课程目录

• 01-软件安装及环境配置
• 02-Anaconda介绍及安装
• 03-【Python 3.6】 Python安装及验证
• 04-【Python 3.6】 Python配置环境变量
• 05-【Python 3.6】 Python卸载及验证
• 06-【PyTorch 1.2】 PyTorch简介与安装
• 07-【Pytorch1.2】 Pytorch开发环境安装
• 08-【TensorFlow 2.1.0】环境安装-ubuntu
• 09-【TensorFlow 2.1.0】环境安装-windows
• 10-【GPU驱动安装】GPU_driver_windows
• 11-【GPU驱动安装】GPU_driver_Linux
• 12-Linux 常用命令
• 13-【数据分析工具】 MySQL
• 14-【数据分析工具】 Navicate
• 15-【数据分析工具】 Tableau Public
• 02-人工智能数学基础
• 05-【第一章 线性代数(上)】章节导读
• 06-【第一章 线性代数(上)】-1 矩阵及其基本运算①
• 07-【第一章 线性代数(上)】-2 矩阵及其基本运算②
• 08-【第一章 线性代数(上)】-3 矩阵的行列式①
• 09-【第一章 线性代数(上)】-4 矩阵的行列式②
• 10-【第一章 线性代数(上)】-5 矩阵的行列式③
• 11-【第一章 线性代数(上)】-6 矩阵的行列式④
• 12-【第一章 线性代数(上)】-7 矩阵的逆①
• 13-【第一章 线性代数(上)】-8 矩阵的逆②
• 14-【第一章 线性代数(上)】-9 矩阵的逆③
• 15-【第二章 线性代数(下)】章节导读
• 16-【第二章 线性代数(下)】-1 矩阵的初等变换①
• 17-【第二章 线性代数(下)】-2 矩阵的初等变换②
• 18-【第二章 线性代数(下)】-3 矩阵的初等变换③
• 19-【第二章 线性代数(下)】-4 矩阵的初等变换④
• 20-【第二章 线性代数(下)】-5 矩阵的特征值与特征向量①
• 21-【第二章 线性代数(下)】-6 矩阵的特征值与特征向量②
• 22-【第二章 线性代数(下)】-7 矩阵的特征值与特征向量③
• 23-【第二章 线性代数(下)】-8 矩阵对角化以及二次型①
• 24-【第二章 线性代数(下)】-9 矩阵对角化以及二次型②
• 25-【第二章 线性代数(下)】-10 矩阵对角化以及二次型③
• 26-【第二章 线性代数(下)】-11svd分解的应用
• 27-【第三章 微积分】-01常用函数的导数以及到导数的常用公式
• 28-【第三章 微积分】-02 中值定理&洛必达法则&泰勒公式及应用
• 29-【第三章 微积分】-03 函数的凹凸性&函数的极值
• 30-【第三章 微积分】-04 不定积分
• 31-【第三章 微积分】-05 定积分
• 32-【第三章 微积分】-06 偏导数&多元函数复合求导法则链式求导法则
• 33-【第三章 微积分】-07 方向导数与梯度及其应用
• 34-【第三章 微积分】-08 多元函数泰勒公式与海森矩阵&多元函数的极值
• 35-【第三章 微积分】-09 矩阵的求导
• 36-【第三章 微积分】-10 矩阵的求导在深度学习中的应用
• 37-【第四章 概率论】-01随机实验样本空间随机事件&概率的定义
• 38-【第四章 概率论】-02全概率公式与贝叶斯公式及应用&独立性
• 39-【第四章 概率论】-03随机变量与多维随机变量
• 40-【第四章 概率论】-04期望与方差part1
• 41-【第四章 概率论】-05期望与方差part2
• 42-【第四章 概率论】-06参数的估计
• 43-【第五章 最优化】-1 无约束最优化梯度下降
• 44-【第五章 最优化】-2 无约束最优化梯度下降
• 45-【第五章 最优化】-3 约束最优化
• 03-Python基础+数据科学入门
• 05-第一章 绪论和环境配置
• 06-【作业讲解】第一章：助教实际演示配置环境过程
• 07-第二章 Python 基本语法元素
• 08-【作业讲解】第二章：Python基本语法元素
• 09-第三章 基本数据类型
• 10-【作业讲解】第三章：基本数据类型
• 11-第四章 组合数据类型
• 12-【作业讲解】第四章：复杂数据类型
• 13-第五章 程序控制结构
• 14-【作业讲解】第五章：程序控制结构
• 15-第六章 函数-面向过程的编程
• 16-【作业讲解】第六章：函数
• 17-第七章 类-面向对象的编程
• 18-【作业讲解】第七章：类
• 19-第八章 文件-异常和模块
• 20-【作业讲解】第八章：文件-异常和模块
• 21-第九章 有益的探索
• 22-【作业讲解】第九章：有益的探索
• 23-第十章 Python标准库
• 24-【作业讲解】第十章：Python标准库
• 25-第十一章 科学计算库—Numpy应用
• 26-【作业讲解】第十一章：Numpy库
• 27-第十二章 Pandas库
• 28-【作业讲解】第十二章：Pandas库
• 29-第十三章 Matplotlib
• 30-【作业讲解】第十三章：Matplotlib
• 31-第十四章 Sklearn常规用法
• 32-【作业讲解】第十四章：Sklearn常规用法
• 33-第十五章 再谈编程
• 35-【比赛实战】大牛手把手指导如何打一场完整的二分类比赛
• 36-【比赛实战】二分类算法比赛小测验—提供银行精准营销解决方案
• 04-机器学习算法应用实战
• 05-01-01-机器学习概述
• 06-02-01线性回归简介-数学符号-假设函数-损失函数-代价函数
• 07-02-02-梯度下降法…mp4
• 08-02-03-梯度下降法代码实现
• 09-02-04-使用梯度下降法求解线性回归问题
• 10-02-05-线性回归代码实现
• 100-08-02协方差矩阵的特征值分解算法
• 101-08-03协方差矩阵的特征值分解算法代码实现
• 102-08-04基于数据矩阵的奇异值分解算法
• 103-08-05基于数据矩阵的奇异值分解算法代码实现
• 104-08-【实战】-Sklearn实现PCA
• 105-08-【案例】PCA实现照片压缩
• 106-09-01-集成学习介绍
• 107-09-02-Voting能够提高准确度的原因
• 108-09-03-Voting原理
• 109-09-04-Voting代码实现
• 11-02-06-线性回归代码实现-做特征归一化
• 110-09-05-Bagging与随机森林及其代码实现
• 111-09-06-Boosting
• 112-09-07-Adaboost举例
• 113-09-08-AdaBoost代码实现
• 114-09-09-GBDT之提升和提升树概念
• 115-09-10-GBDT梯度提升树
• 116-09-11-XGBoost介绍，目标函数，正则项
• 117-09-12-XGBoost求解
• 118-09-13-XGBoost树结构生成
• 119-09-14-XGBoost代码实现1
• 12-02-07-批量梯度下降，随机梯度下降，小批量梯度下降
• 120-09-15-XGBoost代码实现2
• 121-09-16-Stacking
• 122-09-17-Stacking 代码实现
• 123-10-【银行营销策略分析】-01 数据说明
• 124-10-【银行营销策略分析】-02探索性分析
• 125-10-【银行营销策略分析】-03数据预处理与特征工程
• 126-10-【银行营销策略分析】-04模型训练
• 127-10-【信用卡发欺诈模型】-01数据说明及不平衡数据的训练集及测试及分割方法
• 128-10-【信用卡发欺诈模型】-02采样之上采样
• 129-10-【信用卡发欺诈模型】-03采样之下采样
• 13-02-08-模型评价 · 几种常见的模型评价指标
• 130-10-【信用卡发欺诈模型】-04建模与调参
• 14-02-09-欠拟合与过拟合
• 15-02-10-Ridge回归求解与代码实现
• 16-02-11-LASSO回归求解
• 17-02-12-LASSO回归求解举例说明
• 18-02-13-LASSO回归代码实现
• 19-02-14-最小二乘法求线性回归
• 20-02-15-最小二乘法代码实现
• 21-02-【实战】使用Sklearn实现Ridge，LASSO和ElasticNet
• 22-02-【案例】波士顿房价预测(上)
• 23-02-【案例】-波士顿房价预测(下)
• 24-03-01-逻辑回归简介-假设函数-损失函数-成本函数
• 25-03-02-逻辑回归求解
• 26-03-03-一个示例解释逻辑回归的求解公式
• 27-03-04-逻辑回归代码实现(上)
• 28-03-04-逻辑回归代码实现(下)
• 29-03-06-逻辑回归的正则化
• 30-03-07-逻辑回归实现多分类方法
• 31-03-08-【实战】使用Sklearn实现逻辑回归
• 32-03-【案例】鸢尾花分类
• 33-03-【案例】手写数字识别
• 34-04-01-决策树简介-熵
• 35-04-02条件熵及计算举例
• 36-04-03信息增益-ID3算法
• 37-04-04决策树代码实现(1-熵的计算)
• 38-04-05决策树代码实现(2-划分数据集-选择最好的特征)
• 39-04-06决策树代码实现(3-类别投票表决)
• 40-04-07决策树代码实现( 4-决策树递归生成，决策树对新数据进行预测)
• 41-04-08 C4.5算法
• 42-04-09基尼指数(Gini Index)生成决策树
• 43-04-10决策树剪枝
• 44-04-11决策树处理连续值与缺失值
• 45-04-12多变量决策树
• 46-04-【实战】Sklearn实现决策树
• 47-04-【案例】：使用决策树进行个人信用风险评估(1.数据集介绍-数据预处理)
• 48-04-【案例】：使用决策树进行个人信用风险评估(2.模型评估指标)
• 49-04-【案例】：使用决策树进行个人信用风险评估(3.模型评估，优化)
• 50-05-01-贝叶斯决策简介
• 51-05-02-贝叶斯决策模型
• 52-05-03-朴素贝叶斯模型
• 53-05-04-朴素贝叶斯代码实现(1.训练过程)
• 54-05-05-朴素贝叶斯代码实现(2.预测过程)
• 55-05-06-拉普拉斯修正及代码实现
• 56-05-07-朴素贝叶斯如何处理连续型数据
• 57-05-08-Sklearn实现朴素贝叶斯
• 58-05-【案例】垃圾邮件识别(1.实现原理)
• 59-05-【案例】垃圾邮件识别(2.代码实现)
• 60-06-01-支持向量机简介
• 61-06-02-线性可分支持向量机(几何间隔，函数间隔，目标函数)
• 62-06-03-拉格朗日乘子法求带有等式约束的极值问题
• 63-06-04-拉格朗日乘子法求带有不等式约束的极值问题-KKT条件
• 64-06-05-目标函数求解(1.对偶问题-先对w-b求极小)
• 65-06-06-目标函数求解(2.对alpha求极大)
• 66-06-07-SVM求解举例
• 67-06-08-线性支持向量机的目标函数
• 68-06-09-线性支持向量机目标函数优化
• 69-06-10-非线性支持向量机简介
• 70-06-11-非线性支持向量机的目标函数
• 71-06-12-SMO算法推导结果
• 72-06-13-1SVM代码实现之简易版(上)
• 73-06-14-1SVM代码实现之简易版(下)
• 74-06-15-2SVM代码实现之改进版
• 75-06-16-3SVM代码实现之引进核函数版
• 76-06-17-SMO算法推导过程1
• 77-06-18-SMO算法推导过程2
• 78-06-19-SMO算法推导过程3
• 79-06-20-SMO算法推导过程4
• 80-06-21-SVM总结
• 81-06-【实战】-Sklearn实现SVM1
• 82-06-【实战】-Sklearn实现SVM2-3，输出常用属性值，使用高斯核
• 83-06-【实战】-Sklearn实现SVM4，调参
• 84-06-【案例】使用SVM完成人脸识别
• 85-07-01-K-means基本原理及推导
• 86-07-02-K-means中距离计算方法
• 87-07-03-K-means代码实现(1原生代码实现)
• 88-07-04-K-means代码实现(2sklearn实现KMeans)
• 89-07-05-层次聚类原理及距离计算
• 90-07-06层次聚类举例
• 91-07-07Sklearn实现层次聚类
• 92-07-08密度聚类
• 93-07-09Sklearn实现密度聚类
• 94-07-10-高斯混合模型介绍
• 95-07-11-高斯混合模型参数估计
• 96-07-12高斯混合模型原生代码实现
• 97-07-13 Sklearn实现高斯混合模型
• 98-07-【案例】对亚洲足球队进行聚类分析
• 99-08-01-主成分分析介绍
• 05-李航《统计学习方法》训练营（含无监督学习部分）
• 06-第一章 1.1 导论
• 07-第一章 1.2 极大似然估计
• 08-第一章 1.3 梯度下降法
• 09-第一章作业讲解-极大似然估计
• 10-第二章 2.1 导论
• 100-第十九章19.4Metropolis-Hastings算法与吉布斯抽样算法
• 101-第十九章 作业讲解
• 102-第二十章20.1LDA分布-模型与Gibbs抽样算法
• 103-第二十章20.2LDA的变分EM算法
• 104-第二十章 作业讲解
• 105-第二十一章21.1PageRank算法的定义与幂法计算
• 106-第二十一章 作业讲解
• 107-第二十二章 22无监督学习方法总结
• 11-第二章 2.2 对偶形式
• 12-第二章 2.3 收敛性
• 13-code——感知机
• 14-第二章作业讲解-感知机自编程实现
• 15-第二章作业讲解-感知机sklearn实现
• 16-第三章 3.1 导论
• 17-第三章 3.2 kd树
• 18-code——k近邻
• 19-第三章作业讲解-KNN 自编程
• 20-第三章作业讲解-KNN-sklearn
• 21-第四章 4.1 导论
• 22-第四章 4.2 贝叶斯估计
• 23-第四章 4.3 期望风险最小化
• 24-code——朴素贝叶斯
• 25-第四章作业讲解-贝叶斯估计
• 26-第四章作业讲解-朴素贝叶斯
• 27-第五章 5.1 导论
• 28-第五章 5.2 剪枝
• 29-code——决策树
• 30-第五章作业讲解-决策树
• 31-第六章 6.1 逻辑斯蒂回归与最大熵
• 32-第六章 6.2 改进的迭代尺度法
• 33-第六章作业讲解-逻辑斯谛回归
• 34-code——逻辑斯蒂回归与最大熵
• 35-第七章 7.1 导论
• 36-第七章 7.2 存在唯一性
• 37-第七章作业讲解-支持向量机习题7.1
• 38-第七章作业讲解-支持向量机 sklearn习题7.2
• 39-第七章作业讲解-支持向量机习题7.3
• 40-code——支持向量机
• 41-第八章 8.1 导论
• 42-第八章 8.2 前向分步算法
• 43-第八章 8.3 adaboost的训练误差
• 44-第八章作业讲解-提升方法
• 45-code——提升方法
• 46-第九章 9.1 导论
• 47-第九章 9.2 高斯混合模型
• 48-第九章作业讲解-EM算法
• 49-code——EM算法及推广
• 50-第十章 10.1 导论
• 51-第十章 10.2 前向算法
• 52-第十章 10.3 维特比算法
• 53-第十章作业讲解-隐马尔可夫模型
• 54-code——隐马尔可夫
• 55-第十一章 11.1 导论
• 56-第十一章 11.2 拟牛顿法
• 57-第十一章 11.3 条件随机场的矩阵形式
• 58-第十一章作业讲解-条件随机场
• 59-第十三章无监督学习导论
• 60-第十四章14.1聚类的基本概念
• 61-第十四章14.2.1距离与相似度
• 62-第十四章14.2.2聚合聚类 距离公式介绍
• 63-第十四章14.2.3距离公式证明
• 64-第十四章14.2.4确定最佳聚类数
• 65-第十四章14.2.5有序样本分类法
• 66-第十四章14.3K均值聚类
• 67-第十四章14.1作业讲解- K-Means算法和高斯混合模型的比较
• 68-第十四章14.2作业讲解- 14.2 有关类的定义推导
• 69-第十四章14.3作业讲解- 离差平方和距离推导公式证明
• 70-第十四章14.3作业讲解-重心距离推导公式证明
• 71-第十五章15.1矩阵奇异值分解步骤
• 72-第十五章15.2矩阵奇异值分解基本定理
• 73-第十五章15.3矩阵奇异值分解性质与计算
• 74-第十五章15.4.1矩阵奇异值分解的酉空间表示法
• 75-第十五章15.5矩阵奇异值分解的应用
• 76-第十五章作业讲解- 奇异值分解01
• 77-第十五章作业讲解- 奇异值分解02
• 78-第十六章16.1主成分分析介绍
• 79-第十六章16.2主成分分析基本定理
• 80-第十六章16.3主成分的性质与选择
• 81-第十六章16.4主成分的特征
• 82-第十六章16.5牛顿迭代与梯度下降法
• 83-第十六章16.6拟牛顿迭代法
• 84-第十六章16.1作业讲解- 样本主成分分析
• 85-第十六章16.2 作业讲解-样本方差无偏估计的理解
• 86-第十六章16.3作业讲解- 求第一主成分
• 87-第十七章17.1LSA导入
• 88-第十七章17.2LSA算法实现
• 89-第十七章17.3非负矩阵分解算法
• 90-第十七章17.4LSA案例分析与编程实现
• 91-第十七章 作业讲解
• 92-第十八章18.1PLSA生成模型
• 93-第十八章18.2PLSA共现模型
• 94-第十八章18.3PLSA模型算法实现
• 95-第十八章18.4PLSA模型EM算法详解
• 96-第十八章 作业讲解
• 97-第十九章19.1蒙特卡罗法引入
• 98-第十九章19.2马尔科夫链的定义与性质
• 99-第十九章19.3连续状态马尔科夫链
• 06-《机器学习》西瓜书训练营
• 06-【第一周】机器学习绪论
• 08-【第二周】西瓜书公式推导学习指南
• 09-【第二周】一元线性回归公式
• 10-【第二周】多元线性回归公式
• 11-【第二周】对数几率回归公式
• 14-【第二周】【作业讲解】逻辑回归
• 15-【第三周】决策树的分裂准则
• 19-【第三周】【作业讲解】决策树
• 20-【第四周】支持向量机原始模型的建立和求解
• 21-【第四周】核函数和软间隔支持向量机
• 24-【第四周】【作业讲解】SVM
• 25-【第五周】极大似然估计与朴素贝叶斯
• 26-【第五周】EM算法1
• 27-【第五周】EM算法2
• 28-【第五周】EM算法3
• 31-【第五周】【作业讲解】贝叶斯和EM算法
• 32-【第六周】神经网络结构
• 35-【第六周】【作业讲解】神经网络
• 41-【第七周】【作业讲解】模型评估与选择
• 47-【第八周】【作业讲解】特征选择
• 52-【第九周】【作业讲解】k-means
• 53-【第十周】聚类
• 54-【第十周】HMM-1
• 55-【第十周】HMM-2
• 56-【第十周】HMM-3
• 61-【达观杯nlp比赛】第一节课 了解NLP任务和熟悉比赛题目-赛前介绍和准备
• 62-【达观杯nlp比赛】第二节课 了解NLP任务和熟悉比赛题目-赛题介绍和思路分析
• 63-【达观杯nlp比赛】第三节课 数据分析及处理
• 64-【达观杯nlp比赛】第四节课——Baseline实现
• 65-【达观杯nlp比赛】第五节课 验证集构建和交叉验证
• 07-吴恩达《机器学习》作业班
• 06-【先修】学习绪论视频，了解预备知识
• 07-【学前准备】开营仪式回放-老师部分
• 08-【学前准备】开营仪式回放-班主任部分
• 14-Week2 Day2【作业讲解】对照作业讲解视频查漏补缺
• 19-Week3-Day2 【作业讲解】完成编程作业2 (1)
• 20-Week3-Day2 【作业讲解】完成编程作业2 (2)
• 21-Week3-Day4 【达观杯文本智能处理挑战赛】（入门指导）
• 25-Week4-Day2【作业讲解】编程作业3：神经网络（上）
• 26-Week4-Day2【作业讲解】编程作业3：神经网络（下）
• 27-Week4-Day4【达观杯文本智能处理挑战赛】（进阶指导）
• 30-Week5-Day2【作业讲解】编程作业4（上）
• 31-Week5-Day2【作业讲解】编程作业5
• 32-Week5-Day2【作业讲解】编程作业4（下）
• 36-Week6-Day2【作业讲解】编程作业5
• 40-Week7-Day2【作业讲解】编程作业6（上）
• 41-Week7-Day2【作业讲解】编程作业6（下）
• 47-Week8-Day4【作业讲解】编程作业7（上）
• 48-Week8-Day4【作业讲解】编程作业7（下）
• 52-Week9-Day4【作业实操】编程作业编程作业8：异常检测与推荐系统P1
• 53-Week9-Day4【作业实操】编程作业编程作业8：异常检测与推荐系统P2
• 54-Week9-Day4【作业实操】编程作业编程作业8：异常检测与推荐系统P3
• 56-Week10-Day1【kaggle大赛】进阶指导
• 08-深度学习TensorFlow2.0框架班
• 05-Week1【任务1】tensorflow 2.0简介
• 06-Week1【任务2】tensorflow2.0环境安装-ubuntu
• 07-Week1【任务2】tensorflow2.0环境安装-windows
• 09-Week2【任务1】张量与操作 & 三种自定义模型
• 10-Week2【任务2】keras模型训练
• 11-Week2【任务3】tensorflow2.0模型训练
• 12-Week2【任务4】计算图机制详解
• 13-Week2【任务5】计算图机制详解
• 15-Week3【任务1】自定义层详解
• 16-Week3【任务2】常用损失函数和自定义损失函数
• 17-Week3【任务3】常用评估函数和自定义评估函数
• 18-Week3【任务4】tensorboard小试牛刀
• 19-Week4【任务1】tf.data简介
• 20-Week4【任务2】tf.data简介
• 21-Week4【任务3】tfrecord详解
• 23-Week5【任务1】cnn介绍
• 24-Week5【任务2】实战项目上
• 25-Week5【任务3】实战项目下
• 26-Week6 【任务1】循环神经网络讲解
• 27-Week6【任务2】word2vec简介
• 28-Week6【任务3】实战四
• 29-Week7【任务1】ransformer简介
• 30-Week7【任务2】实战5
• 31-Week8【任务1】GPU分布式训练
• 32-Week 8【任务2】TPU训练
• 33-Week 9【任务1】TF.hub使用
• 34-Week 9【任务2】BERT实战
• 35-Week9【任务3】模型部署
• 09-深度学习PyTorch框架班
• 05-【必看】深入浅出PyTorch
• 06-【第一周】PyTorch简介与安装
• 07-【第一周】补充-pytorch开发环境安装
• 08-【第一周】张量简介与创建
• 09-【第一周】张量操作与线性回归
• 10-【第一周】计算图与动态图机制
• 11-【第一周】autograd与逻辑回归
• 12-【第一周】作业讲解1
• 13-【第一周】作业讲解2
• 14-【第一周】作业讲解3
• 15-【第二周】数据读取机制Dataloader与Dataset
• 16-【第二周】数据预处理transforms模块机制
• 17-【第二周】二十二种transforms数据预处理方法
• 18-【第二周】学会自定义transforms方法
• 19-【第二周】作业讲解
• 20-【第三周】模型创建步骤与nn.Module
• 21-【第三周】模型容器与AlexNet构建
• 22-【第三周】nn网络层-卷积层
• 23-【第三周】nn网络层-池化-线性-激活函数层
• 24-【第三周】作业讲解
• 25-【第四周】权值初始化
• 26-【第四周】损失函数（一）
• 27-【第四周】损失函数(二)
• 28-【第四周】优化器optimizer的概念
• 29-【第四周】torch.optim.SGD
• 30-【第四周】作业讲解
• 31-【第五周】学习率调整策略
• 32-【第五周】TensorBoard简介与安装
• 33-【第五周】TensorBoard使用（一）
• 34-【第五周】TensorBoard使用（二）
• 35-【第五周】hook函数与CAM可视化
• 36-【第五周】作业讲解
• 37-【第六周】正则化之weight_decay
• 38-【第六周】正则化之Dropout
• 39-【第六周】Batch Normalization
• 40-【第六周】Normalizaiton_layers
• 41-【第六周】作业讲解
• 42-【第七周】模型保存与加载
• 43-【第七周】模型finetune
• 44-【第七周】GPU的使用
• 45-【第七周】PyTorch常见报错
• 46-【第七周】作业讲解
• 47-【第八周】图像分类一瞥
• 48-【第八周】图像分割一瞥
• 49-【第八周】图像目标检测一瞥（上）
• 50-【第八周】图像目标检测一瞥（下）
• 51-【第九周】生成对抗网络一瞥
• 52-【第九周】循环神经网络一瞥
• 10-《深度学习》花书训练营
• 05-第一周【任务1】矩阵对角化以及SVD分解
• 06-第一周【任务1】逆矩阵-最小二乘及PCA原理推导
• 07-第一周【任务2】：极大似然估计
• 08-第一周【任务2】：无约束最优化
• 09-第一周【任务2】：有约束最优化
• 10-【第一周作业讲解】为什么要用最小二乘
• 11-【第一周作业讲解】矩阵的分解及其应用
• 12-【第一周作业讲解】极大似然估计以及优化理论
• 13-【第一周作业讲解】熟悉svd分解算法的流程
• 14-第二周【任务1】：机器学习算法基本概念
• 15-第二周【任务1】：过拟合欠拟合超参数验证集
• 16-第二周【任务2】：估计-偏差和方差
• 17-第二周【任务2】：贝叶斯估计
• 18-第二周【任务2】：逻辑回归
• 19-第二周作业讲解
• 20-第三周【任务1】学习支持向量机LDA
• 21-第三周【任务1】其他监督学习算法SVM
• 22-第三周【任务2】决策树-kmeans算法
• 23-第三周作业讲解
• 24-第四周【任务1】：前馈神经网络结构表达能力
• 25-第四周【任务1】：激活函数损失函数
• 26-第四周【任务2】前馈神经网络技巧
• 27-第四周【任务2】前向后向算法
• 28-第四周作业讲解
• 29-第五周【任务1】范数惩罚正则化
• 30-第五周【任务1】：数据增强bagging&dropout
• 31-第五周【任务2】深度模型中的优化
• 32-第五周作业讲解
• 33-第六周【任务1】cnn前向后向
• 34-第六周【任务1】局部感知权值共享
• 35-第六周【任务2】lenet&alexnet
• 36-第六周【任务2】vggnet googlenet
• 37-第六周【任务3】CNN应用——RCNN目标检测
• 38-第六周【任务3】CNN应用——Bounding_box regression
• 39-第六周【任务3】CNN应用——FastRCNN
• 40-第六周【任务3】CNN应用——CNN人脸特征点定位
• 41-第六周作业讲解
• 42-【论文精读（选修）】mobilenet-01-背景介绍
• 43-【论文精读（选修）】mobilenet-02-论文结构&摘要精读
• 44-【论文精读（选修）】mobilenet-03-主体架构&深度可分离卷积
• 45-【论文精读（选修）】mobilenet-04-超参数
• 46-【论文精读（选修）】mobilenet-05-后续创新及改进
• 47-【论文精读（选修）】mobilenet-06-代码结构
• 48-【论文精读（选修）】mobilenet-07-模型设计
• 49-【论文精读（选修）】mobilenet-08-模型评估
• 50-第七周【任务1】RNN概念&前向传播
• 51-第七周【任务1】RNN反向传播与并行计算
• 52-第七周【任务2】lstm
• 53-第七周【任务2】gru
• 54-第七周【任务3】plstm&lstm在ocr的应用
• 55-第七周作业讲解
• 56-第八周【任务1】推理加速
• 57-第八周【任务1】训练加速
• 58-第八周【任务2】自适应技术
• 59-第8周作业讲解
• 11-李飞飞斯坦福CS231n计算机视觉课
• 05-计算机视觉发展历史及一些计算机视觉任务概念
• 08-knn与线性分类器知识点提点
• 10-学习内容总结+观看作业解答视频
• 11-损失函数和优化导读
• 12-svm多分类损失函数与softmax
• 15-学习反向传播
• 16-作业讲解视频
• 17-作业讲解视频
• 19-学习卷积神经网络历史
• 20-学习卷积和池化
• 21-学习激活函数-数据处理-权重初始化
• 22-作业讲解视频
• 25-学习优化策略
• 27-作业讲解视频
• 30-学习比较流行的cnn网络结构
• 31-学习rnn，lstm，gru
• 33-学习图像分割学习任务，分类和定位
• 35-学习特征可视化方法
• 37-学习Pixel RNN，Pixel CNN与变分自编码
• 45-【kaggle猫狗分类比赛】比赛简介
• 46-【学习kaggle猫狗分类比赛】详细操作
• 12-斯坦福CS224n自然语言处理课训练营
• 05-学习CS224n第一课和课程导学
• 06-【作业讲解】：assignment1讲解
• 07-打达观杯NLP比赛（报名指导和入门指导）
• 08-学习CS224n第二课和重难点讲解视频
• 09-学习CS224n第三课和课程导学
• 10-python numpy pytorch学习及编程作业解析
• 11-学习CS224n第四课和课程导学
• 12-观看看作业解答视频
• 13-学习CS224n Lecture 05及导学
• 15-Assignment 3作业讲解
• 16-学习CS224n Lecture 06及导学
• 18-观看作业解答视频
• 19-观看作业解答视频2
• 20-观看作业解答视频3
• 21-神经机器翻译及attention
• 23-Neural Machine Translation with RNN
• 24-基于卷积神经网络的nlp
• 26-观看作业解答视频
• 27-观看A5作业讲解视频2
• 28-transformers and BERT
• 29-Lecture 14
• 30-Natural Language Generation
• 33-Lecture 18
• 35-Future of NLP + Deep Learning
• 36-kaggle文本分类比赛-比赛介绍
• 37-kaggle文本分类比赛-数据分析
• 38-kaggle文本分类比赛-baseline模型(1)
• 39-kaggle文本分类比赛-baseline模型(2)
• 40-kaggle文本分类比赛-提交数据+提分策略
• 13-人工智能项目实战班
• 05-【试听CV项目】1.1-背景介绍
• 06-【试听CV项目】1.2.1-图像初步-可视化
• 07-【试听】算法工作分享——1面试准备
• 08-【NLP项目一人工智能辅助信息抽取】第三周第一节Ⅰ课程导读
• 09-【NLP项目一人工智能辅助信息抽取】第三周第一节Ⅱ知识图谱的概念与应用
• 10-【NLP项目一人工智能辅助信息抽取】第三周第一节Ⅲ信息抽取构建知识图谱实例
• 11-【NLP项目一人工智能辅助信息抽取】第三周第二节-正则表达式与AC自动机算法讲解与应用
• 12-【NLP项目一人工智能辅助信息抽取】第三周第三节Ⅰ中文自然语言处理基础
• 13-【NLP项目一人工智能辅助信息抽取】第三周第三节Ⅱ命名实体识别详解
• 14-【NLP项目一人工智能辅助信息抽取】第三周第三节Ⅲ隐马尔可夫模型与维特比算法
• 15-【NLP项目一人工智能辅助信息抽取】第三周第四节：条件随机场
• 16-【NLP项目一人工智能辅助信息抽取】第四周-2.1深度学习NLP问题
• 17-【NLP项目一人工智能辅助信息抽取】第四周-2.2文本表示
• 18-【NLP项目一人工智能辅助信息抽取】第四周-2.3文本特征抽取
• 19-【NLP项目一人工智能辅助信息抽取】第四周-2.4常见NLP任务模型结构
• 20-【NLP项目一人工智能辅助信息抽取】第四周-2.5 bilstm-crf模型介绍
• 21-【NLP项目一人工智能辅助信息抽取】第四周-2.6 bilstm-crf实战
• 22-【NLP项目一人工智能辅助信息抽取】第四周-2.7 关系抽取介绍
• 23-【NLP项目一人工智能辅助信息抽取】第四周-2.8 PCNN介绍
• 24-【NLP项目一人工智能辅助信息抽取】第四周-2.9 PCNN实战
• 25-【NLP项目一人工智能辅助信息抽取】3.1 图像预训练模型
• 26-【NLP项目一人工智能辅助信息抽取】3.2 NLP预训练模型
• 27-【NLP项目一人工智能辅助信息抽取】3.3 信息抽取深度学习综述
• 28-【NLP项目一人工智能辅助信息抽取】3.4 BERT NER实战
• 29-【NLP项目一人工智能辅助信息抽取】3.5 总结与展望
• 30-【CV项目一图像分割深度学习实战】第一周-1.1-背景介绍
• 31-【CV项目一图像分割深度学习实战】第一周1.2.1-图像初步-可视化
• 32-【CV项目一图像分割深度学习实战】第一周1.2.2-图像初步-图像运算
• 33-【CV项目一图像分割深度学习实战】第一周1.3-训练数据准备
• 34-【CV项目一图像分割深度学习实战】第一周-1.4-1-深度学习代码框架
• 35-【CV项目一图像分割深度学习实战】第一周-1.4-2-pytorch基础知识
• 36-【CV项目一图像分割深度学习实战】第二周2.1-模版代码概述-A
• 37-【CV项目一图像分割深度学习实战】第二周2.1-模版代码概述-B
• 38-【CV项目一图像分割深度学习实战】第二周2.2-调参基础篇
• 39-【CV项目一图像分割深度学习实战】第二周2.3-选择损失函数
• 41-【CV项目一图像分割深度学习实战】第二周-2.5-调参-总结
• 42-【CV项目一图像分割深度学习实战】第二周2.6-U-Net理论课
• 43-【CV项目一图像分割深度学习实战】第二周2.7-DeepLabv3+理论课
• 49-【CV项目一图像分割深度学习实战】第三周-3.3-梯度累积法
• 50-【CV项目一图像分割深度学习实战】第三周-3.4-选择模型权重
• 51-【CV项目一图像分割深度学习实战】第三周-U-Net理论课进阶-迁移学习
• 53-【CV项目一图像分割深度学习实战】第四周-4.1-数据标注-a
• 54-【CV项目一图像分割深度学习实战】第四周-4.1-数据标注-b
• 58-【CV项目一图像分割深度学习实战】第四周-4.3-bad
• 59-【CV项目一图像分割深度学习实战】第四周-算法工作分享——1面试准备
• 60-【CV项目一图像分割深度学习实战】第四周-算法工作分享——2工作日常
• 61-【CV项目一图像分割深度学习实战】第四周-算法工作分享——3职业前景
• 62-【推荐系统项目一电影推荐项目】1.1：推荐系统简介
• 63-【推荐系统项目一电影推荐项目】1.2： 简单的电影推荐
• 64-【推荐系统项目一电影推荐项目】1.3： IMDB评分
• 65-【推荐系统项目一电影推荐项目】1.4：基于内容推荐
• 66-【推荐系统项目一电影推荐项目】1.5：协同过滤算法
• 67-【推荐系统项目】2.1criteo ctr
• 68-【推荐系统项目】2.2FM&FFM
• 69-【推荐系统项目】2.3Wide&Deep
• 70-【推荐系统项目】2.4DeepFM
• 71-【医疗知识图谱构建及图表征学习实践项目】课时0：项目先导课
• 72-【医疗知识图谱构建及图表征学习实践项目】课时1：数据获取—爬虫
• 73-【医疗知识图谱构建及图表征学习实践项目】课时2：数据处理
• 74-【医疗知识图谱构建及图表征学习实践项目】课时3：BiLSTM+CRF
• 75-【医疗知识图谱构建及图表征学习实践项目】课时4：NLP前沿技术讲解
• 76-【医疗知识图谱构建及图表征学习实践项目】课时5：Neo4j
• 77-【医疗知识图谱构建及图表征学习实践项目】课时6：图表征学习
• 78-【医疗知识图谱构建及图表征学习实践项目】课时7：图表征算法代码学习
• 79-【医疗知识图谱构建及图表征学习实践项目】课时8：项目总结
• 80-【医疗知识图谱构建及图表征学习实践项目】补充内容：额外的LSTM
• 81-【医疗知识图谱构建及图表征学习实践项目】补充内容：额外的python编码
• 14-04 神经网络基础知识
• 02-01-神经网络基础与多层感知机-0
• 03-01-神经网络基础与多层感知机-1
• 04-01-神经网络基础与多层感知机-2
• 05-01-神经网络基础与多层感知机-3
• 06-01-神经网络基础与多层感知机-4
• 07-02-卷积神经网络-0
• 08-02-卷积神经网络-1
• 09-02-卷积神经网络-2
• 10-03-循环神经网络-0
• 11-03-循环神经网络-1
• 12-03-循环神经网络-2
• 15-06 OpenCV 图像基础
• 02-1-1图像基础知识
• 03-1-2图像基础知识
• 04-1-3图像基础知识
• 05-1-4图像基础知识
• 06-2-1图像基本处理
• 07-2_2图像基本处理
• 08-2_3图像基本处理
• 09-2_4图像基本处理
• 10-2_5图像基本操作_图像滤波
• 11-2_6图像基本操作_图像增强
• 12-2-7形态学操作_腐蚀…mp4
• 13-2_8形态学操作_膨胀开运算与闭运算
• 14-3_1固定阈值分割
• 15-3_2自动阈值分割
• 16-3_3边缘检测算子
• 17-3_4连通区域_区域生长算法
• 18-3_5分水岭算法图像分割
• 19-4_1特征描述_HOG
• 20-4_2特征描述Harris和SIFT算法
• 21-4_3纹理特征LBP算法
• 22-4_4模板匹配算法
• 23-4_5人脸检测算法
• 24-5_1摄像头调用和视频的读取保存
• 25-5_2帧差法视频目标识别
• 26-5_3光流法和背景减除法…mp4
• 16-【论文】baseline基础篇目——NLP
• 02-1.1 joint-bert
• 03-1.2 joint-bert
• 04-1.3 joint-bert
• 05-1.4 joint-bert
• 06-1.5 joint-bert
• 07-1.6 joint-bert
• 08-1.7 joint-bert
• 09-1.8 joint-bert-代码
• 10-1.9 joint-bert-代码
• 11-01 cnn_for-re-01（新版）
• 12-01 cnn_for-re-02（新版）
• 13-01 cnn_for-re-03（新版）
• 14-01 cnn_for-re-04（新版）
• 15-01 cnn_for-re-05（新版）
• 16-01 code_cnn_for_re-06（新版）
• 17-01 code_cnn_for_re-07（新版）
• 18-01 code_cnn_for_re-08（新版）
• 19-01 code_cnn_for_re-09（新版）
• 20-01 code_cnn_for_re-10（新版）
• 21-03elmo-01-elmo的下游任务介绍…mp4
• 22-03elmo-02-feature_based和fine_tuning
• 23-03elmo-03-word2vec和charcnn回顾
• 24-03elmo-04-Bidirectional_language_models
• 25-03elmo-05-how to use emol…mp4
• 26-03elmo-06-论文回顾…mp4
• 27-03elmo-07-代码预处理部分
• 28-03elmo-08-代码模型结构部分
• 29-03elmo-09-代码crf流程…mp4
• 30-03elmo-10-代码crf实现…mp4
• 31-01nodevec-01-研究背景
• 32-01nodevec-02-研究成果
• 33-01nodevec-03-图的应用
• 34-01nodevec-04-模型结构&BFS&DFS
• 35-01nodevec-05-模型算法&alias算法
• 36-01nodevec-06-实验分析
• 37-01nodevec-07-论文总结
• 38-01nodevec-08-代码整体介绍
• 39-01nodevec-09-代码节点和边的alias实现
• 40-01nodevec-10-代码有偏随机游走和模型训练
• 41-01nodevec-11-代码结果展示和总结
• 42-01transformer-01-论文背景&研究成果
• 43-01transformer-02-attention回顾
• 44-01transformer-03-模型框架和self_attention
• 45-01transformer-04-模型小trick…mp4
• 46-01transformer-05-代码框架部分和encoder
• 47-01transformer-06-代码decoder和self_attention
• 48-01transformer-07-代码训练部分和预测部分
• 49-1.1 word2vec1-1背景知识
• 50-1.2 word2vec1-2论文泛读
• 51-1.3 word2vec2-1对比模型
• 52-1.4 word2vec2-2原理
• 53-1.5 word2vec2-3word2vec关键技术
• 54-1.6 word2vec2-4模型复杂度
• 55-1.7 word2vec2-5实验结果
• 56-1.8 word2vec3-1代码部分上
• 57-1.9 word2vec3-2代码部分下
• 58-1.1- BiLSTM-CRF-论文研究背景
• 59-1.2- BiLSTM-CRF-论文算法总览
• 60-1.3-BiLSTM-CRF模型结构
• 61-1.4-BiLSTM-CRF损失函数与维特比解码
• 62-1.5- BiLSTM-CRF-实验结果与论文总结
• 63-1.6- BiLSTM-CRF代码讲解
• 64-1.7- BiLSTM-CRF-NCR-Fpp代码详解
• 65-01DSSM-00专题引言
• 66-01DSSM-01-学习目标…mp4
• 67-01DSSM-02-论文背景-贡献及意义
• 68-01DSSM-03摘要精读-总结
• 69-01DSSM-04-上节回顾
• 70-01DSSM-05-词哈希
• 71-01DSSM-06-DSSM整体结构
• 72-01DSSM-07-优化函数-实验与总结
• 73-01DSSM-08-代码总览
• 74-01DSSM-09-词哈希表的建立与数据载入
• 75-01DSSM-10-模型的搭建与训练-测试
• 17-【论文】baseline基础篇目——CV
• 02-1.1 CRNN-泛读-背景论文
• 03-1.2 CRNN-泛读-研究成果及意义
• 04-1.3 CRNN-泛读-LSTM-CTC-Beam Search-论文泛读
• 05-1.4 CRNN-精读-原有模型
• 07-1.6 CRNN-精读-论文细节二三四
• 08-1.7 CRNN-精读-实验结果及总结
• 09-1.8 CRNN-code1
• 10-1.9 CRNN-code2
• 11-1.10 CRNN-code3
• 12-1.11 CRNN-code4
• 13-1.12 CRNN-code5
• 14-YOLO-01-发展历史和YOLO v1
• 15-YOLO-02-YOLO v2
• 16-YOLO-03-YOLO v3_2
• 17-YOLO-04-代码复现
• 18-YOLO-05-数据预处理和网络结构代码讲解
• 19-YOLO-06-训练和检测代码讲解
• 20-03{white}Faster{white}R-CNN-01-论文泛读_RCNN演变
• 21-03 Faster R-CNN-02-论文泛读_摘要和网络结构
• 22-03 Faster R-CNN-03-精读_结构总览
• 23-03 Faster R-CNN-04-精读Paper_背景介绍
• 24-03 Faster R-CNN-05-精读Paper_RPN与rpn_loss
• 25-03 Faster R-CNN-06-精读Paper_RPN训练
• 26-03 Faster R-CNN-07-精读Paper_实验和结论
• 27-03 Faster R-CNN-08-精读PPT_Anchor和RPN
• 28-03 Faster R-CNN-09-精读PPT_网络细节
• 29-03 Faster R-CNN-10-代码讲解_训练VOC数据集
• 30-03 Faster R-CNN-11-代码讲解_backbone网络讲解
• 31-03 Faster R-CNN-12-代码讲解_RPN
• 32-03 Faster R-CNN-13-代码讲解_数据和标签的同步处理(Dataset类)
• 33-03 Faster R-CNN-14代码讲解_建议框的生成(Proposal layer)
• 34-03 Faster R-CNN-15-代码讲解_Anchor box的生成和正负样本的划分
• 35-01GAN-01-论文摘要
• 36-01GAN-02-论文背景
• 37-01GAN-03-论文泛读
• 38-01GAN-04-价值函数
• 39-01GAN-05-训练流程&理论证明1
• 40-01GAN-06-理论证明2&实验结果&总结展望
• 41-01GAN-07-代码分析综述
• 42-01GAN-08-代码分析精讲
• 43-01mobileNet-01-背景介绍
• 44-01mobileNet-02-论文结构&摘要精读
• 45-01mobileNet-03-主体架构&深度可分离卷积
• 46-01MobileNet-04-超参数
• 47-01mobileNet-05-后续创新及改进
• 49-01MobileNets-07-模型设计
• 50-01MobileNets-08-模型评估
• 51-01FCN-01-语意分割简介
• 52-01FCN-02常用数据集-指标-研究成果…mp4
• 53-01FCN-03-论文摘要精读…mp4
• 54-01FCN-04-论文引言-全局信息及部分信息
• 55-01FCN-05-感受域&平移不变性
• 56-01FCN-06-经典算法&本文算法-上采样
• 57-01FCN-07-算法架构…mp4
• 58-01FCN-08-训练技巧&实验结果及分析…mp4
• 59-01FCN-09-讨论&总结
• 60-01FCN-10-代码实现
• 61-01FCN-11-数据预处理…mp4
• 62-01FCN-12-模型搭建
• 63-01FCN-13-训练-验证&预测函数搭建…mp4
• 64-01FCN-14-损失函数
• 65-01FCN-15-指标计算
• 66-01AlexNet-01-研究背景
• 67-01AlexNet-02- 研究成果意义
• 68-01AlexNet-03-论文结构
• 69-01AlexNet-04-结构
• 70-01AlexNet-05网络结构特点
• 71-01AlexNet-06-训练技巧
• 72-01AlexNet-07实验结果及分析
• 73-01AlexNet-08-论文总结
• 74-01AlexNet-09-准备工作&代码结构
• 75-01AlexNet-10-代码结构
• 76-01AlexNet-11-代码结构
• 77-01AlexNet-12- 代码结构4&训练方法
• 78-1.1 特征脸识别-人脸识别背景介绍
• 79-1.2 特征脸识别-论文研究背景成果以及意义
• 80-1.3 特征脸识别-论文泛读摘要部分
• 81-1.4 特征脸识别-论文泛读介绍部分
• 82-1.5 特征脸识别-论文泛读相关工作部分
• 83-1.6 特征脸识别-论文精读PCA补充
• 84-1.7 特征脸识别-论文精读特征脸计算上
• 85-1.8 特征脸识别-论文精读特征脸计算中
• 86-1.9 特征脸识别-论文精读特征脸计算下
• 87-1.10 特征脸识别-代码讲解pca计算
• 88-1.11 特征脸识别-代码讲解特征提取以及人脸重构
• 89-1.12 特征脸识别-代码讲解人脸分类之最短距离方法
• 90-1.13 特征脸识别-代码讲解人脸分类之SVM方法
• 91-1.14 特征脸识别-代码讲解人脸分类之神经网络方法
• 92-1.15 特征脸识别-论文总结
• 18-【NLP经典大赛】数据科学： 疫情期间网民情绪识别赛
• 01-打造舒适的AI开发环境
• 02-【01课】赛题详解
• 03-【02课】比赛专题讲解
• 04-【03课】模型调参和文本增强比赛专题讲解
• 05-【04课】比赛思路进阶专题讲解
• 06-【05课】比赛思路全复盘（纯干货）
• 19-面试刷题班
• 04-开营仪式—老师部分
• 05-【了解机器学习中的特征工程和模型评估】P1快速排序
• 06-【了解机器学习中的特征工程和模型评估】P2堆排序
• 07-【了解机器学习中的特征工程和模型评估】P3滑动窗口
• 08-【了解机器学习中的特征工程和模型评估】P4双指针
• 09-【了解监督学习中的经典算法】P1逻辑回归
• 10-【了解监督学习中的经典算法】P2决策树
• 12-【学习支持向量机】P1几个重要的概念
• 13-【学习支持向量机】P2svm最优化问题
• 14-【学习支持向量机】P3硬间隔SVM最优化问题的推导
• 15-【学习支持向量机】P4线性可分SVM
• 16-【学习支持向量机】P5核函数
• 17-【学习支持向量机】P6smo算法
• 18-【数据结构和算法】P1KMP算法
• 19-【数据结构和算法】P2二分搜索
• 20-【数据结构和算法】P3哈希表
• 21-【了解机器学习中如何降维处理】PCA和LDA
• 23-【了解机器学习中的非监督学习算法】K-means
• 24-【数据结构和算法】P1虚拟头结点
• 25-【数据结构和算法】P2链表中环的入口结点
• 26-【数据结构和算法】P3删除链表中重复的结点
• 27-【数据结构和算法】P4栈，队列
• 28-【机器学习中的概率图模型】P1hmm的引出和问题的介绍
• 29-【机器学习中的概率图模型】P2HMM预测问题之维特比算法
• 30-【机器学习中的概率图模型】P3crf的一些基础概念
• 31-【机器学习中的概率图模型】P4crf具体介绍
• 33-【数据结构和算法】P1DFS和BFS
• 34-【数据结构和算法】P2最短路径
• 35-【数据结构和算法】P3最小生成树
• 36-【数据结构和算法】P4二叉树的遍历
• 37-【数据结构和算法】P4二叉搜索树和平衡二叉树
• 38-【前向神经网络】P1网络图和激活函数
• 39-【前向神经网络】P2前向传播
• 40-【前向神经网络】P3损失函数选用
• 41-【前向神经网络】P4反向传播1
• 42-【前向神经网络】P5反向传播2
• 43-【了解序列数据中常用的循环神经网络】P1RNN
• 44-【了解序列数据中常用的循环神经网络】P2GRU和LSTM
• 46-【集成学习的原理和常见的集成学习】P1提升树算法
• 47-【集成学习的原理和常见的集成学习】P2梯度提升树算法
• 48-【集成学习的原理和常见的集成学习】P3二分类问题
• 49-【集成学习的原理和常见的集成学习】P4多分类问题和回归问题
• 50-【数据结构和算法】01背包问题
• 51-【数据结构和算法】什么是动态规划(leetcode 70题)
• 52-【数据结构和算法】回溯法(机器人的运动范围)
• 53-【数据结构和算法】什么是递归(斐波那契额数列-跳台阶-变态跳台阶)
• 54-【数据结构和算法】leetcode416（01背包实例）
• 55-【数据结构和算法】最长公共子序列(leetcode 1143题)
• 56-【数据结构和算法】最长上升子序列(leetcode 300题)
• 57-【xgboost的原理以及常见面试题】P1xgboost的一些预备知识
• 58-【xgboost的原理以及常见面试题】P2结构分
• 59-【xgboost的原理以及常见面试题】P3贪心算法寻找分裂点
• 60-【xgboost的原理以及常见面试题】P4近似算法和加权分桶
• 61-【xgboost的原理以及常见面试题】P5缺失值处理算法
• 62-【xgboost的原理以及常见面试题】P6其他优化
• 64-【了解优化算法的原理】P1深度学习中的优化问题
• 65-【了解优化算法的原理】P2梯度下降简单的数学原理
• 66-【了解优化算法的原理】P3随机梯度下降和小批量随机梯度下降
• 67-【了解优化算法的原理】P4动量法
• 68-【了解优化算法的原理】P5常见的一些改进的优化算法
• 69-【了解常见的采样方法-作用-具体实现，以及应用】P1蒙塔卡罗模拟定积分和重要性采样
• 70-【了解常见的采样方法-作用-具体实现，以及应用】P2
• 71-【了解常见的采样方法-作用-具体实现，以及应用】P3
• 72-【了解常见的采样方法-作用-具体实现，以及应用】P4
• 74-面试刷题班 8月5日直播答疑
• 76-面试刷题班 8月9日直播答疑
• 78-面试刷题班 8月15日直播答疑
• 80-面试刷题班 8月22日直播答疑
• 20-05 NLP基础知识
• 02-1-1 前言…mp4
• 03-1-2 研究方向概述…mp4
• 04-2-1 预备知识…mp4
• 05-2-2 NLP问题中的特征…mp4
• 06-2-3 特征输入…mp4
• 07-2-4 文本的向量化表示与案例实现…mp4
• 08-3-1 统计语言模型简介与案例实现…mp4
• 09-3-2 语言模型任务评估…mp4
• 10-3-3 神经语言模型简介与代码实现…mp4
• 11-3-4 预训练的词表示及其使用实例…mp4
• 12-4-1 word2vec原理…mp4
• 13-4-2 word2vec代码复现…mp4
• 14-4-3 word2vec项目实战展示…mp4
• 15-4-4 BERT使用实战讲解…mp4
• 16-4-5 MLP模型与实战…mp4
• 17-4-6 RNN模型原理-代码复现与实战…mp4
• 18-5-1 HMM序列标注…mp4
• 19-5-2 HMM模型简介…mp4
• 20-5-3 HMM样本生成…mp4
• 21-5-4 HMM训练…mp4
• 22-5-5 HMM预测…mp4
• 23-5-6 HMM代码实现…mp4
• 代码资料汇总
• 02代码资料汇总
• 02线性回归
• 03逻辑回归
• 04决策树
• 05朴素贝叶斯
• 06支持向量机
• 07聚类
• 08主成分分析
• 09集成学习
• 10案例
• 课件合集PDF版本
• 01机器学习概述
• 01-01-机器学习概述
• 02线性回归
• 02-01-线性回归简介、数学符号、假设函数、损失函数、代价函数
• 02-02-梯度下降法
• 02-03-梯度下降法代码实现
• 02-04-使用梯度下降法求解线性回归问题
• 02-05-线性回归代码实现
• 02-06-线性回归代码实现-做特征归一化
• 02-07-批量梯度下降，随机梯度下降，小批量梯度下降
• 02-08-几种常见的模型评价指标
• 02-09-欠拟合与过拟合
• 02-10-Ridge回归求解与代码实现
• 02-11-LASSO回归求解
• 02-12-LASSO回归求解举例说明
• 02-13-LASSO回归代码实现
• 02-14-最小二乘法求线性回归
• 02-15-最小二乘法代码实现
• 02-16-使用Sklearn实现Ridge，LASSO和ElasticNet
• 02-17-波士顿房价预测
• 03逻辑回归
• 03-01-逻辑回归简介、假设函数、损失函数、成本函数
• 03-02-逻辑回归求解
• 03-03-一个示例解释逻辑回归的求解公式
• 03-04-逻辑回归代码实现
• 03-05-逻辑回归的正则化
• 03-06-逻辑回归实现多分类方法
• 03-07-使用Sklearn实现逻辑回归
• 03-08-案例：鸢尾花分类
• 03-09-案例：手写数字识别
• 04决策树
• 04-01-决策树简介、熵
• 04-02-条件熵及计算举例
• 04-03-信息增益、ID3算法
• 04-04-决策树代码实现
• 04-05-C4
• 04-06-基尼指数(Gini Index)生成决策树
• 04-07-决策树剪枝
• 04-08-决策树处理连续值与缺失值
• 04-09-多变量决策树
• 04-10-Sklearn实现决策树
• 04-11-案例：使用决策树进行个人信用风险评估
• 05朴素贝叶斯
• 05-01-贝叶斯决策简介
• 05-02-贝叶斯决策模型
• 05-03-朴素贝叶斯模型
• 05-04-朴素贝叶斯代码实现
• 05-05-拉普拉斯修正及代码实现
• 05-06-朴素贝叶斯如何处理连续型数据
• 05-07-Sklearn实现朴素贝叶斯
• 05-08-案例：垃圾邮件识别
• 06支持向量机
• 06-01-支持向量机简介
• 06-02-线性可分支持向量机(几何间隔，函数间隔，目标函数)
• 06-03-拉格朗日乘子法求带有等式约束的极值问题
• 06-04-拉格朗日乘子法求带有不等式约束的极值问题、KKT条件
• 06-05-目标函数求解(1
• 06-06-目标函数求解(2
• 06-07-SVM求解举例
• 06-08-线性支持向量机的目标函数
• 06-09-线性支持向量机目标函数优化
• 06-10-非线性支持向量机简介
• 06-11-非线性支持向量机的目标函数
• 06-12-SMO算法推导结果
• 06-13-SVM代码实现
• 06-14-SMO算法推导过程
• 06-15-SVM总结
• 06-16-Sklearn实现SVM
• 06-17-案例：使用SVM完成人脸识别
• 07聚类
• 07-01-K-means基本原理及推导
• 07-02-K-means中距离计算方法
• 07-03-K-means代码实现
• 07-04-层次聚类原理及距离计算
• 07-05-层次聚类举例
• 07-06-Sklearn实现层次聚类
• 07-07-密度聚类
• 07-08-Sklearn实现密度聚类
• 07-09-高斯混合模型介绍
• 07-10-高斯混合模型参数估计
• 07-11-高斯混合模型代码实现
• 07-12-案例：对亚洲足球队进行聚类分析
• 08主成分分析
• 08-01-主成分分析介绍
• 08-02-协方差矩阵的特征值分解算法
• 08-03-协方差矩阵的特征值分解算法代码实现
• 08-04-基于数据矩阵的奇异值分解算法
• 08-05-基于数据矩阵的奇异值分解算法代码实现
• 08-06-Sklearn实现PCA
• 08-07-案例：PCA实现照片压缩
• 09集成学习
• 09-01-集成学习介绍
• 09-02-Voting能够提高准确度的原因
• 09-03-Voting原理
• 09-04-Voting代码实现
• 09-05-Bagging与随机森林及其代码实现
• 09-06-Boosting
• 09-07-Adaboost举例
• 09-08-AdaBoost代码实现
• 09-09-GBDT之提升和提升树概念
• 09-10-GBDT梯度提升树
• 09-11-XGBoost介绍，目标函数，正则项
• 09-12-XGBoost求解
• 09-13-XGBoost树结构生成
• 09-14-XGBoost代码实现
• 09-15-Stacking
• 09-16-Stacking 代码实现