本套课程来自梗直哥：机器学习+强化学习+深度学习必修课

本套课程文件总计8.8G

课程目录

• 梗直哥-【机器学习必修课：经典算法与Python实战】
• 01-1课程内容和理念
• 01-2初识机器学习
• 01-3课程使用的技术栈
• 02-1本章总览
• 02-2数据长什么样：常见数据集、典型实例、如何使用
• 02-3研究哪些问题：分类、回归等
• 02-4如何分门别类：监督、无监督、强化学习等
• 02-5机器学习的七大常见误区和局限
• 03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算
• 03-11Numpy数组统计运算：常用的都在这儿了
• 03-12Numpy数组arg运算和排序
• 03-13Numpy数组神奇索引和布尔索引
• 03-14Matplotlib数据可视化：基础绘制与设置
• 03-1本章总览：相互关系与学习路线
• 03-2Anaconda图形化操作
• 03-3Anaconda命令行操作
• 03-4JupyterNotebook基础使用
• 03-5JupyterNotebook高级使用：常用魔法命令
• 03-6Numpy基础：安装与性能对比
• 03-7Numpy数组创建：特定数组、等差数组、随机数组
• 03-8Numpy数组基础索引：索引和切片
• 03-9Numpy非常重要的数组合并与拆分操作
• 04-1本章总览
• 04-2KNN算法核心思想和原理
• 04-3KNN分类任务代码实现
• 04-4数据集划分：训练集与预测集
• 04-5模型评价
• 04-6超参数
• 04-7特征归一化
• 04-8KNN回归任务代码实现
• 04-9KNN优缺点和适用条件
• 05-10复杂逻辑回归及代码实现
• 05-11线性算法优缺点和适用条件
• 05-1本章总览
• 05-2线性回归核心思想和原理
• 05-3逻辑回归核心思想和原理
• 05-4线性回归代码实现
• 05-5模型评价：MSE、RMSE、MAE和R方
• 05-6多项式回归代码实现
• 05-7逻辑回归算法
• 05-8线性逻辑回归代码实现
• 05-9多分类策略
• 06-10LASSO和岭回归代码实现
• 06-11模型泛化
• 06-12评价指标：混淆矩阵、精准率和召回率
• 06-13评价指标：ROC曲线
• 06-1本章总览
• 06-2损失函数
• 06-3梯度下降
• 06-4决策边界
• 06-5过拟合与欠拟合
• 06-6学习曲线
• 06-7交叉验证
• 06-8模型误差
• 06-9正则化
• 07-1本章总览
• 07-2决策树核心思想和原理
• 07-3信息熵
• 07-4决策树分类任务代码实现
• 07-5基尼系数
• 07-6决策树剪枝
• 07-7决策树回归任务代码实现
• 07-8决策树优缺点和适用条件
• 08-1本章总览
• 08-2神经网络核心思想和原理
• 08-3激活函数
• 08-4正向传播与反向传播
• 08-5梯度下降优化算法
• 08-6神经网络简单代码实现
• 08-7梯度消失和梯度爆炸
• 08-8模型选择
• 08-9神经网络优缺点和适用条件
• 09-10SVM优缺点和适用条件
• 09-1本章总览
• 09-2SVM核心思想和原理
• 09-3硬间隔SVM
• 09-4SVM软间隔
• 09-5线性SVM分类任务代码实现
• 09-6非线性SVM：核技巧
• 09-7SVM核函数
• 09-8非线性SVM代码实现
• 09-9SVM回归任务代码实现
• 10-1本章总览
• 10-2贝叶斯方法核心思想和原理
• 10-3朴素贝叶斯分类
• 10-4朴素贝叶斯的代码实现
• 10-5多项式朴素贝叶斯代码实现
• 10-6贝叶斯方法优缺点和适用条件
• 11-1本章总览
• 11-2集成学习核心思想和原理
• 11-3集成学习代码实现
• 11-4并行策略：Bagging、OOB等方法
• 11-5并行策略：随机森林
• 11-6串行策略：Boosting
• 11-7结合策略：Stacking方法
• 11-8集成学习优缺点和适用条件
• 12-1本章总览
• 12-2聚类算法核心思想和原理
• 12-3k-means和分层聚类
• 12-4聚类算法代码实现
• 12-5聚类评估代码实现
• 12-6聚类算法优缺点和适用条件
• 13-1本章总览
• 13-2PCA核心思想和原理
• 13-3PCA求解算法
• 13-4PCA算法代码实现
• 13-5降维任务代码实现
• 13-6PCA在数据降噪中的应用
• 13-7PCA在人脸识别中的应用
• 13-8主成分分析优缺点和适用条件
• 14-1本章总览
• 14-2概率图模型核心思想和原理
• 14-3EM算法参数估计
• 14-4隐马尔可夫模型代码实现
• 14-5概率图模型优缺点和适用条件
• 15-1本章总览
• 15-2泰坦尼克生还预测
• 15-3房价预测
• 15-4交易反欺诈代码实现
• 15-5如何深入研究机器学习
• 梗直哥–强化学习必修课：引领智能新时代
• 1_1-1-课程内容和理念
• 1_10-1-基于模型的强化学习核心思想和原理
• 1_11-1模仿学习
• 1_12-1-项目实战：Gym游戏
• 1_2-1-线性代数
• 1_3-1-CUDA+Anaconda深度学习环境配置
• 1_4-1-序列建模与概率图模型
• 1_5-1-动态回归核心思想和原理
• 1_6-1-蒙特卡洛方法
• 1_7-1-深度Q网络核心思想和原理
• 1_8-1-策略梯度核心思想和原理
• 1_9-1-演员评论家算法核心思想和原理
• 2_1-2-认识强化学习
• 2_10-2-Dyna-Q算法
• 2_11-2-博弈论与强化学习
• 2_12-2-项目实战：大模型RLHF
• 2_2-2-微积分
• 2_3-2-conda使用命令
• 2_4-2-马尔可夫观测过程：学会“看”
• 2_5-2-策略迭代
• 2_6-2-时序差分方法
• 2_7-2-DQN-代码实现
• 2_8-2-蒙特卡洛策略梯度
• 2_9-2-改进型演员评论家算法
• 3_1-3-课程使用的技术栈
• 3_10-3-Dyna-Q算法代码实现
• 3_11-3-多智能体强化学习
• 3_12-3-强化学习最新发展趋势
• 3_2-3-概率
• 3_3-3-Jupyter-Notebook快速上手
• 3_4-3-马尔可夫决策过程：试着-“干”
• 3_5-3-价值迭代
• 3_6-3-蒙特卡洛方法和时序差分代码实现
• 3_7-3-常见问题改进和扩展
• 3_8-3-策略梯度方法代码实现
• 3_9-3-演员评论家算法代码实现
• 4_10-4-基于模型的策略优化
• 4_11-4-MADDP的代码实现
• 4_12-4-下一步的学习建议
• 4_3-4-仿真环境Gym安装
• 4_4-4-马尔可夫奖励过程：懂得“想”
• 4_5-4-动态规划代码实现
• 4_6-4-广义策略迭代
• 4_7-4-DQN改进算法代码实现
• 4_8-4-近端策略优化算法
• 4_9-4-深度确定性策略梯度
• 5_10-5-MBPO的代码实现
• 5_11-5-AlphaStar系统
• 5_3-5-深度学习库PyTorch的安装
• 5_4-5-贝尔曼方程：迭代求解价值函数
• 5_6-5-Q-Learning算法
• 5_8-5-近端策略优化（PPO）代码实现
• 5_9-5-DDPG算法代码实现
• 6_11-6-基于人类反馈大强化学习
• 6_4-6-模型分类与选择
• 6_6-6-SARSA算法
• 6_9-6-软性演员评论家算法
• 7_4-7-常见问题解析
• 7_6-7-Q-Learning&SARSA代码实现
• 7_9-7-SAC代码实现
• 8_4-8-马尔可夫过程代码实现
• 梗直哥–深度学习必修课：进击算法工程师
• 001.1-1 课程内容和理念
• 002.1-2 初识深度学习
• 003.1-3 课程使用的技术栈
• 004.2-1 线性代数
• 005.2-2 微积分
• 006.2-3 概率
• 007.3-1 CUDA+Anaconda深度学习环境搭建
• 008.3-2 conda实用命令
• 009.3-3 Jupyter Notebook快速上手
• 010.3-4 深度学习库PyTorch安装
• 011.4-1 神经网络原理
• 012.4-2 多层感知机
• 013.4-3 前向传播和反向传播
• 014.4-4 多层感知机代码实现
• 015.4-5 回归问题
• 016.4-6 线性回归代码实现
• 017.4-7 分类问题
• 018.4-8 多分类问题代码实现
• 019.5-1 训练的常见问题
• 020.5-2 过拟合欠拟合应对策略
• 021.5-3 过拟合和欠拟合示例
• 022.5-4 正则化
• 023.5-5 Dropout
• 024.5-6 Dropout代码实现
• 025.5-7 梯度消失和梯度爆炸
• 026.5-8 模型文件的读写
• 027.6-1 最优化与深度学习
• 028.6-2 损失函数
• 029.6-3 损失函数性质
• 030.6-4 梯度下降
• 031.6-5 随机梯度下降法
• 032.6-6 小批量梯度下降法
• 033.6-7 动量法
• 034.6-8 AdaGrad算法
• 035.6-9 RMSProp_Adadelta算法
• 036.6-10 Adam算法
• 037.6-11 梯度下降代码实现
• 038.6-12 学习率调节器
• 039.7-1 全连接层问题
• 040.7-2 图像卷积
• 041.7-3 卷积层
• 042.7-4 卷积层常见操作
• 043.7-5 池化层Pooling
• 044.7-6 卷积神经网络代码实现（LeNet）
• 045.8-1 AlexNet
• 046.8-2 VGGNet
• 047.8-3 批量规范化
• 048.8-4 GoogLeNet
• 049.8-5 ResNet
• 050.8-6 DenseNet
• 051.9-1 序列建模
• 052.9-2 文本数据预处理
• 053.9-3 循环神经网络
• 054.9-4 随时间反向传播算法
• 055.9-5 循环神经网络代码实现
• 056.9-6 RNN的长期依赖问题
• 057.10-1 深度循环神经网络
• 058.10-2 双向循环神经网络
• 059.10-3 门控循环单元
• 060.10-4 长短期记忆网络
• 061.10-5 复杂循环神经网络代码实现
• 062.10-6 编码器-解码器网络
• 063.10-7 序列到序列模型代码实现
• 064.10-8 束搜索算法
• 065.10-9 机器翻译简单代码实现
• 066.11-1 什么是注意力机制
• 067.11-2 注意力的计算
• 068.11-3 键值对注意力和多头注意力
• 069.11-4 自注意力机制
• 070.11-5 注意力池化及代码实现
• 071.11-6 Transformer模型
• 072.11-7 Transformer代码实现
• 073.12-1BERT模型
• 074.12-2 GPT系列模型
• 075.12-3 T5模型
• 076.12-4 ViT模型
• 077.12-5 Swin Transformer模型
• 078.12-6 GPT模型代码实现
• 079.13-1 蒙特卡洛方法
• 080.13-2 变分推断
• 081.13-3 变分自编码器
• 082.13-4 生成对抗网络
• 083.13-5 Diffusion扩散模型
• 084.13-6 图像生成
• 085.14-1 自定义数据加载
• 086.14-2 图像数据增强
• 087.14-3 迁移学习
• 088.14-4 经典视觉数据集
• 089.14-5 项目实战：猫狗大战
• 090.15-1 词嵌入和word2vec
• 091.15-2 词义搜索和句意表示
• 092.15-3 预训练模型
• 093.15-4 Hugging Face库介绍
• 094.15-5 经典NLP数据集
• 095.15-6 项目实战：电影评论情感分析
• 096.16-1 InstructGPT模型
• 097.16-2 CLIP模型
• 098.16-3 DALL-E模型
• 099.16-4 深度学习最新发展趋势分析
• 100.16-5 下一步学习的建议