开云app官网登录入口网页版-官方正版

<font color="red">深度</font>学习简介(一)——卷积<font color="red">神经网络</font>

深度学习简介(一)——卷积神经网络

深度学习简介(一)——卷积神经网络 - medscizl - 2017-05-29

机器学习：从多元拟合，<font color="red">神经网络</font>到<font color="red">深度</font>学习

机器学习：从多元拟合，神经网络到深度学习

机器学习，或者更大的一个概念，数据科学这个领域中，同样是学了忘忘了学。不可否认，数学是机器学习的一个基石，但是也是无数人，包括笔者学习机器学习的一个高的门槛，毕竟数学差。而在这篇文章中，原作者并没有讲很多的数学方面的东西，而是以一个有趣实用的方式来介绍机器学习。另一方面，其实很多数学原理也是很有意思的 What is Machine Learning: Machine Learning的概念

36大数据 - 机器学习，概念 - 2016-07-12

European Radiology：<font color="red">深度</font><font color="red">神经网络</font>的患者CT全自动定位

European Radiology：深度神经网络的患者CT全自动定位

深度学习（DL）在多个医学图像分析任务的自动化方面表现出色，包括分割、计算建模、辐射剂量学、扫描范围选择、低剂量成像和方案优化。在CT扫描中使用DL来自动定位病人的情况非常少，到目前为止只有少数研究。

网络 - 深度学习，深度神经网络 - 2023-11-02

<font color="red">神经网络</font>从入门到精通——从<font color="red">神经</font>元到<font color="red">深度</font>学习

神经网络从入门到精通——从神经元到深度学习

图1 人脑神经网络神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向–深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。本文以一种简单的，循序的方式讲解神经网络。适合对神经网络了解不多的同学。本文对阅读没有一定的前提要求，但是懂一些机器学习基础会更好地帮助理解本文。神经网络是一种模拟人脑的神经网络以期能够实现类

博客 - 神经网络，深度学习 - 2016-04-01

递归<font color="red">神经网络</font>（RNNs）在机器<font color="red">深度</font>学习中的奇妙应用

递归神经网络（RNNs）在机器深度学习中的奇妙应用

递归神经网络（RNNs）有一些不可思议的地方。从花几十分钟训练我的第一个婴儿模型（相当随意挑选的超参数）开始，到训练出能够针对图像给出有意义描述的模型。

MedSci原创 - 递归，神经网络，机器 - 2015-09-04

European Radiology:<font color="red">深度</font><font color="red">神经网络</font>实现儿童颅脑MR成像的“又快又好”！

European Radiology:深度神经网络实现儿童颅脑MR成像的“又快又好”！

现阶段，磁共振成像（MRI）已被广泛用于捕捉小儿神经影像学的结构或功能变化，最常用的序列之一是3D MPRAGE序列。然而，与其他成像方式相比，MRI需要更长的扫描时间，使其难以在儿童中广泛应用。由于

MedSci原创 - 磁共振成像，深度神经网络 - 2022-08-05

Circulation：<font color="red">深度</font><font color="red">神经网络</font>自动判读超声心动图心室壁运动异常

Circulation：深度神经网络自动判读超声心动图心室壁运动异常

深度神经网络自动判读超声心动图检查可以支持临床报告和提高效率。虽然既往研究已经使用静止图像评估了心脏结构的空间关系，该研究旨在通过结合空间和时间信息来开发一个用于视频分析的深度神经网络，并进行检测，以

MedSci原创 - 超声心动图学会，深度神经网络，心室壁运动异常 - 2020-10-24

Invest Ophthalmol Vis Sci：<font color="red">深度</font>学习的<font color="red">神经网络</font>算法检测视网膜病变！

Invest Ophthalmol Vis Sci：深度学习的神经网络算法检测视网膜病变！

美国加利福尼亚州圣何塞市圣克拉拉谷医疗中心眼科和斯坦福大学生物医学数据科学系的Lam C近日在Invest Ophthalmol Vis Sci发表了一项重要的工作，他们开发了一种自动化的方法来定位和辨别视网膜图像中的多种类型的特征。这套方法使用有限的数据进行训练，中间没有编码特征提取的算法。因为有的疾病的数据有限，所以可以将此算法推广到少数疾病检测的步骤中。

MedSci原创 - 视网膜病变，神经网络算法，自动化，智能化 - 2018-01-31