课程目录

• 002 Python进阶-V5.0-AI版
• 004 机器学习-V5.0-AI版
• 00-代码练习库
• day01-机器学习概述
• day02-KNN算法
• day03-线性回归
• day04-线性回归+逻辑回归
• day05-逻辑回归
• day06-决策树
• day07-集成学习
• day08-朴素贝叶斯和特征降维+聚类K-means
• day09-聚类kmeans算法+SVM
• day10-总结+拓展
• 补充资料
• AI20期-大模型时代
• api.xmind
• 机器学习V5.0课程逻辑图总结.xmind
• 机器学习V5.0课程总结.xmind
• 010 多模态大模型项目-V5.0-AI版
• 赠送往期多项目
• AI智慧交通项目实战
• 计算机视觉项目实战
• 投满分项目项目实战
• 亿图人脸支付项目实战
• 001 Python基础-V5.0-AI版
• 002 Python进阶-V5.0-AI版
• 003 数据处理和统计分析-V5.0-AI版
• 004 机器学习-V5.0-AI版
• 005 金融风控-V5.0-AI版
• 006 深度学习基础-V5.0-AI版
• 007 NLP自然语言处理+GPT-V5.0-AI版
• 008 知识图谱-V5.0-AI版
• 009 大模型开发基础与项目-V5.0-AI版
• 010 多模态大模型项目-V5.0-AI版
• 01_Python基础-V6.X版-14天-AI版
• 01.Linux基础
• Day01_Linux基础
• Day02_Linux基础
• 02.MySQL基础
• day01-Mysql基础
• day02-Mysql查询
• day03-Mysql多表查询
• day04-窗口函数+练习题
• 03.Python基础
• day01
• day02
• day03
• day04
• day05
• day06
• day07
• day08
• 02_Python进阶-V6.X版-9天-AI版
• day01-面向对象基础
• 01.Python进阶-大纲介绍_
• 02.今日内容大纲介绍_
• 03.面向对象-初识_
• 04.面向对象-三大特征介绍_
• 05.定义类和对象_
• 06.self对象介绍_
• 07.在类内部调用类的函数_
• 08.在类外定义和获取属性_
• 09.上午内容回顾_
• 10.在类内获取属性_
• 11.魔法方法-init-无参数_
• 12.魔法方法-init-有参数_
• 13.魔法方法-str和del_
• 14.案例-减肥_
• 15.案例-烤地瓜_
• day02-面向对象高级
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.定义类的格式_
• 04.继承-入门_
• 05.继承-单继承_
• 06.继承-多继承_
• 07.继承-方法重写-入门_
• 08.继承-子类访问父类成员-方式1_
• 09.继承-子类访问父类成员-方式2_
• 10.继承-多层继承_
• 11.封装-私有化属性_
• 12.上午内容回顾_
• 13.封装-私有化方法_
• 14.扩展-方法重写案例-手机类_
• 15.多态-入门_
• 16.扩展_Java版多态_
• 17.多态案例_战斗机_
• 18.抽象类详解_
• 19.类属性和对象属性详解_
• 20.类方法和静态方法详解_
• day03-学生管理系统-深拷贝浅拷贝
• 01.昨日反馈和作业处理_
• 02.面向对象版-学生管理系统-需求分析_
• 03.学生类-代码实现_
• 04.学生管理系统文件-搭建提示界面_
• 05.学生管理系统文件-搭建基本框架_
• 06.学生管理系统文件-业务逻辑代码实现_
• 07.main模块-搭建程序的主入口_
• 08.学生管理系统文件-添加学生_
• 09.学生管理系统文件-查看所有学生信息_
• 10.学生管理系统文件-修改学生信息_
• 11.学生管理系统文件-删除学生信息_
• 12.学生管理系统文件-查询单个学生信息_
• 13.上午内容回顾_
• 14.扩展_dict属性_
• 15.扩展_with_open语法_
• 16.学生管理系统文件-保存学生信息_
• 17.学生管理系统文件-加载学生信息_
• 18.扩展-把show_view函数定义成静态方法_
• 19.深浅拷贝-普通赋值_
• 20.深浅拷贝-浅拷贝_
• 21.深浅拷贝-深拷贝_
• 22.今日内容总结_
• day04_闭包和装饰器
• 01.昨日内容回顾_
• 02.函数名-作为对象_
• 03.函数名-作为实参传递_
• 04.闭包-入门_
• 05.闭包-图解_
• 06.闭包-nonlocal关键字_
• 07.装饰器-入门_
• 08.装饰器-无参无返回值_
• 09.装饰器-有参无返回值_
• 10.上午内容回顾_
• 11.装饰器-无参有返回值_
• 12.装饰器-有参有返回值_
• 13.装饰器-可变参数_
• 14.多个装饰器-装饰1个函数_
• 15.多个装饰器-执行流程_
• 16.带有参数的装饰器(上)_
• 17.带有参数的装饰器(下)_
• day05_网编和多线程
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.网络编程-介绍_
• 04.端口号-介绍_
• 05.协议-介绍_
• 06.网络通信-原理_
• 07.socket-入门_
• 08.TCP流程分析_
• 09.字符串和二进制数据相互转换_
• 10.案例-收发1句话-服务器端代码实现_
• 11.案例-收发1句话-客户端代码实现_
• 12.上午内容回顾_
• 13.服务器端-端口号复用_
• 14扩展_.服务器端-接收多客户端消息_
• 15.扩展_长连接_
• 16.扩展_文件上传_
• 17.扩展_文件上传_支持多客户端_
• 18.并行和并发介绍_
• 19.多任务介绍_
• 20.多进程-代码实现_
• day06_多线程_生成器
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.多进程-参数解释_
• 04.多进程-获取进程编号_
• 05.多进程-进程之间数据相互隔离_
• 06.默认-主进程会等待子进程结束再结束_
• 07.设置主进程结束-子进程同步结束_
• 08.多线程-基本概述_
• 09.多线程-入门_
• 10.多线程-参数解释_
• 11.多线程-执行顺序_
• 12.多线程-守护线程_
• 13.上午内容回顾_
• 14.多线程-线程间共享数据_
• 15.多线程-操作共享变量-出现非法值_
• 16.多线程-解决线程安全问题_
• 17.多线程和多进程的区别_
• 18.回顾-with open语法_
• 19.自定义代码实现-上下文管理器(了解)_
• day07_正则表达式
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.生成器-推导式写法_
• 04.生成器-yield关键字_
• 05.生成器-自定义数据迭代器_
• 06.property-装饰器用法_
• 07.property-修饰类变量_
• 08.正则表达式-相关概述_
• 09.正则表达式-入门_
• 10.正则表达式-数量词_
• 11.正则表达式-替换_
• 12.上午内容回顾_
• 13.正则表达式-校验单个字符_
• 14.正则表达式-校验多个字符_
• 15.正则表达式-校验开头和结尾_
• 16.正则表达式-或者 和 分组_
• 17.正则表达式-分组详解_
• 18.数据结构和算法-入门_
• 19.数据结构和算法-特点_
• 20.时间复杂度简介_
• day08_算法和数据结构
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.时间复杂度介绍_
• 04.时间复杂度计算_
• 05.最优最坏时间复杂度介绍_
• 06.常见的时间复杂度介绍(掌握)_
• 07.空间复杂度介绍(了解)_
• 08.回顾-数据结构和算法概述_
• 09.数据结构-划分_
• 10.数据结构-线性结构-顺序表介绍_
• 11.数据结构-线性结构-顺序表扩容策略_
• 12.数据结构-线性结构-顺序表-添加和删除_
• 13.上午内容回顾_
• 14.链表-介绍_
• 15.自定义代码模拟链表-创建节点类_
• 16.链表类-架构搭建_
• 17.链表类-判断链表是否为空_
• 18.链表类-获取长度_
• 19.链表类-遍历链表_
• 20.链表类-往头部添加元素_
• 21.链表类-往末尾添加元素_
• 22.链表类-往中间添加元素_
• 23.链表类-删除元素_
• 24.链表类-查找元素_
• 25.顺序表和链表区别_
• day09_算法和数据结构
• 01.昨日内容回顾_
• 02.排序算法-稳定性介绍_
• 03.冒泡排序-原理介绍_
• 04.冒泡排序-代码实现_
• 05.选择排序-分析流程_
• 06.选择排序-代码实现_
• 07.选择排序-代码实现_
• 08.快速排序-思路分析_
• 09.快速排序-代码实现_
• 10.快速排序-图解_
• 11.上午内容回顾_
• 12.二分查找-递归版_
• 13.二分查找-非递归版_
• 14.数据结构-树-相关概述_
• 15.数据结构-树-应用场景和存储_
• 16.树形结构-应用场景-简介_
• 17.树形结构-相关公式_
• 18.自定义代码-模拟树形结构-添加元素_
• 19.模拟树形结构-遍历-广度优先_
• 20.模拟树形结构-遍历-深度优先_
• 21.根据遍历结果-逆推树形结构_
• 03-数据处理和统计分析-V6.X版-10天-AI版
• day01
• 01.阶段大纲介绍_
• 02.今日内容大纲介绍_
• 03.计算机介绍_
• 04.Linux系统介绍_
• 05.虚拟化软件介绍_
• 06.Vmware-软件安装_
• 07.手动安装虚拟机(了解即可)_
• 08.挂载虚拟机到Vmware软件(掌握)_
• 09.Linux-快照_
• 10.FinalShell-连接Linux虚拟机_
• 11.Linux-命令格式介绍_
• 11.Linux目录-介绍_
• 12.上午内容回顾_
• 13.Linux基础命令-ls命令_
• 14.Linux基础命令-cd和pwd_
• 15.Linux基础命令-创建目录_
• 16.Linux基础命令-文件操作(上)_
• 17.Linux基础命令-文件操作(下)_
• 18.Linux基础命令-查找命令_
• 19.Linux基础命令-grep和管道命令_
• 20.Linux基础命令-echo, 重定向, tail命令_
• 21.Linux基础命令-vi命令入门_
• 22.Linux基础命令-vi常用快捷键_
• 23.扩展_man命令 和 help选项_
• day02
• 扩展
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.root用户-初识_
• 04.用户和用户组相关操作_
• 05.权限查看相关_
• 06.权限管理命令-chmod_
• 07.权限管理命令-chown_
• 08.Linux-常用快捷键_
• 09.Linux-yum方式安装软件_
• 10.Linux-服务管理命令-systemctl_
• 11.Linux-软连接_
• 12.Linux-硬链接_
• 13.上午内容回顾_
• 14.IP地址-介绍_
• 15.网络相关-配置域名映射_
• 16.网络传输-下载和发起网络请求_
• 17.网络相关-端口号相关操作_
• 18.进程相关_
• 19.环境变量相关_
• 20.Linux-上传和下载_
• 21.压缩和解压缩-tarball 归档方式_
• 22.压缩和解压缩-zip方式_
• day03
• 01.昨日内容回顾_
• 02.今日内容大纲介绍_
• 03.数据库简介_
• 04.数据库分类_
• 05.MySQL版本介绍_
• 06.MySQL-安装_
• 07.MySQL-安装时可能遇到的问题_
• 08.MySQL-登陆和登出_
• 09.DataGrip连接MySQL_
• 10.扩展_PyCharm连接MySQL_
• 11.扩展_DataGrip基本设置_
• 12.SQL语句-分类_
• 13.SQL语句-通用语法和常用数据类型_
• 14.上午内容回顾_
• 15.DDL-操作数据库_
• 16.DDL-操作数据表_
• 17.DDL-操作字段_
• 18.DML-添加表数据_
• 19.DML-修改和删除表数据_
• 20.delete from 和 truncate table区别_
• 21.扩展_如何备份数据表_
• 22.约束详解_
• day04
• 01.昨日内容回顾及反馈处理_
• 02.单表查询-简单查询_
• 03.单表查询-条件查询_
• 04.单表查询-排序查询_
• 05.单表查询-聚合查询_
• 06.单表查询-分组查询_
• 07.单表查询-分页查询_
• 08.上午内容回顾_
• 09.多表建表-一对多_
• 10.扩展_多表建表-多对多_
• 11.扩展_多表建表-一对一_
• 12.多表查询-交叉查询_
• 13.多表查询-连接查询_
• 14.多表查询-子查询_
• 15.多表查询-自关联查询_
• 16.窗口函数入门_
• day05
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.Python数据分析的优势_
• 04.Python-常见的开源库_
• 05.Anaconda-环境搭建_
• 06.Anaconda-如何安装第三方资源库_
• 07.Anaconda-沙箱相关操作_
• 08.Jupyter Notebook-入门_
• 09.Jupyter Notebook-常用快捷键_
• 10.扩展_Jupyter lab演示_
• 11.PyCharm集成Anaconda-jupyter Notebook_
• 12.上午内容回顾_
• 13.Numpy-常用属性_
• 14.创建ndarray_数组_zeros_ones_empty_
• 15.创建ndarray数组_arange_matrix_
• 16.创建ndarray数组_rand_randint_uniform_
• 17.创建ndarray数组_astype函数_
• 18.创建ndarray数组_logspace等比数列和linspace等差数列_
• 19.ndarray内置函数-基本函数_
• 20.ndarray内置函数-统计函数_
• 21.ndarray内置函数_比较-排序-去重_
• 22.ndarray_运算_
• day06
• 01.昨日反馈处理_
• 02.今日内容大纲介绍_
• 03.Panda-数据结构介绍_
• 04.通过列表创建Series对象_
• 05.扩展_通过元组_字典创建Series对象_
• 06.创建DataFrame对象_
• 07.Series对象常用属性_
• 08.Series对象常用函数_
• 09.Series案例-电影数据_
• 10.Series-结合布尔值操作_
• 11.Series-计算_
• 12.上午内容回顾_
• 13.DataFrame-常用属性介绍_
• 14.DataFrame-常用函数介绍_
• 15.DataFrame-布尔索引_
• 16.DataFrame-计算_
• 17.DataFrame-索引操作-入门_
• 18.DataFrame-修改行索引和列名_
• 19.DataFrame-添加-删除-插入列_
• 20.DataFrame-导入和导出数据_
• day07
• 01.昨日内容回顾_
• 02.今日内容大纲介绍_
• 03.DataFrame-加载行, 列数据_
• 04.DataFrame-加载指定行列的数据_
• 05.DataFrame-聚合统计_
• 06.DataFrame-基本绘图_
• 07.DataFrame-常用的统计值的方法_
• 08.DataFrame-常用排序方法_
• 09.链家案例-前5个需求_
• 10.链家案例-6~8需求_
• 11.链家案例-9~12需求_
• 12.上午内容回顾_
• 13.数据组合-concat函数_
• 14.数据组合-append函数_
• 15.数据组合-merge-一对一_
• 16.数据组合-merge-多对一_
• 17.数组聚合-join方式(了解)_
• 18.缺失值-初识_
• 19.缺失值-加载_
• 20.缺失值-查看_
• 21.缺失值处理-删除_
• 22.缺失值处理-非线性填充_
• 23.缺失值处理-线性填充_
• day08
• 01.昨日反馈处理及内容回顾_
• 02.今日内容大纲介绍_
• 03.apply函数-操作Series对象_
• 04.apply函数-操作df对象_
• 05.apply函数案例-计算某列的缺失值占比_
• 06.向量化函数介绍_
• 07.apply函数-结合lambda表达式使用_
• 08.分组聚合演示_
• 09.分组转换演示_
• 10.分组过滤演示_
• 11.GroupBy分组对象介绍_
• 12.上午内容回顾_
• 13.零售会员数据分析-需求介绍_
• 14.零售会员数据分析-月增量实现及可视化_
• 15.零售会员数据分析-透视表方式计算月增量_
• 16.零售会员数据分析-计算月存量_
• 17.零售会员数据分析-会员增量等级分布_
• 18.回顾_python中的日期类型_
• 19.Pandas中的日期类型介绍_
• 20.提取日期的各个部分_
• 21.日期运算_
• 22.获取连续的日期_
• 23.Python可视化组件介绍_
• 24.Matplotlib-状态接口方式绘图_
• 25.Matplotlib-面向对象方式绘图_
• day09
• 01.今日内容大纲介绍_
• 02.anscombe数据集可视化_
• 03.MatPlotlib-单变量-直方图_
• 04.MatPlotlib-双变量-散方图_
• 05.MatPlotlib-多变量-散点图_
• 06.Pandas-单变量-柱状图(条形图)_
• 07.Pandas-单变量-折线图-面积图-饼图_
• 08.Seaborn-单变量-直方图_
• 09.Seaborn-单变量-密度图_
• 10.Seaborn-单变量-计数图_
• 11.Seaborn-双变量-散点图_
• 12.上午内容回顾_
• 13.Seaborn-双变量-2D密度图_
• 14.Seaborn-双变量-箱线图_
• 15.Seaborn-双变量-小提琴图_
• 16.Seaborn-样式介绍_
• day10
• 01.昨日内容回顾_
• 02.会员价值度预估模型介绍_
• 03.RFM案例-基本实现过程介绍_
• 04.RFM案例-背景介绍_
• 05.RFM案例-数据源介绍_
• 06.RFM案例-加载数据及查看格式_
• 07.RFM案例-数据预处理_
• 08.RFM案例-汇总数据_
• 09.RFM案例-计算RFM各项指标值_
• 10.上午内容回顾_
• 11.RFM案例-计算最终结果_
• 12.RFM案例-绘制3D柱状图_
• 13.RFM案例-导出结果到本地文件或者数据库_
• 14.RFM案例-总结及细节_
• 15.RFM案例-面向对象版_
• 16.扩展_迭代器_
• 17.总结_Linux_MySQL_
• 18.总结_Numpy_Pandas_
• 04_机器学习-V6.X版-10天-AI版
• day01-机器学习概述
• 01-课前内容_
• 02-人工智能三大概念_
• 03-应用领域及发展史_
• 04-常用术语（特征，样本，标签）_
• 05-机器学习算法分类_
• 06-建模流程+线性回归案例demo_
• 07-Anaconda+Pycharm_
• 08-线性回归-模型保存_
• 09-KNN案例_
• 10-kmeans案例_
• 11-特征工程_
• 12-过拟合欠拟合_
• 13-sklearn库_
• 14-今日总结_
• day02-KNN算法
• 01-昨日回顾_
• 02-KNN思想_
• 03-KNN思想2_
• 04-KNN-API_
• 05-距离度量_
• 06-模型预处理-归一化_
• 07-模型预处理-标准化及总结_
• 08-模型预处理案例-鸢尾花-数据导入_
• 09-鸢尾花特征数据展示_
• 10-数据可视化+数据集切分_
• 11-模型预测评估_
• 12-交叉验证网格搜索_
• 13-交叉验证代码解析_
• 14-今日总结_
• day03-线性回归
• 01-昨日回顾_
• 02-KNN-MINIST-数据获取_
• 03-KNN_MINIST-模型训练_
• 04-KNN-作业_
• 05-线性回归介绍_
• 06-线性回归基本求解及概念介绍_
• 07-导数和矩阵_
• 08-练习题_
• 09-正规方程法_
• 10-梯度下降法_
• day04-线性回归+逻辑回归
• 01-昨日回顾_
• 02-梯度下降法案例_
• 03-案例-银行信贷_
• 04-梯度下降法算法分类_
• 05-梯度下降算法总结_
• 06-评估指标_
• 07-梯度下降法+正规方程法API_
• 08-波士顿房价预测-正规方程法_
• 09-波士顿房价预测-梯度下降法_
• 10-过拟合欠拟合实现_
• 11-正则化-L1_
• 12-正则化-L2正则化及代码实现_
• 13-线性回归总结_
• 14-逻辑回归基本介绍_
• 15-逻辑回归基本原理_
• day05-逻辑回归
• 01-总结回顾_
• 02-逻辑回归案例-cancer预测_
• 03-评估-混淆矩阵_
• 04-评估-P_R_f1-score_
• 05-ROC_AUC_
• 06-AUC_API_
• 06-案例-客户流失-数据预处理_
• 07-案例-客户流失-模型训练_
• 08-今日总结_
• day06-决策树
• 01-昨日回顾_
• 02-决策树思想_
• 03-ID3决策树-信息增益_
• 04-信息增益-详解_
• 05-ID3决策树-总结_
• 06-C4.5-信息增益率_
• 07-C4.5-案例_
• 08-C4.5总结_
• 09-CART决策树-案例_
• 10-CART决策树-案例+总结_
• 11-泰坦尼克号案例-讲解_
• 12-泰坦尼克号案例-代码实现_
• 13-回归决策树-思想_
• 14-回归决策树-案例_
• 15-决策树剪枝_
• 16-今日总结_
• day07-集成学习
• 01-昨日回顾_
• 02-集成学习思想_
• 03-随机森林思想_
• 04-Adaboost思想_
• 04-随机森林案例_
• 05-adaboost案例-葡萄酒分类 _
• 06-GBDT思想_
• 07-GBDT 案例-泰坦尼克号-代码实现_
• 08-XGBoost原理_
• 09-XGBoost案例_
• day08-朴素贝叶斯和特征降维+聚类K-means
• 01-昨日回顾_
• 02-朴素贝叶斯思想_
• 03-总结_
• 04-朴素贝叶斯情感分类案例_
• 05-低方差过滤法_
• 06-PCA_
• 07-相关系数法mp4_
• 08-特征降维总结_
• 09-朴素贝叶斯总结_
• 10-特征降维总结_
• 11-聚类基本介绍_
• 12-K-means API_
• 13-K-means实现流程_
• 14-K-Means评估指标_
• day09-聚类kmeans算法+SVM
• 01-朴素贝叶斯+特征降维总结_
• 02-K-means总结_
• 03-案例-客户分析-数据展示_
• 04-案例-客户分析-模型训练及结果分析_
• 05-SVM思想_
• 06-SVM案例-鸢尾花-数据读取处理_
• 07-SVM案例-鸢尾花-模型训练展示_
• 08-SVM-C值测试_
• 09-SVM算法原理_
• 10-SVM核函数_
• day10-总结+拓展
• 01-总结回顾-1_
• 02-总结回顾-2_
• 03-总结回顾-3_
• 04-总结回顾-4_
• 05-大模型时代-1_
• 06-大模型时代-2_
• 每日算法_
• 算法-毕天宇-滑动窗口法_
• 06_金融风控-V6.X版-8天-AI版
• day01
• 01【了解】-课程资料说明_
• 02【了解】-项目整体介绍_
• 03【了解】-今日内容介绍_
• 04【理解】信贷&风控介绍_
• 05【了解】消费贷和现金贷_
• 06【了解】常见风险介绍_
• 07【理解】风控术语名词_
• 08【理解】风控业务案例-背景&需求说明_
• 09【实现】风控业务案例-数据加载_
• 10【实现】风控业务案例-数据处理_
• 11【实现】风控业务案例-增加中间字段_
• 12【实现】风控业务案例-季度转换和过滤_
• 13【实现】风控业务案例-计算坏账率_
• 14【实现】风控业务案例-就散入催率_
• 15【实现】风控业务案例-回收账单数_
• 16【小结】风控业务案例小结_
• 17【理解】信贷业务如何运行_
• 18【了解】业务转换和漏斗_
• 19【了解】业务表说明_
• 20【了解】前置操作（配置终端工具和datagrip）_
• 21【了解】风控报表指标介绍_
• 22【了解】数据导入_
• day02
• 01【回顾】昨日内容回顾_
• 02【了解】各阶段转化率表（1）_
• 03【了解】各阶段转化率表（2）_
• 04【了解】各阶段转换率表（3）_
• 05【了解】各阶段转化率表（4）_
• 06【了解】通过率表（1）_
• 07【了解】通过率表（2）_
• 08【理解】金融风控项目流程梳理_
• 09【了解】下午内容介绍_
• 10【理解】业务流程&ABC卡介绍_
• 11【理解】互联网金融组成三部分_
• 12【理解】机器学习流程_
• 13【掌握】项目准备期-Y标签的定义_
• 14【理解】项目准备期-样本的概述_
• 15【理解】项目准备期-观察期和表现期_
• 16【理解】姓名准备期-数据集划分_
• 17【理解】项目准备期-样本设计_
• 18【理解】特征工程-数据收集_
• 19【理解】特征工程-特征构建_
• 20【理解】特征工程-特征评估_
• 21【理解】模型构建-模型训练&模型评估_
• 22【理解】上线运营_
• day03
• 01【回顾】昨日内容回顾_
• 02【了解】今日内容介绍_
• 03【理解】规则挖掘案例介绍_
• 04【理解】业务规则案例-需求_
• 05【理解】业务规则案例-数据字典_
• 06【实现】业务规则案例-加载数据_
• 07【实现】业务规则案例-数据处理（填充，过滤，去重）_
• 08【实现】业务规则案例-数值型衍生_
• 09【实现】业务规则案例-类别型衍生_
• 10【实现】业务规则案例-模型训练&可视化_
• 11【小结】业务规则案例-小结_
• 12【理解】数据准备-征信数据介绍_
• 13【了解】梳理数据内置逻辑_
• 14【理解】时间截面特征&静态信息特征_
• 15【理解】时间序列特征衍生方式_
• 16【理解】时间序列特征缺失值处理_
• 17【理解】时间序列特征未来信息处理_
• 18【理解】分箱介绍_
• 19【理解】卡方分箱_
• 20【理解】toad库大致说明_
• 21【总结】今日内容回顾_
• day04
• 01【回顾】昨日内容回顾_
• 02【实现】toad库分箱案例-加载数据_
• 03【实现】toad库分箱案例-并可视化_
• 04【实现】toad库分箱案例-调整箱数_
• 05【实现】toad库分箱案例-其他分箱展示_
• 06【实现】toad库分箱案例-WOE编码_
• 07【实现】toad库分箱案例-badrate坏人的比例及调整_
• 08【实现】toad库分箱案例-WOE编码_
• 09【小结】toad库分箱案例-小结_
• 10【理解】三种编码小结_
• 11【了解】多值有序类型编码_
• 12【了解】特征组合_
• 13【了解】用户关联特征_
• 14【扩展】信贷业务和可解释性_
• 15【理解】好特征的标准-覆盖度_
• 16【理解】好特征的标准-区分度_
• 17【理解】好特征的标准-相关性_
• 18【实现】好特征的标准-相关性案例_
• 19【理解】好特征的标准-稳定性及小结_
• 20【理解】特征筛选-星座特征_
• 21【理解】特征筛选-Boruta_
• 22【实现】特征筛选-Boruta案例_
• 23【总结】今日内容总结_
• day05
• 01【回顾】昨日内容回顾_
• 02【理解】多特征筛选-方差膨胀系数_
• 03【实现】多特征筛选-方差膨胀系数案例_
• 04【实现】多特征筛选-递归特征消除_
• 05【实现】多特征筛选-L1特征选择_
• 06【理解】特征监控_
• 07【小结】特征工程小结_
• 08【了解】模型评分卡内容安排说明_
• 09【了解】模型构建流程（上）_
• 10【了解】模型构建流程（中）_
• 11【理解】模型构建流程（下）_
• 12【理解】逻辑回归评分卡-评分映射方法_
• 13【实现】逻辑回归评分卡-加载数据_
• 14【理解】逻辑回归评分卡-到底是先做特征还是先训练模型_
• 15【实现】逻辑回归评分卡-模型训练_
• 16【实现】逻辑回归评分卡-模型评估_
• 17【实现】逻辑回归评分卡-特征筛选_
• 18【理解】模型报告解读_
• 19【总结】今日内容总结_
• day06
• 01-昨日内容回顾_
• 01【回顾】昨日内容回顾_
• 02-评分卡逻辑转换_
• 02【了解】今日内容介绍_
• 03-评分卡转换_
• 03【实现】逻辑回归评分卡-模型报告-数据准备_
• 04-LightGBM优势_
• 04【实现】逻辑回归评分卡-模型报告-报告实现（上）_
• 05-LightGBM思路梳理_
• 05【实现】逻辑回归评分卡-模型报告-报告实现（下）_
• 06-集成学习评分卡_
• 06【理解】逻辑回归评分卡-模型报告可视化_
• 07-toad官网简介_
• 07【实现】逻辑回归评分卡-评分映射_
• 08-toad整体流程梳理_
• 08【实现】逻辑回归评分卡-评级划分_
• 09【理解】集成学习评分卡-LightGBM原理_
• 10【回顾】上午内容回顾_
• 11【理解】集成学习评分卡-LightGBM分布式含义解释_
• 12【实现】集成学习评分卡-加载数据并数据划分_
• 13【理解】LightGBM参数&训练思路分析_
• 14【实现】集成学习评分卡-模型评估&画图_
• 14【实现】集成学习评分卡-模型训练&特征筛选_
• 15【实现】集成学习评分卡-评分映射_
• 16【理解】集成学习评分卡-模型报告说明_
• 17【理解】toad库梳理整个流程_
• 18【总结】今日内容总结_
• day07
• 01【回顾】昨日内容回顾_
• 02【了解】今日内容介绍_
• 03【理解】样本不均衡及处理方式说明_
• 04【理解】样本不均衡-代价敏感介绍_
• 05【实现】样本不均衡-代价敏感案例_
• 06【理解】样本不均衡-过采样介绍_
• 07【理解】样本不均衡-SMOTE案例流程说明_
• 08【实现】杨不均衡-SMOTE案例实现_
• 09【回顾】上午内容回顾_
• 10【了解】反欺诈检测_
• 11【了解】异常点检测说明_
• 12【了解】异常点检测-zscore介绍_
• 13【理解】异常点检测-LOF概述_
• 14【实现】异常点检测-LOF案例_
• 15【理解】异常点检测-IF概述_
• 16【实现】异常点检测-IF案例_
• 17【了解】preA模型_
• 18【小结】今日内容总结_
• day08
• 01-git分支介绍_
• 01【总结】项目总结-xmind_
• 02-git配置_
• 02【总结】项目总结-画图_
• 03-PyCharm操作_
• 03【了解】git简单历史_
• 04-冲突解决_
• 04【了解】版本控制系统简述_
• 05-面试流程说明_
• 05【了解】版本控制系统之集中式和分布式_
• 06【了解】Git及安装_
• 07【理解】概念区分_
• 08【理解】git架构_
• 09【了解】git分支_
• 10【了解】gitee及分支描述_
• 11【实现】配置账号及公钥_
• 12【了解】git命令拉取代码_
• 13【实现】PyCharm拉取代码_
• 14【回顾】上午内容回顾_
• 15【实操】PyCharm整合git操作_
• 16【实操】更新远程仓库代码_
• 17【实现】分支代码合并_
• 18【理解】冲突的解决_
• 19【了解】简历和项目文档概述_
• 20【理解】面试流程说明_
• 06_深度学习基础-V6.X版-6天-AI版
• day01
• 01-深度学习是什么_
• 02-发展历史_
• 03-torch简介_
• 04-torch张量创建_
• 05-线性张量和随机张量_
• 06-全01张量_
• 07-元素类型转换_
• 08-张量和ndarray的转换_
• 09-标量_
• 10-基本运算_
• 11-点乘和点积_
• 12-运算函数_
• 13-索引操作_
• 14-范围与布尔索引_
• 15-多维索引_
• 16-形状操作_
• day02
• 01-形状变换_
• 02-view_
• 03-张量拼接_
• 04-自动微分_
• 05-自动微分2_
• 06-线性回归案例_
• 07-回归案例总结_
• 08-神经网络介绍_
• 09-激活函数作用_
• 10-sigmoid_
• 11-tanh+relu_
• day03
• 01-内容回顾_
• 02-softmax_
• 03-其他激活函数_
• 04-激活函数总结_
• 05-参数初始化_
• 06-模型构建_
• 07-参数量统计_
• 08-神经网络优缺点_
• 09-损失函数_
• 10-交叉熵损失_
• 11-二分类交叉熵损失_
• 12-回归损失函数_
• 13-梯度下降算法_
• day04
• 01-内容回顾_
• 02-前向和反向的过程_
• 03-案例：前向过程_
• 04-案例：反向输出层_
• 05-案例：反向隐藏层_
• 06-指数加权平均_
• 07-动量法_
• 08-adagrad_
• 09-rmsprop+adam_
• 10-学习率衰减_
• 11-学习率衰减2_
• 12-正则化方法_
• 13-BN层_
• 14-手机价格分类案例_
• 15-训练和预测_
• day05
• 01-图像是什么_
• 02-卷积神经网络的构成_
• 03-卷积层_
• 04-卷积层的实现_
• 05-池化层_
• 06-图像分类案例_
• 07-网络结构构建_
• 08-网络构建实现_
• 09-模型训练_
• 10-自然语言处理概述_
• 11-词嵌入层_
• 12-内容总结_
• day06
• 01-RNN介绍_
• 02-RNN的流程_
• 03-API_
• 04-歌词生成案例_
• 05-数据集封装_
• 06-模型构建_
• 07-模型训练_
• 08-模型预测_
• 09-内容总结_
• 07_自然语言处理+GPT-V6.X版-13天-AI版
• day01
• 01-课程安排_
• 02-课程内容简介_
• 03-自然语言处理入门_
• 04-笔记总结_
• 05-文本预处理的主要模块_
• 06-文本分词的介绍_
• 07-jieba精确模式分词_
• 08-jieba全模式和搜索引擎分词_
• 09-jieba繁体分词和用户自定义词典_
• 10-上午内容回顾_
• 11-NER和Pos的讲解_
• 12-文本张量的表示方法介绍_
• 13-onehot编码的实现和训练_
• 14-onehot编码的应用_
• 15-CBOW模型的思想_
• 16-CBOW推导过程思想_
• 17-今日内容总结_
• day02
• 01-昨日内容回顾_
• 02-skipgram的讲解_
• 03-fasttext训练词向量基础_
• 03-fasttext训练词向量进阶_
• 04-nn.Embedding和word2vec区别_
• 05-nn.Embedding代码分析_
• 06-nn.Embedding的代码实现_
• 07-从Embedding中获取某个词的词向量_
• 08-标签数量统计分布_
• 09-句子长度分布统计_
• 10-长度分布散点图_
• 11-词频统计代码实现_
• 12-今日内容总结_
• day03
• 01-昨日内容回顾_
• 02-词云展示讲解前半部分_
• 03-词云展示讲解后半部分_
• 04-添加N-gram特征的原理_
• 05-实现N-Gram的代码_
• 06-句子长短补齐和截断_
• 07-回忆数据增强方法_
• 08-RNN模型入门_
• 09-传统RNN模型内部结构讲解_
• 10-RNN模型代码的实现–base_
• 11-RNN模型改变长度_
• 12-RNN模型原理解析_
• 13-RNN模型修改层数_
• 14-今日内容总结_
• day04
• 01-昨日内容回顾_
• 02-LSTM模型内部结构分析_
• 03-LSTM模型内部结构源代码分析_
• 04-Bi-LSTM模型原理_
• 05-LSTM模型代码的实现_
• 06-GRU模型架构原理解析_
• 07-GRU模型代码的实现_
• 08-RNN人名分类案例介绍_
• 09-RNN人名分类导入第三方工具_
• 10-将文本数据读取到内存中_
• 11-构建Dataset数据源对象_
• 12-实例化dataloader对象_
• 13-今日内容总结_
• day05
• 01-昨日内容总结_
• 02-RNN模型的搭建和测试_
• 03-LSTM模型的搭建和测试_
• 04-GRU模型的搭建和测试_
• 05-RNN模型训练代码的实现–前半部分_
• 06-RNN模型训练代码的实现–后半部分_
• 07-LSTM模型的训练代码的实现_
• 08-保存模型训练结果到文件_
• 09-模型结果的图形化展示_
• 10-RNN模型预测结果_
• 11-LSTM+GRU模型预测_
• 12-今日内容总结_
• day06
• 01-昨日内容回顾_
• 02-seq2seq文本翻译过程解析_
• 03-深度学习注意力机制介绍_
• 04-不带Attention的Encoder2Decoder框架解析_
• 05-带Attention的Encoder2Decoder框架解析_
• 06-注意力概率分布的计算方式_
• 07-softAttention的讲解_
• 08-hardAttention和softAttention的介绍_
• 09-seq2seq框架加入attention计算过程解释_
• 10-pytorch版本的attention计算过程_
• 11-注意力计算规则_
• 12-三维矩阵乘法解析_
• 13-注意力的作用和计算步骤_
• 14-注意力机制实现代码的讲解_
• 15-注意力机制代码的实现_
• 16-注意力机制实现扩展_
• 17-今日内容总结_
• 18-seq2seq英译法案例分析_
• day07
• 01-昨日内容回顾_
• 02-英译法案例基本介绍_
• 03-数据清洗函数定义_
• 04-get_data函数获取my_pairs对_
• 05-get_data函数获取英文和法文词典_
• 06-Dataset类的实现_
• 07-Dataloader类的实现_
• 08-基于GRU的编码器代码实现_
• 09-基于GRU的无Attention的解码器代码分析_
• 10-基于GRU的无Attention的代码实现和测试_
• 11-基于GRU的带Attention的代码分析_
• 12-基于GRU解码器代码的再次分析_
• 13-模型训练代码的分析_
• day08
• 01-昨日内容回顾_
• 02-模型训练函数前半部分_
• 03-模型内部训练函数前半部分_
• 04-模型内部训练函数后半部分_
• 05-模型训练函数后半部分_
• 06-模型评估函数代码分析_
• 07-模型测试函数实现_
• 08-模型测试函数代码实现_
• 09-模型评估函数_
• 10-注意力绘图_
• 11-transformer背景介绍_
• 12-transformer模型架构_
• 13-输入部分Embedding代码的实现_
• 14-三角函数位置编码解析_
• 15-位置编码代码分析_
• day09
• 01-昨日内容回顾_
• 02-位置编码代码分析_
• 03-位置编码器的代码实现_
• 04-三角函数位置编码的图形化展示_
• 05-下三角矩阵的代码实现_
• 06-注意力机制代码的分析_
• 07-mask机制的讲解_
• 08-注意力机制代码的实现_
• 09-多头注意力的思想_
• 10-多头注意力机制代码实现的思路分析_
• 11-多头注意力机制代码的实现_
• 12-前馈全连接层代码的实现_
• 13-规范化层代码的分析_
• 14-规范化层代码的实现_
• 15-LayerNorm和BatchNorm的区别_
• 16-今日内容总结_
• day10
• 01-编码器子层连接结构实现_
• 02-编码器层代码的实现_
• 03-编码器代码的实现_
• 04-解码器层代码的实现_
• 05-解码器层代码的测试_
• 06-解码器的代码实现_
• 07-输出部分代码的实现_
• 08-transformer模型架构代码分析_
• 09-EncoderDecoder架构代码实现_
• 10-EncoderDecoder模型实例化代码分析_
• 11-transformer模型架构的实现和测试_
• 12-fasttext工具的介绍_
• 13-层次softmax的哈夫曼树的构建_
• 14-层次softmax进行模型训练的原理_
• 15-负采样优化算法原理_
• 16-今日内容总结_
• day11
• 01-文本分类任务的介绍_
• 02-fasttext文本分类数据获取和分割_
• 03-fasttext实现文本分类未调优_
• 04-数据优化后进行文本分类_
• 05-调整学习率-epoch等参数优化模型_
• 06-模型超参数调优_
• 07-词向量迁移介绍_
• 08-迁移学习的概念_
• 09-预训练模型的介绍_
• 10-transformers库的基本介绍_
• 11-transformers库的使用_
• 12-transformers库使用的基本方式_
• 13-pipeline方式实现文本分类_
• 14-pipeline方式实现特征抽取_
• 15-pipeline方式实现完形填空_
• 16-pipeline方式实现阅读理解任务_
• 17-pipeline方式实现文本摘要任务_
• 18-pipeline方式实现NER任务_
• 19-automodel实现文本分类_
• 20-今日内容总结_
• day12
• 01-昨日内容回顾_
• 02-AutoModel实现特征提取任务_
• 03-AutoModel实现完形填空任务_
• 04-AutoModel实现阅读理解任务_
• 05-AutoModel实现文本摘要任务_
• 06-AutoModel实现NER任务_
• 07-具体模型实现完形填空任务_
• 08-迁移学习案例基本介绍_
• 09-中文分类案例数据加载_
• 10-中文分类案例自定义函数实现_
• 11-中文分类案例模型搭建_
• 12-中文分类案例模型训练思路_
• 13-中文分类案例模型训练代码_
• 14-中文分类案例模型评估代码_
• 15-今日内容总结_
• day13
• 01-中文完型填空数据预处理_
• 02-中文完型填空构建模型_
• 03-中文完型填空模型训练_
• 04-中文完型填空模型预测_
• 05-中文句子关系构建dataset对象_
• 06-中文句子关系构建自定义函数_
• 07-中文句子关系模型训练_
• 08-中文句子关系模型完结_
• 09-BERT模型的架构_
• 10-BERT模型的预训练任务_
• 11-BERT模型的优缺点_
• 12-BERT模型的特点_
• 13-AlBERT模型的介绍_
• 14-Roberta模型的介绍_
• 15-MacBERT和SpanBERT的介绍_
• 16-ELMO模型的介绍_
• 17-GPT模型的介绍_
• 18-BERT_GPT_ELMO的对比_
• 19-今日内容总结_
• 08_知识图谱-V6.X-10天-AI版
• day01
• 01-什么是知识图谱_
• 02-知识图谱技术概况_
• 03-三个工具_
• 04-doccano安装_
• 05-doccano使用1_
• 06-doccano使用2_
• 07-总结_
• 08-基于规则_
• 09-ner基本知识_
• 10-基于规则案例_
• 11-lstm+crf架构_
• day02
• 01-CRF损失函数推导_
• 02-代码架构_
• 03-项目架构_
• 04-加载数据集_
• 05-transfer方法_
• 06-read_label_text_
• 07-总结_
• 08-config_
• 09-dataset-collate_fn_
• 10-get_data_
• 11-总结_
• day03
• 01-每日反馈+总结_
• 02-lstm搭建_
• 03-lstm-crf搭建_
• 04-model2train_
• 06-model2dev_
• 07-model2text_
• 08-extract_ents_
• 09-部署上线_
• 10-TransferData-debug_
• 11-dataloader-dubug_
• 12-train-debug_
• day04
• 01-每日反馈+拓展_
• 02-关系抽取基本知识_
• 03-基于规则实现RE_
• 04-config_
• 05-数据预处理1_
• 06-sent_padding_
• 07-pos_padding_
• 08-get_data_
• 09-dataset_
• 10-collate_fn_
• 11-get_loader_
• day05
• 01-每日反馈+总结_
• 02-模型init_
• 03-forward的shape变化_
• 04-forward实现_
• 05-train实现_
• 06-model2test实现_
• 07-predict讲解_
• 08-casrel架构_
• 09-casrel模型细节_
• 10-config_
• day06
• 01-每日反馈+总结_
• 02-find_head_index_
• 03-label初始化_
• 04-label举例解释_
• 05-解析inner_triples_
• 06-填充工作_
• 07-collate_fn_
• 08-dataset_
• 09-get_data+debug_
• 10-模型init_
• day07
• 01-反馈+总结_
• 02-get_subs+get_objs_for_specific_sub_
• 03-compute_loss_
• 04-loss_
• 05-load_model_
• 06-extract_sub_
• 07-extract_obj_and_rel_
• 08-train_
• 09-train_debug_
• 10-predict_
• day08
• 01-neo4切换测试库_
• 02-cypher使用2_
• 03-cypher使用3_
• 04-创建节点关系_
• 05-查询节点关系_
• 06-get_spo_type分析_
• 07-ready_data_
• 08-构建neo4j_
• 09-检索neo4j_
• day09
• 01-模型debug_
• 09_大模型-V6.X版本【线下】-13天-AI版
• day01
• 01-大模型背景_
• 02-语言模型_
• 03-语言模型的发展_
• 04-n-gram_
• 06-神经网络的语言模型_
• 07-bleu_
• 08-rough_
• 09-PPL_
• 10-AE的BERT模型_
• day02
• 01-GPT的网络结构_
• 02-GPT的预训练过程_
• 03-GPT的微调_
• 04-AR的特点_
• 05-seq2seq_
• 06-GPT2网络和训练_
• 07-GPT2的特点_
• 08-GPT3的网络结构_
• 09-in_contextlearning_
• 10-GPT3的特点_
• 11-强化学习_
• day03
• 01-chatGPT的微调方法_
• 02- chatGpt的微调方法_
• 03-GLM的训练目标_
• 04-GLM的位置编码_
• 05-GLM的特点_
• 06-LLaMa和Bloom_
• 07-百川大模型_
• 08-提示词工程_
• 09-提示词工程原则_
• day04
• 01-项目背景_
• 02-文本分类提示词_
• 03-文本分类推理_
• 04-趋动云使用_
• 05-文本信息抽取提示词_
• 06-文本信息抽取的后处理_
• 07-文本抽取的实现_
• 08-文本匹配的内容_
• day05
• 01-NLP的四范式_
• 02-Prompt微调的方式_
• 03-PET微调方法_
• 04-硬模版和软模版_
• 05-prompt tuning_
• 06-p-tuning_
• 07-PPL_
• 08-prompt-tuning总结_
• day06
• 01-prefix微调_
• 02-adapter_
• 03-lora_
• 04-伪代码_
• 05-项目背景和数据_
• 06-process实现_
• 07-dataset实现_
• 08-dataloader_
• 09-模型构建_
• 10-config_
• day07
• 01-模型训练_
• 02-模型训练2_
• 03-模型训练2_
• 04-模型验证_
• 05-准确率计算_
• 06-损失函数_
• 07-topK 和topP_
• 08-模型预测_
• 09-topK和topP_
• 10-前端部署_
• day08
• 01-项目背景_
• 02-PET的项目架构_
• 03-template构建1_
• 04-template构建2_
• 05-dataset_
• 06-data_preprocess_
• 07-dataloader_
• 08-标签词映射_
• 09-主标签找子标签_
• 10-子标签找主标签_
• day09
• 01-损失计算_
• 02-id转换_
• 03-评价指标_
• 04-模型训练_
• 05-模型预测_
• 06-ptuning的数据处理_
• 07-ptuning的dataloader_
• 08-ptuning的工具函数、训练和预测_
• day10
• 01-项目介绍_
• 02-配置信息_
• 03-数据预处理_
• 04-data_loader_
• 05-工具函数_
• 06-模型训练_
• 07-模型预测_
• day11
• 01-Langchain介绍_
• 02-Chat模型_
• 03-嵌入模型_
• 04-prompts_
• 05-chains_
• 06-agents_
• 07-memory_
• 08-index_
• 09-向量数据库_
• 10-检索器_
• day12
• 01-RAG_
• 02-模型构建_
• 03-向量库构建和检索_
• 04-Function——Call_
• 05-原理_
• 06-实践_
• 07-SQL_
• 08-GPTs_
• 09-AssistantAPI的使用_
• 10-AssistantAPI实践_
• day13
• 01-agent_
• 02-Agent开发工具_
• 03-内容总结_
• 10_开源大模型平台-V6.X版本-3天-AI版
• 01-讯飞
• 01-星火大模型介绍_
• 02-API_
• 03-大模型定制平台_
• 04-语音大模型_
• 02-百度
• 01-百度千帆_
• 02-千帆模型_
• 03-阿里
• 01-阿里百炼_
• 02-阿里PAI_
• 阶段011 赠品-投满分项目
• day01
• 01-项目背景和数据集介绍_
• 02-数据集获取_
• 03-数据分布分析_
• 04-分词_
• 05-数据获取_
• 06-特征工程_
• 07-模型构建与训练_
• 08-fasttext数据处理_
• 09-fasttext数据集构建_
• 10-fasttext模型训练_
• 11-优化1-自动化参数搜索_
• day02
• 01-fasttext优化-分词_
• 02-模型训练_
• 03-模型部署_
• 04-bert数据信息_
• 05-bert代码结构构建_
• 06-bert数据获取_
• 07-数据迭代_
• 08-时间差计算_
• day03
• 01-模型构建_
• 02-模型训练与评估思想_
• 03-模型训练与评估实现_
• 04-实现2_
• 05-模型预测_
• 06-模型部署_
• 07-模型量化_
• day04
• 01-昨日回顾_
• 02-模型蒸馏思想_
• 03-模型蒸馏项目架构_
• 04-词表构建_
• 05-数据获取_
• 06-数据获取实现_
• 07-数据迭代实现_
• 08-textCNN实践_
• day05
• 01-内容回顾_
• 02-textCNN介绍_
• 03-数据对齐_
• 04-损失计算_
• 05-模型训练_
• 06-训练流程_
• 06-主函数_
• 07-剪枝思想_
• 08-特定层剪枝_
• 09-结构化剪枝_
• 10-多层剪枝_
• 11-全局剪枝_
• 12-自定义剪枝_
• day06
• 01-面试问题和工作文问题_
• 02-数据集构建方法_
• 03-项目串讲_
• 阶段012 赠品-计算机视觉
• 此部分为赠送教程-CV
• Opencv视频教程
• 《OpenCV3编程入门》书本配套源代码
• 阶段013 赠品-亿图人脸支付项目
• 01-人脸检测
• 01.内容回顾_
• 02.视频读写_
• 03.人脸检测概述_
• 04.验证数据集_
• 05.数据集获取_
• 06.模型构建_
• 07.参数配置_
• 08.训练策略_
• 09.训练流程_
• 10.模型训练_
• 11.内容总结_
• 02-人脸姿态
• 01.内容回顾_
• 02.模型训练结果_
• 03.模型预测_
• 04.模型预测流程_
• 05.人脸姿态概述_
• 06.数据集加载_
• 07.数据增强_
• 08.模型构建_
• 09.模型训练_
• 10. 内容总结_
• 03-人脸多任务(1)
• 01.内容回顾_
• 02.人脸多任务_
• 03.数据加载_
• 04.数据增强_
• 05.模型构建_
• 06.模型训练_
• 07.模型预测_
• 08.人脸识别_
• 09.数据获取_
• 10.模型构建_
• 11.arcface_
• 12.内容总结_
• 04-人脸识别
• 01.内容回顾_
• 02.模型训练_
• 03.模型使用_
• 04.模型集成_
• 05.代码结构_
• 06.人脸矫正_
• 07.属性获取_
• 08.可视化_
• 09.模型部署_
• 10.人脸支付项目总结_
• 阶段014 赠品-AI智慧交通项目实战
• 01-opencv
• 01-项目架构_
• 02-项目构成_
• 03-资料共享_
• 04-opencv介绍_
• 05-图像读写_
• 06-绘制几何图像_
• 07-图像加法_
• 08-图像缩放与平移_
• 09-图像旋转和仿射变换_
• 10-透射变换_
• 11-图像噪声_
• 12-图像平滑方法_
• 13-边缘检测思想_
• 14-sobel边缘检测_
• 15-canny边缘检测_
• 16-视频读写_
• 17-opencv总结_
• 02-yoloV8
• 01-YOLO发展_
• 02-V8简介_
• 03-V8的使用_
• 04-效果展示_
• 05-streamlit的实现_
• 03-车流量统计
• 01-车流量统计思想_
• 02-多目标跟踪算法_
• 03-sort和deepsort算法_
• 04-KM算法_
• 05-卡尔曼滤波_
• 06-卡尔曼滤波思想_
• 07-卡尔曼滤波实践_
• 08-sort算法实现1 _
• 09-sort算法实现2_
• 10-sort算法实现跟踪_
• 11-deepsort算法跟踪_
• 04-车道线检测
• 01-车道线检测原理_
• 02-相机坐标系转换_
• 03-内容回顾_
• 04-相机较正方法_
• 05-优化方法_
• 06-优化方法2_
• 07-相机较正流程_
• 08-双目较正_
• 09-相机较正实现_
• 10-图像去畸变_
• 11-车道线提取_
• 12-车道线定位_
• 13-车道线拟合_
• 14-车道线填充_
• 15-车道线曲率_
• 16-车辆偏离中心库里计算_
• 17-车道线检测流程_
• 18-效果展示_