2.7 萬次觀看
※ 摘要僅根據標題與說明
陳縕儂
Yun-Nung Chen ・ 60 筆內容・被提到 1 筆 ・ 6.3 萬 訂閱
他的來源
最受歡迎
依人氣
台大資訊 深度學習之應用 | ADL 6.1: Pretraining 預訓練（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，介紹了深度學習預訓練（Pretraining）的概念與應用，幫助讀者理解模型如何從大量資料中學習基礎能力。
1,883次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.1: Attention Mechanism 注意力機制（在新分頁開啟原站）
陳縕儂在 NTU 的影片，介紹了深度學習中注意力機制（Attention Mechanism）的應用，幫助讀者理解其核心原理與實務操作。
3,073次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.3: Multi-Head Attention 不同類型的注意力關係（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中不同型別注意力機制之間的關係，並探討了 ADL 4.3 課程中 Multi-Head Attention 的應用。
2,815次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.6: Prompting Paradigm 基於提示的研究大補帖（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，深入探討了 Prompting Paradigm 如何應用於深度學習，並介紹了相關的研究方法。
1,363次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.3: Issues of PLMs 預訓練模型世代的難關（在新分頁開啟原站）
陳縕儂在 NTU 的課程中探討預訓練語言模型的世代難關，分析其技術挑戰與未來方向。
773次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 5.2 BERT 進擊的芝麻街巨人（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了 BERT 模型在自然語言處理中的應用，探討其如何處理中文語料並應用於實際任務。
1,199次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.2: Encoder-Only, Decoder-Only, Encoder-Decoder Pretraining 常見三大類預訓練模型（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，介紹了深度學習應用中的三大預訓練模型類別，幫助讀者理解不同架構的應用場景。
648次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.4: RNN Applications RNN各式應用（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中迴歸神經網路（RNN）的各種應用，涵蓋了從基礎概念到實際專案的完整流程。
1,193次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.1: Word Representations 用機器看得懂的方式表示詞彙（在新分頁開啟原站）
陳縕儂在 NTU 的 ADL 3.1 課程中，教導如何將文字轉化為機器可理解的向量表示，讓 AI 能更精準地理解語意。
1,153次觀看※ 摘要僅根據標題與說明
最新內容
依發布時間
台大資訊 深度學習之應用 | ADL 6.6: Prompting Paradigm 基於提示的研究大補帖（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，深入探討了 Prompting Paradigm 如何應用於深度學習，並介紹了相關的研究方法。
1,363次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.5: (Soft) Prompt-Tuning (P-Tuning, Prefix Tuning) 人不懂沒關係機器懂就好（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中 Soft Prompt-Tuning 的應用，說明透過調整提示詞來最佳化模型表現，即使不懂技術也能理解其核心概念。
460次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.4: (Hard) Prompt-Tuning, LM-BFF 用自然語言提示模型（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，探討了深度學習應用中的 Prompt-Tuning 與 LM-BFF 技術，並結合自然語言提示來最佳化模型表現。
473次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.3: Issues of PLMs 預訓練模型世代的難關（在新分頁開啟原站）
陳縕儂在 NTU 的課程中探討預訓練語言模型的世代難關，分析其技術挑戰與未來方向。
773次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.2: Encoder-Only, Decoder-Only, Encoder-Decoder Pretraining 常見三大類預訓練模型（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，介紹了深度學習應用中的三大預訓練模型類別，幫助讀者理解不同架構的應用場景。
648次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 6.1: Pretraining 預訓練（在新分頁開啟原站）
陳縕儂在 NTU 的課程中，介紹了深度學習預訓練（Pretraining）的概念與應用，幫助讀者理解模型如何從大量資料中學習基礎能力。
1,883次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 5.2 BERT 進擊的芝麻街巨人（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了 BERT 模型在自然語言處理中的應用，探討其如何處理中文語料並應用於實際任務。
1,199次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 5.1: BPE (Byte-Pair Encoding) Tokenization 如何將字詞切成小單元（在新分頁開啟原站）
陳縕儂在 NTU 的 ADL 5.1 課程中，介紹了 BPE 字詞分詞法如何將長字詞切分成小單元，並說明其應用於深度學習。
665次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.3: Multi-Head Attention 不同類型的注意力關係（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中不同型別注意力機制之間的關係，並探討了 ADL 4.3 課程中 Multi-Head Attention 的應用。
2,815次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.2: Self-Attention & Transformer 自注意力機制之模型（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中自注意力機制與 Transformer 模型的核心應用，幫助讀者理解其運作原理與實際價值。
814次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 4.1: Attention Mechanism 注意力機制（在新分頁開啟原站）
陳縕儂在 NTU 的影片，介紹了深度學習中注意力機制（Attention Mechanism）的應用，幫助讀者理解其核心原理與實務操作。
3,073次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.4: RNN Applications RNN各式應用（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中迴歸神經網路（RNN）的各種應用，涵蓋了從基礎概念到實際專案的完整流程。
1,193次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.3: Recurrent Neural Network 簡介（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中的迴圈神經網路（RNN），並說明其應用與架構。
936次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.2: Language Modeling 語言模型（在新分頁開啟原站）
陳縕儂在 NTU 的影片介紹了深度學習中語言模型的應用，探討了 ADL 3.2 課程中的核心概念。
853次觀看※ 摘要僅根據標題與說明
台大資訊 深度學習之應用 | ADL 3.1: Word Representations 用機器看得懂的方式表示詞彙（在新分頁開啟原站）
陳縕儂在 NTU 的 ADL 3.1 課程中，教導如何將文字轉化為機器可理解的向量表示，讓 AI 能更精準地理解語意。
1,153次觀看※ 摘要僅根據標題與說明
- 2.7 萬次觀看
※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 6.3: Agents 可以動手的代理人真的要來了?（在新分頁開啟原站）
台大資訊系陳縕儂教授在影片探討 AI 導論中，介紹了「FAI 6.3」概念，即能自主行動的代理人即將到來。
1,300次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 6.2: Multimodal LLMs 如何讓語言模型也可以理解與生成影像聲音等資訊呢?（在新分頁開啟原站）
由陳縕儂主講，介紹 Multimodal LLMs 如何讓語言模型理解與生成影像聲音等資訊。
616次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 6.1: Generative AI - Large Language Models 生成式人工智慧之大型語言模型（在新分頁開啟原站）
台大資訊系陳縕儂教授介紹生成式 AI 中的大型語言模型。
360次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 5.4: Density Estimation with RBF Networks 了解資料的整體分布（在新分頁開啟原站）
由陳縕儂在 NTU MiuLab 主講，介紹如何使用 RBF 網路來估算資料的密度分佈。
656次觀看※ 摘要僅根據標題與說明
Revisiting Test-Time Scaling: A Survey and a Diversity-Aware Method for Efficient Reasoning（在新分頁開啟原站）
探討測試時擴展（Test-Time Scaling）方法，並提出一種能提升推理多樣性的新技術。
277次觀看※ 摘要僅根據標題與說明
Compound AI Systems Optimization: A Survey of Methods, Challenges, and Future Directions（在新分頁開啟原站）
探討如何最佳化 Compound AI 系統，涵蓋現有方法、面臨挑戰及未來方向。
187次觀看※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
Augment or Not? A Comparative Study of Pure and Augmented Large Language Model Recommenders（在新分頁開啟原站）
探討純大語言模型推薦器與增補大語言模型推薦器的比較。
※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 5.3: Representation Learning with Autoencoder 學習好的資料表徵（在新分頁開啟原站）
由陳縕儂在 NTU MiuLab 主講，介紹如何透過自編碼器（Autoencoder）學習資料的表徵。
345次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 5.2: K-Means Clustering 怎麼能不知道的K平均演算法（在新分頁開啟原站）
由陳縕儂教授在 NTU MiuLab 主講，介紹 K-Means 聚類演算法的基本原理與實現方法。
297次觀看※ 摘要僅根據標題與說明
- 263次觀看
※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 4.8: When to Deep? 甚麼時候適合用深度學習呢（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片中指出，選擇使用深度學習的關鍵在於具體情境，並非一概而論。
177次觀看※ 摘要僅根據標題與說明
台大資訊 人工智慧導論 | FAI 4.7: Regularization Techniques for Deep Learning 訓練模型時不能不知道的小撇步（在新分頁開啟原站）
台大資訊系教授陳縕儂在影片中指出，訓練深度學習模型時，使用 Regularization Techniques 能防止過擬合，是必須掌握的小技巧。
157次觀看※ 摘要僅根據標題與說明
出現在別人的節目
其他來源裡提到或訪談這位人物的內容
※ 摘要僅根據標題與說明
