课程介绍

学堂在线清华大学驭风计划的深度学习与Python算法课程，涵盖了机器学习、自然语言处理（NLP）、深度学习等多个领域的系统化学习内容。课程从基础概念入手，逐步深入到算法实现与应用，内容涵盖决策树、回归分析、贝叶斯学习、支持向量机、无监督学习、集成学习、深度学习基础等核心知识点。此外，课程还提供了丰富的实践项目，如基于决策树的游戏胜负预测、贝叶斯垃圾邮件识别、文本生成、知识图谱等，帮助学习者将理论应用于实际场景。课程通过视频讲解、课件、实验和直播答疑等多种形式，帮助学习者全面掌握机器学习和深度学习的核心技能

网盘截图：

课程目录

• 清华大学驭风计划深度学习python算法
• 机器学习训练营(2022_第9期)
• 01.序-学习课件
• 1.1_初识机器学习
• 机器学习课件最终版PDF合集 3
• -
• 机器学习课件最终版PDF合集 3
• ML10.Topic6.1-IBL(1)_最终版
• ML12.Topic7.1-SVM(1)_最终版
• ML14.Topic8.1-Unsupervised-I_最终版
• ML15.Topic8.2-Unsupervised-II_最终版
• ML16.Topic9-Ensemble_最终版
• ML18.Toipc10.2-DLinto-II_最终版
• ML19.Topic11-GWAP_最终版
• ML2.Topic1.2-G通用系统设计_最终版
• ML20.Topic12-overview_已排版
• ML4.Topic2.2-实验方法与原则(2)_最终版
• ML5.Topic3.1-决策树学习方法_最终版
• ML6.Topic3.2-决策树学习进阶_最终版
• ML7.Topic4-Regression_最终版
• ML9.Topic5.2-贝叶斯(II)_最终版
• -
• 02.机器学习基础
• 1.1.1_机器学习的应用背景
• 1.1.2_什么是机器学习
• 1.2_一般的机器学习系统设计_part01
• 1.2_一般的机器学习系统设计_part02
• -
• 03.机器学习实验方法与原则
• 2.1_机器学习实验方法与原则I
• 2.2_机器学习实验方法与原则II
• -
• 04.决策树学习
• 3.1.2_经典决策树算法
• 3.1.3_过拟合问题
• 3.2.1_决策树的过拟合以及措施
• 3.2.2_现实场景中的决策树学习
• ML_hw1.ipynb
• 基于决策树的英雄联盟游戏胜负预测
• 实验一 基于决策树的英雄联盟游戏胜负预测.txt
• -
• 05.回归分析
• 4.2_损失函数
• 4.2_损失函数_0718195925
• 4.3_多元线性回归
• 4.4_相关系数与决定系数
• 实验二 基于回归分析的大学综合得分预测.txt
• -
• 06.贝叶斯学习
• 5.1_贝叶斯学习
• 5.2_朴素贝叶斯分类器
• hw3
• 实验三 贝叶斯垃圾邮件识别.txt
• -
• 07.基于实例的学习方法
• 6.1_最近邻方法
• 6.2_K近邻方法
• 6.4_基于实例-记忆的学习器
• hw4
• 基于K-近邻的车牌号识别
• -
• 08.支持向量机（SVM）
• 7.1_线性支持向量机
• 7.2_基于核的支持向量机
• -
• 09.无监督学习
• 8.1.1_无监督学习介绍
• 8.1.2_聚类介绍
• 8.2.1_层次聚类
• 8.2.2_K-means聚类
• 8.2.3_K-medoids 聚类
• AAAI 会议论文聚类分析
• hw5.ipynb
• 实验五 AAAI 会议论文聚类分析.txt
• -
• 10.集成学习
• 9.1.1_集成学习基础
• 9.1.2_加权多数算法
• 9.1.3_Bagging算法
• 9.2.1_Boosting与AdaBoost算法
• 9.2.2_Boosting和AdaBoost的算法比较
• exp6
• 基于集成学习的 Amazon 用户评论质量预测 4
• 实验六 基于集成学习的 Amazon 用户评论质量预测.txt
• -
• 11.深度学习基础
• 10.1_深度学习介绍
• 10.2.1_循环神经网络
• 10.2.2_长短期记忆网络
• 10.2.3_门控循环单位网络
• 10.2.4_深度学习应用
• -
• 12.基于群体智慧的机器学习数据集构建
• 11.1_基于群体智慧的机器学习数据集构建
• -
• 13.机器学习算法总结
• 12.1_机器学习算法总结
• -
• 14.毕业设计
• 某闯关类手游用户流失预测
• -
• 直播回放
• 实验一汇报、讲解+实验三布置+答疑
• 实验三讲解+实验五布置+答疑
• 实验二布置+答疑
• 实验五讲解+答疑
• 实验六布置+答疑
• 实验六汇报、点评、讲解+答疑
• 实验四讲解+实验六布置+答疑
• 开营仪式+实验一布置
• 毕设汇报、点评、讲解+结营仪式
• -
• 算法训练营
• 上机实践：习题精讲
• 第1部分-习题
• 第2部分-习题
• 第3部分-习题
• 第4部分-习题
• 第5部分-习题
• -
• 第1部分-习题
• 习题精讲1-1
• 习题精讲1-2
• 习题精讲1-3
• -
• 第2部分-习题
• 习题精讲2-1
• 习题精讲2-2
• 习题精讲2-3
• -
• 第3部分-习题
• 习题精讲3-1
• 习题精讲3-2
• 习题精讲3-3
• -
• 第4部分-习题
• 习题精讲4-1
• 习题精讲4-2
• 习题精讲4-3
• -
• 第5部分-习题
• 习题精讲5-1
• 习题精讲5-2
• 习题精讲5-3
• -
• 直播回放
• 周测1讲解+答疑
• 周测2讲解+答疑
• 周测4讲解+答疑
• 周测5讲解+答疑
• 直播回放
• -
• 直播回放
• 周测1讲解+答疑
• 周测2讲解+答疑
• 周测3讲解+答疑
• 周测4讲解+答疑
• 周测5讲解+答疑
• -
• 第0课：调整姿势，迎接算法挑战
• 专题课：扬帆起航，开启算法之旅
• 习题讲解
• 习题课：最大红矩形
• 解题指南：如何提交作业&栈排序习题解答
• 邓俊辉：学习算法的一些建议
• -
• 第1部分：初入宝山，窥探算法奥秘
• （1A）邓公在算法课赐予我青春的力量
• PART1
• PART2
• PART3
• -
• （1B）邓公陪你学算法
• PART1
• PART2
• PART3
• -
• 第2部分：渐入佳境，领略算法之美
• （2A）一起听邓公讲算法
• PART1
• PART2
• PART3
• -
• （2B）邓公教你“分而治之”
• PART1
• PART2
• PART3
• -
• 第3部分：坚持不懈，修炼算法内功
• （3A）听邓公讲讲图搜索
• PART1
• PART2
• PART3
• -
• （3B）听邓公讲讲动态规划
• PART1
• PART2
• PART3
• -
• 第4部分：持续烧脑，精研算法之妙
• （4A）邓公带你探秘“字符串”
• PART1
• PART2
• PART3
• -
• （4B）邓公带你探秘“散列”
• PART1
• PART2
• PART3
• -
• 第5部分：蓄力前行，勇攀算法高峰
• （5A）邓公带你初探“计算几何
• PART1
• PART2
• PART3
• -
• （5B）随邓公再探“计算几何”大观园
• PART1
• PART2
• PART3
• -
• 自然语言处理训练营(2023_第3期)
• {1}--课程
• {10}--文本生成
• #10.1#--第10章课件
• (10.1)--10_文本生成_v3
• [10.1]--10.1_文本生成简介
• [10.2]--10.2_传统文本生成方式
• [10.3]--10.3_基于神经网络的文本生成
• [10.4]--10.4_文本生成任务以及挑战
• [10.5]--10.5_当前趋势和未来
• -
• {11}--NLP前沿介绍
• (11.2)--ChatGPT技术
• (11.3)--后ChatGPT时代
• [11.2]--对抗学习
• [11.3]--强化学习
• [11.4]--ChatGPTGPT4背后的关键技术
• [11.5]--后 ChatGPT 时代的 NLP 研究路线
• -
• {12}--直播回放
• [12.10]--实验六布置+答疑
• [12.11]--实验五汇报、讲解+答疑
• [12.2]--实验二布置+答疑
• [12.4]--实验三布置+答疑
• [12.7]--实验三讲解+答疑
• [12.8]--实验五布置+答疑
• -
• {1}--课程介绍
• #1.1#--第1章课件
• (1.1)--01_NLP简介_v1
• [1.1]--1.1_什么是自然语言处理
• [1.3]--1.3_自然语言处理的重要性
• [1.4]--1.4_自然语言处理典型任务及应用
• -
• {2}--NLP模型基础
• #2.1#--第2章课件
• (2.1)--02_NLP模型基础_v1
• (2.2)--Word2VecTransE案例（更新）
• [2.1]--2.1_词表示
• [2.2]--2.2_分布式词表示
• [2.3]--2.3_词嵌入
• [2.7]--2.7_卷积神经网络
• [2.8]--2.8_transformer
• -
• {3}--seq2seq与机器翻译
• (3.1)--03_机器翻译_v1
• (3.2)--seq2seq案例
• [3.2]--3.2_统计机器翻译
• [3.3]--3.3_神经机器翻译
• [3.4]--3.4_注意力机制
• -
• {4}--预训练语言模型
• [4.1]--4.1 基于特征的预训练模型
• [4.3]--4.3 基于微调的方法
• [4.4]--4.4 BERT之后的预训练模型
• -
• {5}--知识图谱
• #5.1#--第5章课件
• #5.2#--数据集与源码框架
• (5.1)--05_知识图谱
• [5.3]--5.3 知识表示学习的关键挑战
• -
• {6}--序列标注与信息抽取
• #6.1#--第6章课件
• (6.1)--06_序列标注
• [6.1]--6.1_序列标注
• [6.2]--6.2_词性标注
• [6.5]--6.5_命名实体分类与实体链接
• -
• {7}--文本分类与关系抽取
• #7.1#--第7章课件
• (7.1)--07_文本分类与关系抽取
• (7.2)--预训练模型应用实例-更新版
• [7.2]--7.2_关系抽取
• [7.3]--7.3_事件抽取
• -
• {8}--文本匹配与信息检索
• #8.1#--第8章课件
• (8.1)--08_信息检索
• [8.1]--8.1_信息检索简介
• [8.3]--8.3_词嵌入IR模型
• [8.4]--8.4_神经IR模型
• -
• {9}--文档分析与阅读理解
• #9.1#--第9章课件
• #9.2#--数据集与源码框架
• (9.1)--09_机器问答_v3
• (9.2)--法律智能问答案例
• [9.1]--9.1_机器问答简介
• [9.3]--9.3_开放域问答
• [9.4]--9.4_知识图谱问答
• -
• 自然语言处理训练营(2024_第1期)
• {1}--课程
• {10}--文本生成
• #10.1#--第10章课件
• (10.1)--10_文本生成_v3
• [10.1]--10.1_文本生成简介
• [10.2]--10.2_传统文本生成方式
• [10.3]--10.3_基于神经网络的文本生成
• [10.4]--10.4_文本生成任务以及挑战
• [10.5]--10.5_当前趋势和未来
• -
• {11}--NLP前沿介绍
• (11.2)--ChatGPT技术
• (11.3)--后ChatGPT时代
• [11.2]--对抗学习
• [11.3]--强化学习
• [11.4]--ChatGPTGPT4背后的关键技术
• [11.5]--后 ChatGPT 时代的 NLP 研究路线
• -
• {12}--直播回放
• (12.2)--第四次实训案例-讲解
• [12.10]--实验六布置+答疑
• [12.11]--实验五汇报、讲解+直播答疑
• [12.12]--实验六讲解+答疑
• [12.1]--实验一布置+答疑
• [12.2]--实验二布置+答疑
• [12.3]--实验一汇报、讲解+答疑
• [12.5]--实验二讲解+答疑
• [12.7]--实验三讲解+答疑
• [12.8]--实验五布置+答疑
• -
• {1}--课程介绍
• (1.1)--01_NLP简介_v1
• [1.1]--1.1_什么是自然语言处理
• [1.2]--1.2_自然语言处理的挑战
• [1.3]--1.3_自然语言处理的重要性
• [1.4]--1.4_自然语言处理典型任务及应用
• -
• {2}--NLP模型基础
• (2.1)--02_NLP模型基础_v1
• (2.2)--Word2VecTransE案例（更新）
• [2.1]--2.1_词表示
• [2.2]--2.2_分布式词表示
• [2.3]--2.3_词嵌入
• [2.7]--2.7_卷积神经网络
• [2.8]--2.8_transformer
• -
• {3}--seq2seq与机器翻译
• #3.1#--第3章课件
• #3.2#--数据集与源码框架
• (3.1)--03_机器翻译_v1
• (3.2)--seq2seq案例
• [3.2]--3.2_统计机器翻译
• [3.3]--3.3_神经机器翻译
• [3.4]--3.4_注意力机制
• -
• {4}--预训练语言模型
• [4.1]--4.1 基于特征的预训练模型
• [4.3]--4.3 基于微调的方法
• [4.4]--4.4 BERT之后的预训练模型
• -
• {5}--知识图谱
• #5.1#--第5章课件
• #5.2#--数据集与源码框架
• (5.1)--05_知识图谱
• [5.2]--5.2 知识表示学习
• [5.3]--5.3 知识表示学习的关键挑战
• -
• {6}--序列标注与信息抽取
• #6.1#--第6章课件
• (6.1)--06_序列标注
• [6.1]--6.1_序列标注
• [6.2]--6.2_词性标注
• [6.5]--6.5_命名实体分类与实体链接
• -
• {7}--文本分类与关系抽取
• #7.2#--数据集与源码框架
• (7.1)--07_文本分类与关系抽取
• (7.2)--预训练模型应用实例-更新版
• [7.2]--7.2_关系抽取
• [7.3]--7.3_事件抽取
• -
• {8}--文本匹配与信息检索
• (8.1)--08_信息检索
• [8.1]--8.1_信息检索简介
• [8.4]--8.4_神经IR模型
• -
• {9}--文档分析与阅读理解
• #9.1#--第9章课件
• (9.1)--09_机器问答_v3
• (9.2)--法律智能问答案例
• [9.1]--9.1_机器问答简介
• [9.3]--9.3_开放域问答
• [9.4]--9.4_知识图谱问答
• -
• 驭风计划-python入门与应用
• 1.10 循环语句-while循环
• 1.11 循环语句-for循环
• 1.12 快速入门函数
• 1.12
• 1.2-1.5
• 1.3 开发工具的选择
• 1.4 jupyter使用
• 1.5 第三方模块管理
• 1.6 理解变量
• 1.6-1.8
• 1.7 输入输出语句与基本语法
• 1.8 三种运算符
• 1.9 条件语句-if语句
• 1.9
• 10.1 python操作mysql
• 10.1mysql数据库操作
• 10.2多进程详解与应用
• 10.3多线程详解与应用
• 10.4 统计文件练习
• 10.5 进程池
• 10.7 线程安全与互斥锁
• 11.1 有序列表中插入元素
• 11.10 加数的最大积
• 11.11 n的第k个因子
• 11.2 求交集
• 11.3 字符串旋转
• 11.4 字符串列表翻转
• 11.7 解压缩列表
• 11.8 数字列表加法操作
• 11.9 排队问题
• 12.1 numpy简介与安装
• 12.2 ndarray对象
• 12.3 numpy数据类型与访问
• 12.5 分割切分
• 13.1 matplotlib
• 13matplotlib
• 14.1 pandas课程介绍
• 14.2 series对象
• 14.3 dataframe对象
• 14.4 pandas数据导入
• 14.5 缺失值处理（一）
• 14.7 根据条件获取数据
• 14.8 描述性统计与计算
• 14.9 索引及多级索引
• 15.1 period与时间应用
• 15.10 str处理
• 15.2 时间分析
• 15.3 数据去重
• 15.5 数据集合并（二）
• 15.7 数据处理
• 15.8 分组处理
• 15.9 cuts
• 16.10 seaborn
• 16.2 gdp分析（一）
• 16.3 gdp分析（二）
• 16.5 复购率
• 16.6 复购时间间隔
• 16.7 用户转化率分析
• 16.8 rfm模型（一）
• 16.9 rfm模型（二）
• 17.1 设置颜色
• 17.2 sns数据集与第一个图表
• 17.4 seaborn
• 17.5 买家评论信息分析（一）
• 17.7 泰坦尼克分析
• 17.8 mv_lens1
• 2.1 数字基础
• 2.2随机数模块
• 2.4 随机数模块
• 3.1 序列基础
• 3.1序列
• 3.2 序列通用函数
• 3.2字符串详解
• 3.3 字符串
• 3.3列表
• 3.4 字符串相关函数
• 3.4列表解析
• 3.5.1 字符串相关方法（1）
• 3.5.2 字符串相关方法（2）
• 3.5.3 字符串相关方法（3）
• 3.7 列表操作详解
• 3.8 元组
• 4.1.1 列表练习（1）
• 4.1字典
• 4.2 列表解析
• 4.2集合
• 4.3拷贝问题
• 4.4 字典相关方法
• 4.4collections模块
• 4.5.1 字典强化练习（1）
• 4.5.2 字典强化练习（2）
• 4.6 集合
• 4.7 拷贝问题
• 4.8 collections模块详解
• 5.1 文件操作快速入门
• 5.2csv文件详解
• 5.4 文件读取操作
• 5.5.1 产生销售数据
• 5.5.2 销售数据统计
• 5.7.2 csv文件练习（2）
• 6.1 时间处理
• 6.10 单元格格式设置
• 6.13 ini文件读写
• 6.1时间处理
• 6.2 按照时间完成订单的统计
• 6.2os模块目录处理
• 6.3 统计7天内的订单量
• 6.3excel文件详解
• 6.4json与picke
• 6.5 文件练习
• 6.5ini配置文件处理
• 6.6 excel读取快速入门
• 6.7 excel读取操作
• 6.9 excel文件拆分
• 7.1 函数基础
• 7.10 yield与生成器函数
• 7.1函数基础详解
• 7.2 函数参数
• 7.2匿名函数与函数式编程
• 7.3递归函数
• 7.4闭包
• 7.5 匿名函数
• 7.5装饰器
• 7.6 函数式编程
• 7.6生成器函数
• 7.7 递归
• 7.8 闭包
• 8.10 特殊方法
• 8.11 类组合与练习
• 8.12 班级管理实现
• 8.13 添加菜单
• 8.1面向对象编程
• 8.2 类与实例属性
• 8.3 实例方法
• 8.3班级练习_jupyter
• 8.4 对象的生命周期
• 8.5 面向对象三种方法
• 8.6 收银台结算案例
• 8.7 propety使用
• 8.8 反射
• 9.1 模块与导入
• 9.1模块与导入
• 9.2 包与相对导入绝对导入
• 9.3 异常处理
• 9.3正则表达式
• 9.6 正则表达式基本语法
• 9.7 边界匹配
• 9.9 split与sub方法
• -
• 驭风计划-深度学习
• 1.1_深度学习的基本概念
• 1.2_深度学习的发展历程
• 1.3_深度学习的应用
• 10.1_生成式模型
• 10.2_受限玻尔兹曼机
• 10.3_深度信念网络
• 10.4 生成对抗网络
• 2.1_数学基础回顾
• 2.2_机器学习基础回顾
• 3.1_logistic回归
• 3.2_softmax回归
• 4.1_多层感知机_前言
• 4.2_前向计算
• 4.5_深度学习模型的训练技巧I
• 5.4_典型的卷积神经网络
• 6.2_处理过拟合
• 7.1_图像分类
• 7.2_物体检测
• 7.3_图像分割
• 7.4_图像风格转换
• 8.1_动态系统
• 8.2_RNNs
• 8.3_门控RNNs
• 8.4_语音识别应用
• 9.2_词表示
• 9.4_神经网络进行机器翻译
• 第一章
• 第七章
• 第三章
• 第九章
• 第二章
• 第六章
• 第十章
• 第四章
• -
• 深度学习直播答疑
• 直播答疑1
• 直播答疑4
• 直播答疑5
• 直播答疑7
• 直播答疑8
• 直播答疑9
• -
• 驭风计划-深度学习（标清）
• 1.1_深度学习的基本概念
• 1.2_深度学习的发展历程
• 1.3_深度学习的应用
• 1.4_深度学习的潜在风险
• 10.1_生成式模型
• 10.2_受限玻尔兹曼机
• 10.3_深度信念网络
• 10.4 生成对抗网络
• 2.1_数学基础回顾
• 2.2_机器学习基础回顾
• 3.1_logistic回归
• 3.2_softmax回归
• 4.1_多层感知机_前言
• 4.2_前向计算
• 4.3_反向计算
• 4.4_层分解
• 4.5_深度学习模型的训练技巧I
• 5.1_卷积神经网络简介
• 5.2_卷积层
• 5.3_池化层
• 5.4_典型的卷积神经网络
• 6.1_优化器
• 6.2_处理过拟合
• 6.3_批归一化
• 6.4_超参数选取
• 7.1_图像分类
• 7.2_物体检测
• 7.3_图像分割
• 7.4_图像风格转换
• 8.1_动态系统
• 8.2_RNNs
• 8.3_门控RNNs
• 8.4_语音识别应用
• 9.1_NLP典型任务
• 9.2_词表示
• 9.3_神经网络进行文本分类
• 9.4_神经网络进行机器翻译
• 实验4讲解+实验6布置答疑
• 实验6讲解
• 实验7汇报+结营
• 实验一汇报、讲解+实验三布置+直播答疑
• 实验三讲解+直播答疑
• 实验二讲解+直播答疑
• 实验五讲解
• 实验四、五布置+直播答疑
• 开营仪式+实验一、二布置+答疑
• 直播答疑1
• 直播答疑2
• 第一章
• 第七章
• 第三章
• 第九章
• 第二章
• 第六章
• 第十章
• 第四章