课程目录

• (Part One)深度学习基础
• 课件
• 1.2 深度学习(Deep Learning)介绍_files
• science-journal.gif
• 3.1 决策树(decision tree)算法_files
• 3.2 决策树(decision tree)应用_files
• 4.1 最邻近规则分类(K-Nearest Neighbor)KNN算法_files
• 4.2 最邻近规则分类(K-Nearest Neighbor)KNN算法应用_files
• 5.1 支持向量机(SVM)算法（上）files
• 5.2 支持向量机(SVM)算法（下）_files
• 6.1 神经网络算法(Nerual Networks)（上）_files
• 6.2神经网络算法应用上
• 6.3神经网络算法应用下
• 7.1 简单线性回归 (Simple Linear Regression)上_files
• 7.1 简单线性回归 (Simple Linear Regression)下_files
• 7.3　多元回归分析(multiple regression)_files
• 7.5 非线性回归 logistic regression_files
• 7.7 回归中的相关度和R平方值_files
• 8.1 聚类(Clustering) K-means算法_files
• 8.3 聚类(Clustering) hierarchical clustering 层次聚类_files
• 1.1 课程介绍 & 机器学习介绍.html
• 1.2 深度学习(Deep Learning)介绍.html
• 2 基本概念 (Basic Concepts).html
• 3.1 决策树(decision tree)算法.html
• 3.2 决策树(decision tree)应用.html
• 4.1 最邻近规则分类(K-Nearest Neighbor)KNN算法.html
• 4.2 最邻近规则分类(K-Nearest Neighbor)KNN算法应用.html
• 5.1 支持向量机(SVM)算法（上）.html
• 5.1 支持向量机(SVM)算法（上）应用.html
• 5.2 支持向量机(SVM)算法（下）.html
• 5.3 支持向量机(SVM)算法（下）应用.html
• 6.1 神经网络算法(Nerual Networks)（上）.html
• 6.2 神经网络算法(Nerual Networks)应用(上）.html
• 6.3 神经网络算法(Nerual Networks)应用(下）.html
• 7.1 简单线性回归 (Simple Linear Regression)上.html
• 7.1 简单线性回归 (Simple Linear Regression)下.html
• 7.3　多元回归分析(multiple regression).html
• 7.4　多元回归分析(multiple regression)应用.html
• 7.5 非线性回归 logistic regression.html
• 7.6 非线性回归应用：losgistic regression application.html
• 7.7 回归中的相关度和R平方值.html
• 7.8 回归中的相关度和R平方值应用.html
• 8.1 聚类(Clustering) K-means算法.html
• 8.2 聚类(Clustering) K-means算法应用.html
• 8.3 聚类(Clustering) hierarchical clustering 层次聚类.html
• 8.4 聚类(Clustering) hierarchical clustering 层次聚类应用.html
• 视频
• 1.1课程介绍机器学习介绍上
• 1.1课程介绍机器学习介绍下
• 1.2深度学习介绍
• 2基本概念
• 3.1决策树算法
• 3.2决策树应用
• 4.1最邻近规则分类KNN算法
• 4.2最邻近规则KNN分类应用
• 5.1 支持向量机(SVM)算法（上）.html
• 5.1 支持向量机(SVM)算法（上）应用.html
• 5.1支持向量机SVM上
• 5.1支持向量机SVM上应用
• 6.2神经网络算法应用上
• 6.3神经网络算法应用下
• 7.1简单线性回归上
• 7.2简单线性回归下
• 7.3多元线性回归
• 7.4多元线性回归应用
• 7.5非线性回归 Logistic Regression
• 7.6非线性回归应用
• 7.7回归中的相关度和决定系数
• 7.8回归中的相关性和R平方值应用
• 8.1Kmeans算法
• 8.2Kmeans应用
• 8.3Hierarchical clustering 层次聚类
• 8.4Hierarchical clustering 层次聚类应用
• 神经网络NN算法
• 支持向量机(SVM)算法(下)应用
• 支持向量机(SVM)算法下
• 总结
• 代码与素材
• (Part Three)深度学习深入与强化
• 第10课 更多框架
• 5月班第10课_framework
• 第10课 更多框架
• 第1课 机器学习中数学基础
• 五月班第一次课件：机器学习中数学基础 (1)
• 第2课 高效计算基础与图像线性分类器
• 5月班第2课课件：高效计算基础与图像线性分类器
• image linear classification
• numpy_operations.ipynb
• 第2课 高效计算基础与图像线性分类器
• 第3课 梯度下降法与反向传播
• 5月班第3课课件：梯度下降法与反向传播 (1)
• 第3课 梯度下降法与反向传播
• 第4课 CNN与常用框架
• 5月深度学习班第4课–CNN，典型网络结构与常用框架
• 第4课 CNN与常用框架
• 第5课 CNN训练注意事项与框架使用
• 5月班第5次课 – caffe TensorFlow使用与CNN训练注意事项
• 第5课 CNN训练注意事项与框架使用
• 第6课 CNN推展案例
• 5月班第6次课 – CNN扩展 图像识别与定位 物体检测 NeuralStyle
• 第6课 CNN推展案例
• 第7课 RNN介绍
• 5月班第7课课件_rnn_intrduction
• 第7课 RNN介绍
• 第8课 RNN应用
• 5月班第8课_rnn_appliacation
• 第8课 RNN应用
• 第9课 更多的网络类型
• 5月班第9次课课件_more_about_nn
• 第9课 更多的网络类型
• (Part Two)深度学习进阶
• 课件
• 深度学习进阶课件
• 视频
• 第10章 神经网络手写数字演示
• 第11章 Backpropagation算法上
• 第12章 Backpropagation算法下
• 第13章 Backpropagation算法实现
• 第14章 cross-entropy函数
• 第15章 Softmax和Overfitting
• 第16章 Regulization
• 第17章 Regulazition和Dropout
• 第18章 正态分布和初始化(修正版)
• 第19章 提高版本的手写数字识别实现
• 第1章 基本概念清晰版
• 第20章 神经网络参数hyper-parameters选择
• 第21章 深度神经网络中的难点
• 第22章 用ReL解决VanishingGradient问题
• 第23章 ConvolutionNerualNetwork算法
• 第24章 ConvolutionNeuralNetwork实现上
• 第25章 ConvolutionNeuralNetwork实现下
• 第26章 Restricted Boltzmann Machine
• 第27章 Restricted Boltzmann Machine下
• 第28章 Deep Brief Network 和 Autoencoder
• 第2章 软件包安装和环境配置总述
• 第3章 环境配置分部详解
• 第4章 环境配置分部详解下
• 第5章 手写数字识别
• 第6章 神经网络基本结构及梯度下降算法
• 第7章 随机梯度下降算法
• 第8章 梯度下降算法实现上
• 第9章 梯度下降算法实现下