947_ev.mp4
• 🎬 6-7神经网络重要概念-归一化2620_ev.mp4
• 🎬 6-8使用超参数优化我们的模型效果1136_ev.mp4
• 🎬 6-9使用PyTorch自动计算梯度1556_ev.mp4

第7章 使用神经网络区分小鸟和飞机图像

• 🎬 7-10使用卷积提取图像中的特定特征0800_ev.mp4
• 🎬 7-11借助下采样压缩数据0753_ev.mp4
• 🎬 7-12借助PyTorch搭建卷积网络1012_ev.mp4
• 🎬 7-13训练我们的分类模型1005_ev.mp4
• 🎬 7-14训练好的模型如何存储0147_ev.mp4
• 🎬 7-15该用GPU训练我们的模型0859_ev.mp4
• 🎬 7-16优化方案之增加模型宽度-width0855_ev.mp4
• 🎬 7-17优化方案之数据正则化-normalization一1338_ev.mp4
• 🎬 7-18优化方案之数据正则化-normalization二1655_ev.mp4
• 🎬 7-19优化方案之数据正则化-normalization三0856_ev.mp4
• 🎬 7-1CIFAR-10数据集介绍0804_ev.mp4
• 🎬 7-20优化方案之增加模型深度-depth0641_ev.mp4
• 🎬 7-21本章小结0605_ev.mp4
• 🎬 7-2为数据集实现Dataset类0842_ev.mp4
• 🎬 7-3为模型准备训练集和验证集1100_ev.mp4
• 🎬 7-4借助softmax方法给出分类结果1057_ev.mp4
• 🎬 7-5分类模型常用损失之交叉熵损失0738_ev.mp4
• 🎬 7-6全连接网络实现图像分类2553_ev.mp4
• 🎬 7-7对全连接网络的改进之卷积网络1349_ev.mp4
• 🎬 7-8借助PyTorch搭建卷积网络模型1539_ev.mp4
• 🎬 7-9卷积中的数据填充方法padding0431_ev.mp4

第8章 项目实战一：理解业务与数据

• 🎬 8-10分割训练集和验证集0927_ev.mp4
• 🎬 8-11CT数据可视化实现一1643_ev.mp4
• 🎬 8-12CT数据可视化实现二1513_ev.mp4
• 🎬 8-13CT数据可视化实现三0943_ev.mp4
• 🎬 8-14本章小结0455_ev.mp4
• 🎬 8-1肺部癌症检测的项目简介1338_ev.mp4
• 🎬 8-2CT数据是什么样子0722_ev.mp4
• 🎬 8-3制定一个解决方案0840_ev.mp4
• 🎬 8-4下载项目中的数据集0932_ev.mp4
• 🎬 8-5原始数据是长什么样子的0822_ev.mp4
• 🎬 8-6加载标注数据2219_ev.mp4
• 🎬 8-7加载CT影像数据0751_ev.mp4
• 🎬 8-8数据坐标系的转换2326_ev.mp4
• 🎬 8-9编写Dataset方法1244_ev.mp4

第9章 项目实战二：模型训练与优化

• 🎬 9-10借助TensorBoard绘制指标曲线1230_ev.mp4

• 🎬 9-11新的模型评估指标F1score1751_ev.mp4

• 🎬 9-12实现F1Score计算逻辑0858_ev.mp4

• 🎬 9-13数据优化方法1136_ev.mp4

• 🎬 9-14数据重复采样的代码实现1549_ev.mp4

• 🎬 9-15数据增强的代码实现1937_ev.mp4

• 🎬 9-16第二个模型结节分割0853_ev.mp4

• 🎬 9-17图像分割的几种类型0705_ev.mp4

• 🎬 9-18U-Net模型介绍1927_ev.mp4

• 🎬 9-19为图像分割进行数据预处理2501_ev.mp4

• 🎬 9-1第一个模型结节分类1540_ev.mp4

• 🎬 9-20为图像分割构建Dataset类2623_ev.mp4

• 🎬 9-21构建训练Dataset和使用GPU进行数据增强1116_ev.mp4

• 🎬 9-22Adam优化器和Dice损失1127_ev.mp4

• 🎬 9-23构建训练流程1826_ev.mp4

• 🎬 9-24模型存储图像存储代码介绍0550_ev.mp4

• 🎬 9-25分割模型训练及在TensorBoard中查看结果1145_ev.mp4

• 🎬 9-26本章小结1511_ev.mp4

• 🎬 9-2定义模型训练框架1831_ev.mp4

• 🎬 9-3初始化都包含什么内容0913_ev.mp4

• 🎬 9-4编写数据加载器部分0702_ev.mp4

• 🎬 9-5实现模型的核心部分1827_ev.mp4

• 🎬 9-6定义损失计算和训练验证环节一1731_ev.mp4

• 🎬 9-7定义损失计算和训练验证环节二0920_ev.mp4

• 🎬 9-8在日志中保存重要信息1956_ev.mp4

• 🎬 9-9尝试训练第一个模型1650_ev.mp4

• 📦 课程资料.zip

MONAI资料完全版

2024.3.24

• 📦 20240324实战.zip

思维导图

电子书

第六部分

• 📦 多模态数据集.zip

• 📦 多模态第八章.zip

• 📦 第一部分.zip

• 📦 第三部分.zip

• 📦 第二部分.zip

• 📦 第五部分.zip

• 📦 第四部分.zip

• 🎬 3月10日上午.mp4

• 🎬 3月10日下午.mp4

• 🎬 3月31上午.mp4

• 🎬 3月31下午.mp4

• 🎬 3月3日下午.mp4

• 🎬 4月14上午.mp4

• 🎬 4月14下午.mp4

• 🎬 4月21上午.mp4

• 🎬 5月12上午.mp4

• 🎬 5月12下午.mp4

• 🎬 5月19上午.mp4

• 🎬 5月19下午.mp4

• 🎬 5月26上午.mp4

• 🎬 5月26下午.mp4