课程目录

• 01-【直播课】直播回放
• 1.开班典礼：如何学好人工智能学科
• 2.神经网络
• 3.卷积神经网络
• 4.transformer解读
• 02-【基础模块】Al课程所需安装软件教程
• 1.AI课程所需安装软件教程
• 2.Python环境安装和搭建
• 3.Anaconda基础讲解和使用的教程
• 4.PyTorch框架与其他框架区别分析
• 5.CPU与GPU版本安装方法解读
• 03-【基础模块】深度学习基础与框架
• 1.神经网络结构
• 神经网络结构
• 2.PyTorch框架必备核心模块解读
• 1-PyTorch实战课程简介
• 2-PyTorch框架发展趋势简介
• 3-框架安装方法（CPU与GPU版本）
• 4-PyTorch基本操作简介
• 5-自动求导机制
• 6-线性回归DEMO-数据与参数配置
• 7-线性回归DEMO-训练回归模型
• 8-补充：常见tensor格式
• 9-补充：Hub模块简介
• 3.神经网络分类任务
• 1-数据集与任务概述
• 2-基本模块应用测试
• 3-网络结构定义方法
• 4-数据源定义简介
• 5-损失与训练模块分析
• 6-训练一个基本的分类模型
• 7-参数对结果的影响
• 4.神经网络回归：气温预测
• 神经网络回归任务-气温预测
• 5.Pycharm环境配置与Debug演示
• Pycharm环境配置与Debug演示(没用过的同学必看)
• 04-【基础模块】深度学习核心算法与实践
• 1.卷积神经网络深度解析
• 卷积神经网络
• 2.卷积网络参数分析与优化
• 1-输入特征通道分析
• 2-卷积网络参数解读
• 3-卷积网络模型训练
• 3.ResNet模型及其应用
• 1-医学疾病数据集介绍
• 2-Resnet网络架构原理分析
• 3-dataloader加载数据集
• 4-Resnet网络前向传播
• 5-残差网络的shortcut操作
• 6-特征图升维与降采样操作
• 7-网络整体流程与训练演示
• 4.图像识别模型与训练策略（重点）
• 1-任务分析与图像数据基本处理
• 10-测试结果演示分析
• 2-数据增强模块
• 3-数据集与模型选择
• 4-迁移学习方法解读
• 5-输出层与梯度设置
• 6-输出类别个数修改
• 7-优化器与学习率衰减
• 8-模型训练方法
• 9-重新训练全部模型
• 5.DataLoader自定义数据集制作
• 1-Dataloader要完成的任务分析
• 2-图像数据与标签路径处理
• 3-Dataloader中需要实现的方法分析
• 4-实用Dataloader加载数据并训练模型
• 6.RNN网络架构
• RNN网络架构
• 7.LSTM网络架构
• LSTM网络架构
• 8.LSTM文本分类
• 1-数据集与任务目标分析
• 2-文本数据处理基本流程分析
• 3-命令行参数与DEBUG
• 4-训练模型所需基本配置参数分析
• 5-预料表与字符切分
• 6-字符预处理转换ID
• 7-LSTM网络结构基本定义
• 8-网络模型预测结果输出
• 9-模型训练任务与总结
• 9.Transformer基础
• 1-Transformer
• 2-transformer-VIT源码解读
• 3-GITHUB开源项目使用方法
• 05-【方向A：CV方向】图像处理基础
• 1.课程介绍与环境配置
• 1-课程简介
• 2-Python与Opencv配置安装
• 3-Notebook与IDE环境
• 10.OpenCV项目实战-停车场车位识别
• 1-任务整体流程
• 2-所需数据介绍
• 3-图像数据预处理
• 4-车位直线检测
• 5-按列划分区域
• 6-车位区域划分
• 7-识别模型构建
• 8-基于视频的车位检测
• 11.OpenCV项目实战-答题卡识别判卷
• 1-整体流程与效果概述
• 2-预处理操作
• 3-填涂轮廓检测
• 4-选项判断识别
• 12.OpenCV项目实战-目标追踪
• 1-目标追踪概述
• 2-多目标追踪实战
• 3-深度学习检测框架加载
• 4-基于dlib与ssd的追踪
• 5-多进程目标追踪
• 6-多进程效率提升对比
• 13.OpenCV项目实战-疲劳检测
• 1-关键点定位概述
• 2-获取人脸关键点
• 3-定位效果演示
• 4-闭眼检测
• 5-检测效果
• 2.OpenCV图像常⽤处理⽅法实例
• 1-计算机眼中的图像
• 10-膨胀操作
• 11-开运算与闭运算
• 12-梯度计算
• 13-礼帽与黑帽
• 2-视频的读取与处理
• 3-ROI区域
• 4-边界填充
• 5-数值计算
• 6-图像阈值
• 7-图像平滑处理
• 8-高斯与中值滤波
• 9-腐蚀操作
• 3.OpenCV梯度计算与边缘检测实例
• 1-Canny边缘检测流程
• 2-非极大值抑制
• 3-边缘检测效果
• 4-Sobel算子
• 5-梯度计算方法
• 6-scharr与lapkacian算子
• 4.OpenCV轮廓检测与直⽅图
• 1-图像金字塔定义
• 10-均衡化效果
• 11-傅里叶概述
• 12-频域变换结果
• 13-低通与高通滤波
• 2-金字塔制作方法
• 3-轮廓检测方法
• 4-轮廓检测结果
• 5-轮廓特征与近似
• 6-模板匹配方法
• 7-匹配效果展示
• 8-直方图定义
• 9-均衡化原理
• 5.OpenCV角点检测
• 1-角点检测基本原理
• 2-基本数学原理
• 3-求解化简
• 4-特征归属划分
• 5-opencv角点检测效果
• 6.OpenCV尺度空间
• 1-尺度空间定义
• 2-高斯差分金字塔
• 3-特征关键点定位
• 4-生成特征描述
• 5-特征向量生成
• 6-opencv中sift函数使用
• 7.OpenCV高级图像处理技术
• 1-特征匹配方法
• 10-Lucas-Kanade算法
• 11-推导求解
• 12-光流估计实战
• 13-dnn模块
• 14-模型加载结果输出
• 2-RANSAC算法
• 3-图像拼接方法
• 4-流程解读
• 5-背景消除-帧差法
• 6-混合高斯模型
• 7-学习步骤
• 8-背景建模实战
• 9-基本概念
• 8.OpenCV项目实战-信用卡数字识别
• 1-总体流程与方法讲解
• 2-环境配置与预处理
• 3-模板处理方法
• 4-输入数据处理方法
• 5-模板匹配得出识别结果
• 9.OpenCV项目实战-文档扫描OCR识别
• 1-整体流程演示
• 2-文档轮廓提取
• 3-原始与变换坐标计算
• 4-透视变换结果
• 5-tesseract-ocr安装配置
• 6-文档扫描识别效果
• 06-【方向A：CV方向】目标检测算法
• 1.物体检测评估指标
• 物体检测评估指标
• 10.YOLOv7检测算法深度解析
• 1-YOLO系列（V7）算法解读
• 10-得到偏移点所在网格位置
• 11-完成BuildTargets模块
• 12-候选框筛选流程分析
• 13-预测值各项指标获取与调整
• 14-GT匹配正样本数量计算
• 15-通过IOU与置信度分配正样本
• 16-损失函数计算方法
• 17-辅助头AUX网络结构配置文件解析
• 18-辅助头损失函数调整
• 19-BN与卷积权重参数融合方法
• 2-命令行参数介绍
• 20-重参数化多分支合并加速
• 3-基本参数作用
• 4-EMA等训练技巧解读
• 5-网络结构配置文件解读
• 6-各模块操作细节分析
• 7-输出层与配置文件其他模块解读
• 8-标签分配策略准备操作
• 9-候选框偏移方法与find3p模块解读
• 11.YOLOv8检测算法深度解析
• YOLO V8
• 12.YOLOv9检测算法深度解析
• YOLO V9
• 13.YOLO-World 检测算法
• YOLO-World
• 14.YOLOv12与YOLOv13最新检测算法
• YOLO V12与YOLO V13
• 2.YOLO系列大串讲(可刷这个快速过)
• YOLO系列大串讲(可刷这个快速过)
• 3.经典物体检测算法
• 1-半监督物体检测
• 2-EfficientNet网络模型
• 3-EfficientDet检测算法
• 4.YOLOv1检测算法深度解析
• 1-YOLO算法整体思路解读
• 2-检测算法要得到的结果
• 3-整体网络架构解读
• 4-位置损失计算
• 5-置信度误差与优缺点分析
• 5.YOLOv2检测算法深度解析
• 1-V2版本细节升级概述
• 2-网络结构特点
• 3-架构细节解读
• 4-基于聚类来选择先验框尺寸
• 5-偏移量计算方法
• 6-坐标映射与还原
• 7-感受野的作用
• 8-特征融合改进
• 6.YOLOv3检测算法深度解析
• 1-V3版本改进概述
• 10-COCO图像数据读取与处理
• 11-标签文件读取与处理
• 12-debug模式介绍
• 13-基于配置文件构建网络模型
• 14-路由层与shortcut层的作用
• 15-YOLO层定义解析
• 16-预测结果计算
• 17-网格偏移计算
• 18-模型要计算的损失概述
• 19-标签值格式修改
• 2-多scale方法改进与特征融合
• 20-坐标相对位置计算
• 21-完成所有损失函数所需计算指标
• 22-模型训练与总结
• 23-预测效果展示
• 3-经典变换方法对比分析
• 4-残差连接方法解读
• 5-整体网络模型架构分析
• 6-先验框设计改进
• 7-sotfmax层改进
• 8-数据与环境配置
• 9-训练参数设置
• 7.YOLO模型数据标注与训练
• 1-Labelme工具安装
• 2-数据信息标注
• 3-完成标签制作
• 4-生成模型所需配置文件
• 5-json格式转换成yolo-v3所需输入
• 6-完成输入数据准备工作
• 7-训练代码与参数配置更改
• 8-训练模型并测试效果
• 8.YOLOv4版本算法解读
• 1-V4版本整体概述
• 10-PAN模块解读
• 11-激活函数与整体架构总结
• 2-V4版本贡献解读
• 3-数据增强策略分析
• 4-DropBlock与标签平滑方法
• 5-损失函数遇到的问题
• 6-CIOU损失函数定义
• 7-NMS细节改进
• 8-SPP与CSP网络结构
• 9-SAM注意力机制模块
• 9.YOLOv5检测算法深度解析
• 1-整体项目概述
• 10-getItem构建batch
• 11-网络架构图可视化工具安装
• 12-V5网络配置文件解读
• 13-Focus模块流程分析
• 14-完成配置文件解析任务
• 15-前向传播计算
• 16-BottleneckCSP层计算方法
• 17-SPP层计算细节分析
• 18-Head层流程解读
• 19-上采样与拼接操作
• 2-训练自己的数据集方法
• 20-输出结果分析
• 21-超参数解读
• 22-命令行参数介绍
• 23-训练流程解读
• 24-各种训练策略概述
• 25-模型迭代过程
• 3-训练数据参数配置
• 4-测试DEMO演示
• 5-数据源DEBUG流程解读
• 6-图像数据源配置
• 7-加载标签数据
• 8-Mosaic数据增强方法
• 9-数据四合一方法与流程演示
• 07-【方向A：CV方向】图像分割算法
• 1.图像分割与损失函数
• 1-语义分割与实例分割概述
• 2-分割任务中的目标函数定义
• 3-MIOU评估标准
• 10.Mask R-CNN 训练自己的数据与任务
• 1-Labelme工具安装
• 2-使用labelme进行数据与标签标注
• 3-完成训练数据准备工作
• 4-maskrcnn源码修改方法
• 5-基于标注数据训练所需任务
• 6-测试与展示模块
• 11.SAM 图像分割算法
• 1-DEMO效果演示
• 2-论文解读分析
• 3-完成的任务分析
• 4-数据闭环方法
• 5-预训练模型的作用
• 6-Decoder的作用与项目源码
• 7-分割任务模块设计
• 8-实现细节分析
• 9-总结分析
• 12.SAM2视频分割
• SAM2视频分割
• 13.EfficientSam分割算法
• EfficientSam
• 14.遥感图像处理与高光谱图像智能解译
• 遥感图像处理与高光谱图像智能解译
• 2.Unet系列算法
• 1-Unet网络编码与解码过程
• 2-网络计算流程
• 3-Unet升级版本改进
• 4-后续升级版本介绍
• 3.Unet医学细胞分割实战
• 1-医学细胞数据集介绍与参数配置
• 2-数据增强工具
• 3-Debug模式演示网络计算流程
• 4-特征融合方法演示
• 5-迭代完成整个模型计算任务
• 6-模型效果验证
• 4.U2NET显著性检测实战
• 1-任务目标与网络整体介绍
• 2-显著性检测任务与目标概述
• 3-编码器模块解读
• 4-解码器输出结果
• 5-损失函数与应用效果
• 5.DeepLab 语义分割算法
• 1-deeplab分割算法概述
• 2-空洞卷积的作用
• 3-感受野的意义
• 4-SPP层的作用
• 5-ASPP特征融合策略
• 6-deeplabV3Plus版本网络架构
• 6.基于deeplabV3+版本进⾏VOC分割实战
• 1-PascalVoc数据集介绍
• 2-项目参数与数据集读取
• 3-网络前向传播流程
• 4-ASPP层特征融合
• 5-分割模型训练
• 7.基于deeplabV3⼼脏视频数据集分割建模实战
• 1-数据集与任务概述
• 2-项目基本配置参数
• 3-任务流程解读
• 4-文献报告分析
• 5-补充：视频数据源特征处理方法概述
• 6-补充：R(2plus1)D处理方法分析
• 8.Mask R-CNN 实例分割算法
• 1-Mask-Rcnn开源项目简介
• 2-开源项目数据集
• 3-开源项目数据集
• 9.MaskRcnn网络框架源码详解
• 1-FPN层特征提取原理解读
• 10-RoiPooling层的作用与目的
• 11-RorAlign操作的效果
• 12-整体框架回顾
• 2-FPN网络架构实现解读
• 3-生成框比例设置
• 4-基于不同尺度特征图生成所有框
• 5-RPN层的作用与实现解读
• 6-候选框过滤方法
• 7-Proposal层实现方法
• 8-DetectionTarget层的作用
• 9-正负样本选择与标签定义
• 08-【方向A：CV方向】MMLAB框架与数据集制作实战
• 1.MMCV安装方法
• MMCV安装方法
• 2.分类任务操作（分类）
• 1-MMCLS问题修正
• 2-准备MMCLS项目
• 3-基本参数配置解读
• 4-各模块配置文件组成
• 5-生成完整配置文件
• 6-根据文件夹定义数据集
• 7-构建自己的数据集
• 8-训练自己的任务
• 3.训练结果测试与验证（分类）
• 1-测试DEMO效果
• 2-测试评估模型效果
• 3-MMCLS中增加一个新的模块
• 4-修改配置文件中的参数
• 5-数据增强流程可视化展示
• 6-Grad-Cam可视化方法
• 7-可视化细节与效果分析
• 8-MMCLS可视化模块应用
• 9-模型分析脚本使用
• 4.模型源码调试（分类）
• 1-VIT任务概述
• 2-数据增强模块概述分析
• 3-PatchEmbedding层
• 4-前向传播基本模块
• 5-CLS与输出模块
• 5.分割模块自定义数据集训练（分割）
• 1-项目配置基本介绍
• 2-数据集标注与制作方法
• 3-根据预测类别数修改配置文件
• 4-加载预训练模型开始训练
• 5-预测DEMO演示
• 6.Unet策略修改（分割）
• 1-配置文件解读
• 2-编码层模块
• 3-上采样与输出层
• 4-辅助层的作用
• 5-给Unet添加一个neck层
• 6-如何修改参数适配网络结构
• 7-将Unet特征提取模块替换成transformer
• 8-VIT模块源码分析
• 7.分割任务CVPR最新Backbone设计及其应用（分割）
• 1-注册自己的Backbone模块
• 10-汇总多层级特征进行输出
• 2-配置文件指定
• 3-DEBUG解读Backbone设计
• 4-PatchEmbedding的作用与实现
• 5-卷积位置编码计算方法
• 6-近似Attention模块实现
• 7-完成特征提取与融合模块
• 8-分割输出模块
• 9-全局特征的作用与实现
• 8.MMDetection自定义数据训练（检测）
• 1-数据集标注与标签获取
• 2-COCO数据标注格式
• 3-通过脚本生成COCO数据格式
• 4-配置文件数据增强策略分析
• 5-训练所需配置说明
• 6-模型训练与DEMO演示
• 7-模型测试与可视化分析模块
• 8-补充：评估指标
• 9. MMAction自定义数据训练（行为识别）
• 创建自己的行为识别标注数据集
• 09-【方向A：CV方向】Transformer与视觉应用
• 1.Vision Transformer算法原理解析
• Transformer算法解读
• 10.Deformable DETR 检测算法解析
• DeformableDetr算法解读
• 11.Deformable DETR 算法源码解读
• 1-特征提取与位置编码
• 10-分类与回归输出模块
• 11-预测输出结果与标签匹配模块
• 2-序列特征展开并叠加
• 3-得到相对位置点编码
• 4-准备Encoder编码层所需全部输入
• 5-编码层中的序列分析
• 6-偏移量offset计算
• 7-偏移量对齐操作
• 8-Encoder层完成特征对齐
• 9-Decoder要完成的操作
• 12.MedicalTransformer 分割算法解析
• 1-论文整体分析
• 2-核心思想分析
• 3-网络结构计算流程概述
• 4-论文公式计算分析
• 5-位置编码的作用与效果
• 6-拓展应用分析
• 13.MedicalTransformer 算法源码解读
• 1-项目环境配置
• 2-医学数据介绍与分析
• 3-基本处理操作
• 4-AxialAttention实现过程
• 5-位置编码向量解读
• 6-注意力计算过程与方法
• 7-局部特征提取与计算
• 14.Maskformer 分割算法源码解读
• 分割模型Maskformer系列
• 15.Mask2former 分割算法码解读
• 1-Backbone获取多层级特征
• 10-正样本筛选损失计算
• 11-标签分类匹配结果分析
• 12-最终损失计算流程
• 13-汇总所有损失完成迭代
• 2-多层级采样点初始化构建
• 3-多层级输入特征序列创建方法
• 4-偏移量与权重计算并转换
• 5-Encoder特征构建方法实例
• 6-query要预测的任务解读
• 7-Decoder中的AttentionMask方法
• 8-损失模块输入参数分析
• 9-标签分配策略解读
• 16.BEVFormer 3D检测算法解析
• BEV特征空间
• 17.BEVFormer 算法源码解读
• 1-环境配置方法解读
• 10-获取当前BEV特征
• 11-Decoder级联校正模块
• 12-损失函数与预测可视化
• 2-数据集下载与配置方法
• 3-特征提取以及BEV空间初始化
• 4-特征对齐与位置编码初始化
• 5-Reference初始点构建
• 6-BEV空间与图像空间位置对应
• 7-注意力机制模块计算方法
• 8-BEV空间特征构建
• 9-Decoder要完成的任务分析
• 18.LoFTR特征匹配算法
• 1-特征匹配的应用场景
• 10-总结分析
• 2-特征匹配的基本流程分析
• 3-整体流程梳理分析
• 4-CrossAttention的作用与效果
• 5-transformer构建匹配特征
• 6-粗粒度匹配过程与作用
• 7-特征图拆解操作
• 8-细粒度匹配的作用与方法
• 9-基于期望预测最终位置
• 2.Vision Transformer算法源码解读
• 视觉Transformer及其源码分析
• 3.视觉自监督BEIT算法解读
• 1-建模流程分析与效果展示
• 2-codebook模块的作用
• 3-任务总结分析
• 4.视觉自监督任务BEITv2论文解读
• 1-BEITV2版本论文出发点解读
• 2-自监督任务中两大核心任务分析
• 3-整体网络架构图分析
• 4-框架实现细节流程分析
• 5-论文细节模块实现解读
• 5.视觉自监督任务BEITv2源码解读
• 1-mmselfup源码实现解读
• 2-网络结构搭建细节解读
• 3-源码实现流程总结
• 6.SwinTransformer算法原理解析
• 1-swintransformer整体概述
• 10-分层计算方法
• 2-要解决的问题及其优势分析
• 3-一个block要完成的任务
• 4-获取各窗口输入特征
• 5-基于窗口的注意力机制解读
• 6-窗口偏移操作的实现
• 7-偏移细节分析及其计算量概述
• 8-整体网络架构整合
• 9-下采样操作实现方法
• 7.SwinTransformer算法源码解读
• 1-数据与环境配置解读
• 2-图像数据patch编码
• 3-数据按window进行划分计算
• 4-基础attention计算模块
• 5-窗口位移模块细节分析
• 6-patchmerge下采样操作
• 7-各block计算方法解读
• 8-输出层概述
• 8.DETR目标检测算法解析
• 1-DETR目标检测基本思想解读
• 2-整体网络架构分析
• 3-位置信息初始化query向量
• 4-注意力机制的作用方法
• 5-训练过程的策略
• 9.DETR目标检测源码解读
• 1-项目环境配置解读
• 2-数据处理与dataloader
• 3-位置编码作用分析
• 4-backbone特征提取模块
• 5-mask与编码模块
• 6-编码层作用方法
• 7-Decoder层操作与计算
• 8-输出预测结果
• 9-损失函数与预测输出
• 10-【方向A：CV方向】生成模型与图像生成技术
• 1.生成对抗网络架构原理
• 1-对抗生成网络通俗解释
• 2-GAN网络组成
• 3-损失函数解释说明
• 4-数据读取模块
• 5-生成与判别网络定义
• 10.Diffusion模型架构
• 11.DALL-E 2论文解析
• 12.DALL-E 2源码解读
• 13.视频超分辨率重构
• 2.基于 GAN 的图像补全实战
• 1-论文概述
• 2-网络架构
• 3-细节设计
• 4-论文总结
• 5-数据与项目概述
• 6-参数基本设计
• 7-网络结构配置
• 8-网络迭代训练
• 9-测试模块
• 3.基于 SRGAN 图像超分辨率实战
• 1-论文概述
• 2-网络架构
• 3-数据与环境配置
• 4-数据加载与配置
• 5-生成模块
• 6-判别模块
• 7-VGG特征提取网络
• 8-损失函数与训练
• 9-测试模块
• 4.CycleGAN图像转换技术
• 1-CycleGan网络所需数据
• 10-额外补充：VISDOM可视化配置
• 2-CycleGan整体网络架构
• 3-PatchGan判别网络原理
• 4-Cycle开源项目简介
• 5-数据读取与预处理操作
• 6-生成网络模块构造
• 7-判别网络模块构造
• 8-损失函数：identity loss计算方法
• 9-生成与判别损失函数指定
• 5.stargan论文架构解析
• 1-stargan效果演示分析
• 2-网络架构整体思路解读
• 3-建模流程分析
• 4-V1版本存在的问题及后续改进思路
• 5-V2版本在整体网络架构
• 6-编码器训练方法
• 7-损失函数公式解析
• 8-训练过程分析
• 6.stargan项目实战及其源码解读
• 1-测试模块效果与实验分析
• 10-生成模块损失计算
• 2-项目配置与数据源下载
• 3-测试效果演示
• 4-项目参数解析
• 5-生成器模块源码解读
• 6-所有网络模块构建实例
• 7-数据读取模块分析
• 8-判别器损失计算
• 9-损失计算详细过程
• 7.StarGANv2变声器论文解析
• 1-论文整体思路与架构解读
• 2-VCC2016输入数据
• 3-语音特征提取
• 4-生成器模型架构分析
• 5-InstanceNorm的作用解读
• 6-AdaIn的目的与效果
• 7-判别器模块分析
• 8.starganvc2变声器项目实战
• 9.StyleGAN2高质量图像生成架构
• 11-【方向A：CV方向】行为识别+姿态估计+目标追踪
• 12-【方向A：CV方向】行人重识别技术
• 13-【方向A：CV方向】自动化驾驶
• 25-【方向D时序与GNN方向】时间序列预测算法与实战
• 1.RNN网络架构
• RNN网络架构
• 2.LSTM网络架构
• LSTM网络架构
• 3.Informer算法
• 1-时间序列预测要完成的任务
• 2-常用模块分析
• 3-论文要解决的问题分析
• 4-Query采样方法解读
• 5-probAttention计算流程
• 6-编码器全部计算流程
• 7-解码器流程分析
• 4.Informer源码
• 1-项目使用说明
• 10-核心采样计算方法
• 11-完成注意力机制计算模块
• 12-平均向量的作用
• 13-解码器预测输出
• 2-数据集解读
• 3-模型训练所需参数解读
• 4-数据集构建与读取方式
• 5-数据处理相关模块
• 6-时间相关特征提取方法
• 7-dataloader构建实例
• 8-整体架构分析
• 9-编码器模块实现
• 5.TimesNet时序预测
• 6.基于图模型的时间序列预测
• 7.time-llm大模型多模态预测任务
• 26-【方向D时序与GNN方向】图神经网络实战
• 1.图神经网络基础
• 1-图神经网络应用领域分析
• 2-图基本模块定义
• 3-邻接矩阵的定义
• 4-GNN中常见任务
• 5-消息传递计算方法
• 6-多层GCN的作用
• 2.图卷积（GCN）模型
• 1-GCN基本模型概述
• 2-图卷积的基本计算方法
• 3-邻接的矩阵的变换
• 4-GCN变换原理解读
• 3.PyTorch Geometric配置与实战
• 1-PyTorch Geometric工具包安装与配置方法
• 10-网络结构定义模块
• 11-TopkPooling进行下采样任务
• 12-获取全局特征
• 13-模型训练与总结
• 2-数据集与邻接矩阵格式
• 3-模型定义与训练方法
• 4-文献引用数据集分类案例实战
• 5-构建数据集基本方法
• 6-数据集与任务背景概述
• 7-数据集基本预处理
• 8-用户行为图结构创建
• 9-数据集创建函数介绍
• 4.图注意力与序列模型
• 1-图注意力机制的作用与方法
• 2-邻接矩阵计算图Attention
• 3-序列图神经网络TGCN应用
• 4-序列图神经网络细节
• 5.图相似度论文分析
• 1-要完成的任务分析
• 10-获得直方图特征结果
• 11-图的全局特征构建
• 12-NTN图相似特征提取
• 13-预测得到相似度结果
• 2-基本方法概述解读
• 3-图模型提取全局与局部特征
• 4-NTN模块的作用与效果
• 5-点之间的对应关系计算
• 6-结果输出与总结
• 7-数据集与任务概述
• 8-图卷积特征提取模块
• 9-分别计算不同Batch点的分布
• 6.图模型轨迹估计
• 1-数据集与标注信息解读
• 10-训练数据准备
• 11-Agent特征提取方法
• 12-DataLoader构建图结构
• 13-SubGraph与Attention模型流程
• 2-整体三大模块分析
• 3-特征工程的作用与效果
• 4-传统方法与现在向量空间对比
• 5-输入细节分析
• 6-子图模块构建方法
• 7-特征融合模块分析
• 8-VectorNet输出层分析
• 9-数据与环境配置
• 7.异构图神经网络
• 8.KIE关键信息抽取
• 1-配置文件以及要完成的任务解读
• 2-KIE数据集格式调整方法
• 3-配置文件与标签要进行处理操作
• 4-边框要计算的特征分析
• 5-标签数据处理与关系特征提取
• 6-特征合并处理
• 7-准备拼接边与点特征
• 8-整合得到图模型输入特征
• 27-【方向E强化学习】强化学习基础算法与实战
• 1.强化学习简介及其应用
• 1-一张图通俗解释强化学习
• 2-强化学习的指导依据
• 3-强化学习AI游戏DEMO
• 4-应用领域简介
• 5-强化学习工作流程
• 6-计算机眼中的状态与行为
• 2.PPO算法与公式推导
• 1-基本情况介绍
• 2-与环境交互得到所需数据
• 3-要完成的目标分析
• 4-策略梯度推导
• 5-baseline方法
• 6-OnPolicy与OffPolicy策略
• 7-importance sampling的作用
• 8-PPO算法整体思路解析
• 3.PPO实战-月球登陆器训练实例
• 1-Critic的作用与效果
• 2-PPO2版本公式解读
• 3-参数与网络结构定义
• 4-得到动作结果
• 5-奖励获得与计算
• 6-参数迭代与更新
• 4.Q-learning与DQN算法
• 1-整体任务流程演示
• 2-探索与action获取
• 3-计算target值
• 4-训练与更新
• 5-算法原理通俗解读
• 6-目标函数与公式解析
• 7-Qlearning算法实例解读
• 8-Q值迭代求解
• 9-DQN简介
• 5.DQN改进与应用技巧
• 1-DoubleDqn要解决的问题
• 2-DuelingDqn改进方法
• 3-Dueling整体网络架构分析
• 4-MultiSetp策略
• 5-连续动作处理方法
• 6.Actor-Critic算法分析（A3C）
• 1-AC算法回顾与知识点总结
• 2-优势函数解读与分析
• 3-计算流程实例
• 4-A3C整体架构分析
• 5-损失函数整理
• 7.用A3C玩转超级马里奥
• 1-整体流程与环境配置
• 2-启动游戏环境
• 3-要计算的指标回顾
• 4-初始化局部模型并加载参数
• 5-与环境交互得到训练数据
• 6-训练网络模型
• 8.强化学习-拓展
• 强化学习的基础原理与应用等
• 28-【方向E强化学习】人形机器人高级学习与控制方法
• 29-【方向F智能应用】知识图谱技术与构建
• 1.知识图谱分析与应用
• 1-知识图谱通俗解读
• 10-视觉领域图编码实例
• 11-图谱知识融合与总结分析
• 2-知识图谱在搜索引擎中的应用
• 3-知识图谱在医疗领域应用实例
• 4-金融与推荐领域的应用
• 5-数据获取分析
• 6-数据关系抽取分析
• 7-常用NLP技术点分析
• 8-graph-embedding的作用与效果
• 9-金融领域图编码实例
• 2.Neo4j图数据库实战
• 1-Neo4j图数据库介绍
• 2-Neo4j数据库安装流程演示
• 3-可视化例子演示
• 4-创建与删除操作演示
• 5-数据库更改查询操作演示
• 6-使用Py2neo建立连接
• 7-提取所需的指标信息
• 8-在图中创建实体
• 9-根据给定实体创建关系
• 3.基于知识图谱的医药问答系统实战
• 1-项目概述与整体架构分析
• 10-完成对话系统构建
• 2-医疗数据介绍及其各字段含义
• 3-任务流程概述
• 4-环境配置与所需工具包安装
• 5-提取数据中的关键字段信息
• 6-创建关系边
• 7-打造医疗知识图谱模型
• 8-加载所有实体数据
• 9-实体关键词字典制作
• 4.文本关系抽取实践
• 1-关系抽取要完成的任务演示与分析
• 2-LTP工具包概述介绍
• 3-pyltp安装与流程演示
• 4-得到分词与词性标注结果
• 5-依存句法概述
• 6-句法分析结果整理
• 7-语义角色构建与分析
• 8-设计规则完成关系抽取
• 5.金融平台风控模型实践
• 1-竞赛任务目标
• 2-图模型信息提取
• 3-节点权重特征提取(PageRank)
• 4-deepwalk构建图顶点特征
• 5-各项统计特征
• 6-app安装特征
• 7-图中联系人特征
• 6.医学糖尿病数据命名实体识别
• 1-数据与任务介绍
• 2-整体模型架构
• 3-数据-标签-语料库处理
• 4-输入样本填充补齐
• 5-训练网络模型
• 6-医疗数据集（糖尿病）实体识别
• 30-【方向F智能应用】语音识别
• 1.seq2seq序列网络模型
• 1-序列网络模型概述分析
• 2-工作原理概述
• 3-注意力机制的作用
• 4-加入attention的序列模型整体架构
• 5-TeacherForcing的作用与训练策略
• 6-额外补充-RNN网络模型解读
• 2.LAS模型语音识别实战
• 1-数据源与环境配置
• 2-语料表制作方法
• 3-制作json标注数据
• 4-声音数据处理模块解读
• 5-Pack与Pad操作解析
• 6-编码器模块整体流程
• 7-加入注意力机制
• 8-计算得到每个输出的attention得分
• 9-解码器与训练过程演示
• 3.starganvc2变声器论文原理解读
• 1-论文整体思路与架构解读
• 2-VCC2016输入数据
• 3-语音特征提取
• 4-生成器模型架构分析
• 5-InstanceNorm的作用解读
• 6-AdaIn的目的与效果
• 7-判别器模块分析
• 4.staeganvc2变声器源码实战
• 1-数据与项目文件解读
• 10-源码损失计算流程
• 11-测试模块-生成转换语音
• 2-环境配置与工具包安装
• 3-数据预处理与声音特征提取
• 4-生成器构造模块解读
• 5-下采样与上采样操作
• 6-starganvc2版本标签输入分析
• 7-生成器前向传播维度变化
• 8-判别器模块解读
• 9-论文损失函数
• 5.语音分离ConvTasnet模型
• 1-语音分离任务分析
• 2-经典语音分离模型概述
• 3-DeepClustering论文解读
• 4-TasNet编码器结构分析
• 5-DW卷积的作用与效果
• 6-基于Mask得到分离结果
• 6.ConvTasnet语音分离实战
• 1-数据准备与环境配置
• 2-训练任务所需参数介绍
• 3-DataLoader定义
• 4-采样数据特征编码
• 5-编码器特征提取
• 6-构建更大的感受区域
• 7-解码得到分离后的语音
• 8-测试模块所需参数
• 7.语音合成tacotron最新版实战
• 1-语音合成项目所需环境配置
• 10-得到加权的编码向量
• 11-模型输出结果
• 12-损失函数与预测
• 2-所需数据集介绍
• 3-路径配置与整体流程解读
• 4-Dataloader构建数据与标签
• 5-编码层要完成的任务
• 6-得到编码特征向量
• 7-解码器输入准备
• 8-解码器流程梳理
• 9-注意力机制应用方法
• 31-【方向F智能应用】现代推荐系统与实战
• 1.协同过滤与矩阵分解
• 1-协同过滤与矩阵分解简介
• 2-基于用户与商品的协同过滤
• 3-相似度计算与推荐实例
• 4-矩阵分解的目的与效果
• 5-矩阵分解中的隐向量
• 6-目标函数简介
• 7-隐式情况分析
• 8-Embedding的作用
• 10.基于相似度的酒店推荐系统
• 1-酒店数据与任务介绍
• 2-文本词频统计
• 3-ngram结果可视化展示
• 4-文本清洗
• 5-相似度计算
• 6-得出推荐结果
• 2.推荐系统介绍及其应用
• 1-推荐系统通俗解读
• 2-推荐系统发展简介
• 3-应用领域与多方位评估指标
• 4-任务流程与挑战概述
• 5-常用技术点分析
• 6-与深度学习的结合
• 3.音乐推荐系统实战
• 1-音乐推荐任务概述
• 2-数据集整合
• 3-基于物品的协同过滤
• 4-物品相似度计算与推荐
• 5-SVD矩阵分解
• 6-基于矩阵分解的音乐推荐
• 4.知识图谱与Neo4j数据库实例
• 1-知识图谱通俗解读
• 10-数据库更改查询操作演示
• 2-知识图谱在搜索引擎中的应用
• 3-知识图谱在医疗领域应用实例
• 4-金融与推荐领域的应用
• 5-数据获取分析
• 6-Neo4j图数据库介绍
• 7-Neo4j数据库安装流程演示
• 8-可视化例子演示
• 9-创建与删除操作演示
• 5.基于知识图谱的电影推荐实战
• 1-知识图谱推荐系统效果演示
• 2-kaggle电影数据集下载与配置
• 3-图谱需求与任务流程解读
• 4-项目所需环境配置安装
• 5-构建用户电影知识图谱
• 6-图谱查询与匹配操作
• 7-相似度计算与推荐引擎构建
• 6.DeepFM算法解析与实战
• 1-CTR估计及其经典方法概述
• 10-广告点击数据预处理实例
• 11-数据处理模块Embedding层
• 12-Index与Value数据制作
• 13-一阶权重参数设计
• 14-二阶特征构建方法
• 15-特征组合方法实例分析
• 16-完成FM模块计算
• 17-DNN模块与训练过程
• 2-高维特征带来的问题
• 3-二项式特征的作用与挑战
• 4-二阶公式推导与化简
• 5-FM算法解析
• 6-DeepFm整体架构解读
• 7-输入层所需数据样例
• 8-Embedding层的作用与总结
• 9-数据集介绍与环境配置
• 7.推荐系统常用工具包演示
• 1-环境配置与数据集介绍
• 2-电影数据集预处理分析
• 3-surprise工具包基本使用
• 4-模型测试集结果
• 5-评估指标概述
• 8.基于文本数据的推荐实例
• 1-数据与环境配置介绍
• 2-数据科学相关数据介绍
• 3-文本数据预处理
• 4-TFIDF构建特征矩阵
• 5-矩阵分解演示
• 6-LDA主题模型效果演示
• 7-推荐结果分析
• 9.基本统计分析的电影推荐
• 1-电影数据与环境配置
• 2-数据与关键词信息展示
• 3-关键词云与直方图展示
• 4-特征可视化
• 5-数据清洗概述
• 6-缺失值填充方法
• 7-推荐引擎构造
• 8-数据特征构造
• 9-得出推荐结果
• 32-【进阶模块】深度学习模型部署与实战
• 1.PyTorch Flask部署示例
• 1-基本结构与训练好的模型加载
• 2-服务端处理与预测函数
• 3-基于Flask测试模型预测结果
• 2.PyTorch Docker部署示例
• 1-docker简介
• 2-docker安装与配置
• 3-阿里云镜像配置
• 4-基于docker配置pytorch环境
• 5-安装演示环境所需依赖
• 6-复制所需配置到容器中
• 7-上传与下载配置好的项目
• 3.使用Docker实现TensorFlow-Serving部署实战
• 1-tf-serving项目获取与配置
• 2-加载并启动模型服务
• 3-测试模型部署效果
• 4-fashion数据集获取
• 5-加载fashion模型启动服务
• 4.AloT与Jetson Nano
• 1-jetson nano 硬件介绍
• 2-jetson nano 刷机
• 3-jetson nano 系统安装过程
• 4-感受nano的GPU算力
• 5-安装使用摄像头csi usb
• 5.AloT实战应用
• 1-jetson-inference 入门
• 2-docker 的安装使用
• 3-docker中运行分类模型
• 4-训练自己的目标检测模型准备
• 5-训练出自己目标识别模型a
• 6-训练出自己目标识别模型b
• 7-转换出onnx模型，并使用
• 6.NVIDIA TAO训练工具
• 1-NVIDIA TAO介绍和安装
• 2-NVIDIA TAO数据准备和环境设置
• 3-NVIDIA TAO数据转换
• 4-NVIDIA TAO预训练模型和训练a
• 5-NVIDIA TAO预训练模型和训练b
• 6-NVIDIA TAO预训练模型和训练c
• 7-TAO 剪枝在训练推理验证
• 7.DeepStream应用
• 1-deepstream 介绍安装
• 2-deepstream HelloWorld
• 3-GStreamer RTP和RTSP1
• 4-GStreamer RTP和RTSP2
• 5-python实现RTP和RTSP
• 6-deepstream推理
• 7-deepstream集成yolov4
• 33-【进阶模块】深度学习模型优化与创新
• 1.通用创新点
• 1-ACMIX（卷积与注意力融合）
• 10-Attention额外加入先验知识
• 11-结合GNN构建局部特征
• 12-损失函数约束项
• 13-自适应可学习参数
• 14-Coarse2Fine大框架
• 15-只能机器学习模型时凑工作量（特征工程）
• 16-自己数据集如何发的好（要开源）
• 17-可变形卷积加入方法
• 18-在源码中加入各种注意力机制方法
• 2-GCnet（全局特征融合）
• 3-Coordinate_attention
• 4-SPD（可替换下采样）
• 5-SPP改进
• 6-mobileOne（加速）
• 7-Deformable（替换selfAttention）
• 8-ProbAttention（采样策略）
• 9-CrossAttention融合特征
• 2.模型剪枝-Network Slimming算法分析
• 1-论文算法核心框架概述
• 2-BatchNorm要解决的问题
• 3-BN的本质作用
• 4-额外的训练参数解读
• 5-稀疏化原理与效果
• 3.模型剪枝-Network Slimming实战解读
• 1-整体案例流程解读
• 2-加入L1正则化来进行更新
• 3-剪枝模块介绍
• 4-筛选需要的特征图
• 5-剪枝后模型参数赋值
• 6-微调完成剪枝模型
• 4.Mobilenet三代网络模型架构
• 1-模型剪枝分析
• 10-V2整体架构与效果分析
• 11-V3版本网络架构分析
• 12-SE模块作用与效果解读
• 13-代码实现mobilenetV3网络架构
• 2-常见剪枝方法介绍
• 3-mobilenet简介
• 4-经典卷积计算量与参数量分析
• 5-深度可分离卷积的作用与效果
• 6-参数与计算量的比较
• 7-V1版本效果分析
• 8-V2版本改进以及Relu激活函数的问题
• 9-倒残差结构的作用
• 5.知识蒸馏
• 知识蒸馏与简历相关
• 6.拓展-模型部署与优化
• 模型部署
• 34-【进阶模块】科研与职业发展
• 1.论文写作与科研方法论
• 1-从0-1：论文写作
• 2-论文要完成的核心架构分析
• 3-网络模型基本组件分析
• 4-流程概述分析
• 5-实验结果分析
• 6-源码实现细节解读
• 7-源码结果总结
• 2.Deepseek辅助科研技能学习和科研探索
• Deepseek辅助科研技能学习和科研探索
• 3.AI时代职业规划
• AI浪潮之下的职业新机遇：如何武装自己，拿下未来岗位？
• 4.就业简历指导
• 就业简历