资源介绍：

人工智能深度学习是近年来发展迅速的计算机科学领域，在计算机视觉、自然语言处理、语音识别、推荐系统等多个领域有着广泛的应用。随着人工智能技术的不断发展，对高素质人工智能人才的需求也越来越大

本课程旨在帮助学员掌握人工智能深度学习的核心理论和实践技能，为学员在人工智能领域就业或创业奠定基础

课程目录

• 0-资料密码：MTcrr18oGVEnPXmy
• 这是密码，返回从1看视频课
• 1-人工智能基础-快速入门
• 1：人工智能就业前景与薪资
• 2：人工智能适合人群与必备技能
• 3：人工智能时代
• 4：人工智能在各领域的应用
• 5：人工智能常见流程
• 6：机器学习不同的学习方式
• 7：深度学习比传统机器学习有优势
• 8：有监督机器学习任务与本质
• 9：无监督机器学习任务与本质
• 10-机器学习与大数据-Kaggle竞赛实战
• 章节1：药店销量预测案例
• 1：Rossmann药店销量预测_kaggle的介绍
• 2：对数据字段的介绍_导包
• 3：自定义损失函数
• 4：对数据里面的目标变量sales的一个分析
• 5：数据的预处理
• 6：模型的训练_评估
• 7：kaggle竞赛网站学习
• 代码
• 新建文本文档.txt
• 章节2：网页分类案例
• 10：评估指标ROC和AUC
• 11：竞赛其他相关提交成绩排行榜
• 12：数据导入
• 13：MLlib对网页分类竞赛数据预处理
• 14：MLlib对网页分类竞赛数据预处理_模型训练
• 15：MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数
• 16：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01
• 17：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02
• 18：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03
• 19：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04
• 8：Kaggle网页分类竞赛介绍
• 9：评估指标ROC和AUC
• 代码
• 11-机器学习与大数据-海量数据挖掘工具
• 章节1：Spark计算框架基础
• 10：分布式计算所需进程
• 11：两种算子操作本质区别
• 12：Spark算子操作实战讲解_代码实战WordCount_01
• 13：Spark算子操作实战讲解_代码实战WordCount_02
• 14：Spark算子操作实战讲解_代码实战WordCount_03
• 15：Spark算子操作实战讲解_代码实战WordCount_04
• 1：Spark特性_01
• 2：Spark特性_02
• 3：Spark对比hadoop优势
• 4：回顾hadoop讲解shuffle
• 5：分布式计算框架Shuffle的原理_01
• 6：分布式计算框架Shuffle的原理_02
• 7：分布式计算框架Shuffle的原理_03
• 8：Spark的RDD特性_01
• 9：Spark的RDD特性_02
• 代码
• 资料
• 章节2：Spark计算框架深入
• 1.txt
• 16：Spark数据缓存机制
• 17：Spark宽依赖和窄依赖_01
• 18：Spark宽依赖和窄依赖_02
• 19：Spark宽依赖和窄依赖_03
• 20：Spark术语总结
• 21：分布式文件系统Block块的大小配置
• 22：Spark程序启动运行流程详解_01
• 23：Spark程序启动运行流程详解_02
• 24：Spark程序启动运行流程详解_03
• 25：讲解构建稀疏和稠密向量_01
• 26：讲解构建稀疏和稠密向量_01
• 27：构建LabeledPoint
• 28：介绍SparkMLlib模块中实现的算法和调用
• 章节3：Spark机器学习MLlib和ML模块
• 29：SparkMLlib对于逻辑回归算法的调用
• 30：SparkMLlib调用逻辑回归_自定义阈值_1
• 31：SparkMLlib调用逻辑回归_自定义阈值_2
• 32：SparkMLlib调用逻辑回归_使用标准归一化_1
• 33：SparkMLlib调用逻辑回归_使用标准归一化_2
• 34：SparkMLlib调用逻辑回归_使用标准归一化_3
• 35：SparkMLlib调用逻辑回归_使用标准归一化_4
• 36：SparkMLlib调用KMeans聚类_调用决策树(1)_1
• 37：SparkMLlib调用KMeans聚类_调用决策树(1)_2
• 38：SparkMLlib调用KMeans聚类_调用决策树(1)_3
• 39：使用逻辑回归和随机森林对股票Stock预测案例实战_1
• 40：使用逻辑回归和随机森林对股票Stock预测案例实战_2
• 41：使用逻辑回归和随机森林对股票Stock预测案例实战_3
• 42：从数据转化到训练集的构建
• 43：模型的训练以及评估和调超参_1
• 44：模型的训练以及评估和调超参_2
• 45：模型的训练以及评估和调超参_3
• 46：SparkML机器学习库概念讲解_1
• 47：SparkML机器学习库概念讲解_2
• 48：SparkML机器学习库代码实战讲解_1
• 49：SparkML机器学习库代码实战讲解_2
• 50：SparkML网页分类案例代码实战续（1）_1
• 51：SparkML网页分类案例代码实战续（1）_2
• 52：SparkML网页分类案例代码实战续（2）_1
• 53：SparkML网页分类案例代码实战续（2）_2
• 54：SparkML网页分类案例代码实战续（3）
• 资料
• 12-机器学习与大数据-推荐系统项目实战
• 章节1：推荐系统–流程与架构
• 10：推荐系统列表_关联特征权重_基本特征权重的计算_2
• 11：推荐系统列表_关联特征权重_基本特征权重的计算_3
• 12：推荐系统_数据源_1
• 13：推荐系统_数据源_2
• 1：推荐系统_隐式用户反馈_1
• 2：推荐系统_隐式用户反馈_2
• 3：推荐系统_协同过滤_1
• 4：推荐系统_协同过滤_2
• 5：推荐系统_协同过滤_3
• 6：推荐系统_协同过滤_4
• 7：推荐系统架构_实时_离线_1
• 8：推荐系统架构_实时_离线_2
• 9：推荐系统列表_关联特征权重_基本特征权重的计算_1
• 数据
• 资料
• 章节2：推荐系统–数据预处理和模型构建评估实战
• 14：HQL语句_python脚本构建中间结果_1
• 15：HQL语句_python脚本构建中间结果_2
• 16：HQL语句_python脚本构建中间结果_3
• 17：HQL语句_python脚本构建中间结果_4
• 18：推荐系统_数据预处理_spark构建特征索引_标签列_1
• 19：spark构建特征索引_标签列_2
• 20：spark构建特征索引_标签列_3
• 21：spark构建特征索引_标签列_4
• 22：MLlib调用算法计算模型文件并存储_1
• 23：MLlib调用算法计算模型文件并存储_2
• 24：MLlib调用算法计算模型文件并存储_3
• 25：ACC准确率和AUC面积的计算以及意义
• 代码
• 软件
• 数据
• 资料
• 章节3：推荐系统–模型使用和推荐服务
• 26：推荐模型文件使用思路
• 27：Redis数据库安装及其使用
• 28：实时在线推荐列表计算逻辑代码讲解_1
• 29：实时在线推荐列表计算逻辑代码讲解_2
• 30：实时在线推荐列表计算逻辑代码讲解_3
• 31：实时在线推荐列表计算逻辑代码讲解_4
• 32：使用Dubbo将推荐系统做成服务_1
• 33：使用Dubbo将推荐系统做成服务_2
• 34：使用Dubbo将推荐系统做成服务_3
• 35：Dubbo推荐服务演示_SparkMLlib介绍_1(1)
• 35：Dubbo推荐服务演示_SparkMLlib介绍_1
• 36：Dubbo推荐服务演示_SparkMLlib介绍_2
• 37：Dubbo推荐服务演示_SparkMLlib介绍_3
• 代码
• 13-深度学习-原理和进阶
• 章节1：神经网络算法
• 1：神经网络是有监督的算法_生物神经元到人工神经元
• 2：三种常见的激活函数_网络拓扑介绍_优化算法
• 3：单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类
• 4：用神经网络理解Softmax回归
• 5：隐藏层的意义_隐藏层相当于去做预处理_升维降维
• 6：多节点网络输出_sklearn中NN模块的介绍
• 7：sklearn中NN模型的代码使用
• 8：隐藏层激活函数必须是非线性的
• 9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装
• 神经网络
• 资料
• 章节2：TensorFlow深度学习工具
• 11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功
• 12：Tensorflow代码运行机制_TF基础的代码
• 13：TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式
• 14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据
• 15：TF实现Softmax回归来识别MNIST手写数字
• 16：TF实现DNN来识别MNIST手写数字
• 代码
• 软件
• 章节3：反向传播推导_Python代码实现神经网络
• 1.txt
• 17：反向传播_链式求导法则
• 18：反向传播推导(一)
• 19：反向传播推导(二)从输出层到最后一个隐藏层
• 20：反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例
• 21：反向传播推导(四)关于Δ和a还有梯度的更新事宜
• 22：python实现神经网络训练代码讲解(一)
• 23：python实现神经网络正向反向传播训练
• 代码
• 资料
• 14-深度学习-图像识别原理
• 章节1：卷积神经网络原理
• 章节2：卷积神经网络优化
• 章节3：经典卷积网络算法
• 章节4：古典目标检测
• 章节5：现代目标检测之FasterRCNN
• 15-深度学习-图像识别项目实战
• 章节1：车牌识别
• 1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01
• 2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02
• 3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03
• 4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04
• 5：车牌识别项目关于目标检测的问题
• car_license
• 章节2：自然场景下的目标检测及源码分析
• 10：FasterRCNN项目代码_模型的训练
• 11：回归整体训练流程_详解读取数据blob_01
• 12：回归整体训练流程_详解读取数据blob_02
• 13：回归整体训练流程_详解读取数据blob_03
• 14：回归整体训练流程_详解读取数据blob_04
• 15：FasterRCNN代码_构建head
• 16：FasterRCNN代码_构建RPN网络_01
• 17：FasterRCNN代码_构建RPN网络_02
• 18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01
• 19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02
• 20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制
• 21：FasterRCNN代码_给RPN准备正负例样本_01
• 22：FasterRCNN代码_给RPN准备正负例样本_02
• 23：FasterRCNN代码_给RPN准备正负例样本_03
• 24：FasterRCNN代码_给RPN准备正负例样本_04
• 25：FasterRCNN代码_给RPN准备正负例样本_05
• 26：FasterRCNN代码_给RPN准备正负例样本_06
• 28：FasterRCNN代码_给RPN准备正负例样本_08
• 29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01
• 30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02
• 31：FasterRCNN代码_添加Loss损失_smoothL1loss
• 4：双线性插值
• 6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明
• 7：FasterRCNN项目代码_数据加载
• 8：FasterRCNN项目代码_数据增强
• 9：FasterRCNN项目代码_数据初始化
• Faster-RCNN-TensorFlow-Python3.5-master
• 资料
• 章节3：图像风格迁移
• 1.txt
• 32：图片风格融合项目_架构_代码实现要点_1
• 33：图片风格融合项目_架构_代码实现要点_2
• 34：图片风格融合项目_架构_代码实现要点_3
• 35：图片风格融合项目_架构_代码实现要点_4
• style_transfer
• 16-深度学习-目标检测YOLO(V1-V4全版本)实战
• 章节1：YOLOv1详解
• 1：YOLOv1论文详解_算法特点介绍
• 2：YOLOv1论文详解_网络架构_思想
• 3：YOLOv1论文详解_训练中的技巧_Loss损失函数
• 4：YOLOv1论文详解_NMS_局限性
• 章节2：YOLOv2详解
• 5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes
• 6：YOLOv2论文详解_mAP更better的一些点
• 7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签
• 8：YOLOv2论文详解_层级分类_层级分类用于目标检测
• 章节3：YOLOv3详解
• 10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53
• 11：YOLOv3论文详解_总结_FocalLoss
• 12：YOLOv4论文概述_介绍
• 13：YOLOv4论文概述_BOS_BOF
• 9：YOLOv3论文详解_每个框都要预测多个类别概率
• 章节4：YOLOv3代码实战
• 14：YOLOv3代码剖析_项目介绍
• 15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络
• 16：YOLOv3代码剖析_model输出之后的预测框的计算
• 17：YOLOv3代码剖析_使用model预测的其余代码
• 18：YOLOv3代码剖析_weights到h5模型的转换
• 19：YOLOv3代码剖析_模型的训练部分详解
• 章节5：YOLOv4详解
• 20：YOLOv4_BOF_DropBlock_FocalLoss
• 21：YOLOv4_BOF_GIoU_DIoU_CIoU
• 22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish
• 23：YOLOv4_BOS_SAM_PAN_CSP_CmBN
• keras-yolo3-master
• 资料
• 17-深度学习-语义分割原理和实战
• 章节1：上采样_双线性插值_转置卷积
• 1：前言
• 2：上采样_repeat
• 3：线性插值
• 4：双线性插值
• 5：转置卷积_以及TF的API
• 6：双线性插值作为转置卷积核的初始参数
• 7：ROIAlign
• 8：FPN思想与网络结构
• 9：FPN应用于FasterRCNN_ResNetFPN
• 代码
• 资料
• 章节2：医疗图像UNet语义分割
• 10：语义分割的基本概念
• 11：FCN全卷积网络做语义分割
• 12：UNet网络结构
• 13：UNet网络医疗图像的语义分割
• U-Net
• 资料
• 章节3：蒙版弹幕MaskRCNN语义分割
• 14：MaskRCNN网络结构
• 15：MaskRCNN的项目展示
• 16：MaskRCNN网络架构回顾
• 17：MaskRCNN根据文档和论文总结重要的知识点
• 18：MaskRCNN项目关于运行代码环境的说明
• 19：MaskRCNN源码config和model
• 代码
• 资料
• 18-深度学习-人脸识别项目实战
• 章节1：人脸识别
• 10：人脸识别项目代码_加载MTCNN模型
• 11：人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框
• 12：FaceNet论文_摘要和前情介绍
• 13：FaceNet论文_相关的介绍
• 14：FaceNet论文_TripleLoss思路来源和目标
• 15：FaceNet论文_TripleLoss损失函数
• 16：FaceNet论文_TripleSelection很至关重要
• 17：FaceNet论文_ZF和Inception对比_总结
• 18：人脸识别项目代码_FaceNet模型加载和使用
• 19：人脸识别项目代码_人脸匹配以及最后的绘图展示
• 1：人脸识别任务种类_具体做法思路
• 2：开源的FaceNet项目介绍
• 3：人脸识别项目代码整体结构
• 4：MTCNN论文_摘要和介绍
• 5：MTCNN论文_网络整体架构
• 6：PRelu_每阶段输出多分支意义
• 7：每一个阶段每个分支的Loss损失_整合每个分支的Loss
• 8：训练数据的准备_每一阶段训练的流程
• 9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接
• facenet-master
• 模型
• 资料
• 19-深度学习-NLP自然语言处理原理和进阶
• 章节1：词向量与词嵌入
• 1：N-gram语言模型
• 2：NPLM神经网络语言模型
• 3：词向量的作用
• 4：CBOW模型思想和计算过程
• 5：Skip-gram模型思想和计算过程
• 6：Huffman树_分层Softmax的思想
• 7：分层Softmax应用到CBOW模型上
• 8：负采样和负采样应用到CBOW模型上
• Word2Vec
• 资料
• 章节2：循环神经网络原理与优化
• 10：理解RNN循环神经网络计算流程
• 11：利用RNN循环神经网络对MNIST手写数字识别
• 12：理解LSTM长短时记忆_记住Topo和公式
• 13：VanillaRNN的回顾复习
• 14：补充讲一下为什么RNN中链越长越容易梯度消失
• 15：LSTM的回顾复习_LSTM手写数字识别
• 16：双向RNN_LSTM
• 17：RNN里面应用的Topology结构
• 9：理解RNN循环神经网络拓扑结构
• RNN_Attention机制
• 代码
• 资料
• 章节3：从Attention机制到Transformer
• 18：Seq2Seq中Attention注意力机制
• 19：Transformer_Self-Attention_Multi-head
• 20：Transformer_Positional_使用逻辑_网络结构总结
• 资料
• 章节4：ELMO_BERT_GPT
• 21：ELMO
• 22：BERT理论
• 23：ERNIE_GPT
• RNN_Attention机制
• 2-人工智能基础-Python基础
• 章节1：Python开发环境搭建
• 1：下载Miniconda运行环境
• 2：Miniconda安装和测试
• 3：Pycharm安装和代码运行
• 4：Jupyter安装和代码运行
• 5：Jupyter常用快捷键
• 6：Conda虚拟环境创建与Python模块安装
• 7：关联虚拟环境运行代码
• 代码
• 人工智能-第1阶段Python基础
• 人工智能-第1阶段python进阶和高级编程
• 章节2：Python基础语法
• 10：Python_控制语句_多分支_三元条件运算符
• 11：Python_控制语句_while循环
• 12：Python_控制语句_for循环
• 13：Python_控制语句_嵌套循环
• 14：Python_控制语句_break_continue
• 15：Python_切片操作
• 16：Python_数据类型
• 17：Python_集合操作_列表
• 18：Python_集合操作_列表的基本操作
• 19：Python_集合操作_列表的常用方法
• 20：Python_集合操作_元组
• 21：Python_集合操作_字典和常见操作
• 22：Python_集合操作_字典keys方法_enumerate函数
• 23：Python_os模块_shutil模块
• 24：Python_打开并读取文件_中文编码问题
• 25：Python_函数_定义_调用_返回值_注释
• 26：Python_函数_局部变量_全局变量
• 27：Python_函数_默认参数_可变参数
• 28：Python_函数_递归
• 29：Python_函数式编程_高阶函数
• 30：Python_函数式编程_map_reduce_filter_匿名函数
• 31：Python_函数_闭包
• 32：Python_函数_装饰器
• 33：Python_类对象_定义与实例化对象
• 34：Python_类对象_实例属性和方法_类属性和方法
• 35：Python_类对象_内置方法
• 36：Python_类对象_运算符重载_私有对象方法_isinstance函数
• 37：Python_类对象_面向对象三大特性_类的继承
• 38：Python_类对象_子类复用父类构造器和方法_方法重写
• 8：Python是强类型的动态脚本语言
• 新建文本文档.txt
• 20-深度学习-NLP自然语言处理项目实战
• 章节1：词向量
• 章节2：自然语言处理–情感分析
• 章节3：AI写唐诗
• 章节4：Seq2Seq聊天机器人
• 章节5：实战NER命名实体识别项目
• 章节6：BERT新浪新闻10分类项目
• 章节7：GPT2聊天机器人
• 21-深度学习-OCR文本识别
• 章节1：深度学习-OCR文本识别
• 10：CRNN项目代码剖析
• 1：传统OCR识别_深度学习OCR识别
• 2：OCR识别本质就是文字检测和文字识别
• 3：OCR识别的CTC损失思想
• 4：总结理解深度学习文字识别架构
• 5：CTC损失函数的理解
• 6：CTC损失函数前向后向算法推导_梯度求导公式推导
• 7：CTC前向后向算法代码
• 8：GreedySearch和BeamSearch解码的方式与代码逻辑
• 9：CPTN项目代码剖析
• 资料
• 22-【加课】Pytorch项目实战
• 章节1：PyTorch运行环境安装_运行环境测试
• 1：PyTorch概述
• 2：PyTorch的安装
• 3：Pycharm关联PyTorch运行环境
• 4：Jupyter关联PyTorch运行环境
• 章节2：PyTorch基础_Tensor张量运算
• 5：Tensor的创建
• 6：修改Tensor的形状_索引操作
• 7：广播机制_逐元素操作
• 8：归并操作_比较操作_矩阵操作
• 章节3：PyTorch卷积神经网络_实战CIFAR10
• 10：PyTorch实战CIFAR10_构建网络_打印网络层次
• 11：PyTorch实战CIFAR10_训练模型_测试模型
• 12：PyTorch实战CIFAR10_分类别打印模型准确率
• 13：使用全局平均池化_使用LeNet模型
• 14：使用集成学习思想训练识别模型
• 15：使用VGG16模型提供准确率
• 16：torchvision里面的预训练模型
• 17：迁移学习_PyTorch代码实战冻结预训练模型参数
• 18：PyTorch代码实战加入数据增强
• 9：PyTorch实战CIFAR10数据_读取和展示
• 章节4：PyTorch循环神经网络_词性标注
• 19：PyTorch词性标注_构建数据和词索引号
• 20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层
• 21：PyTorch词性标注_构建数据索引化和训练模型代码
• 22：PyTorch词性标注_测试模型效果
• 章节5：PyTorch编码器解码器_机器翻译
• 23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引
• 24：PyTorch中英文翻译_数据预处理
• 25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器
• 26：PyTorch中英文翻译_构建训练函数之Encoder计算
• 27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器
• 28：PyTorch中英文翻译_构建训练函数之Decoder计算
• 29：PyTorch中英文翻译_评估模型函数
• 30：PyTorch中英文翻译_绘制Attentions注意力权重
• 代码
• 资料
• 23-【加课】百度飞桨PaddlePaddle实战【新增】
• 章节1：PaddlePaddle框架安装_波士顿房价预测
• 代码
• 数据
• 1：安装PaddlePaddle
• 2：Pycharm运行出现mkl-service或DLL找不到的问题
• 3：PaddlePaddle求解线性模型
• 4：预测波士顿房价_数据读取_正向传播
• 5：预测波士顿房价_反向传播_模型保存_模型测试
• 章节2：PaddlePaddle卷积网络_病理性近视识别
• 代码
• 数据
• 6：预测病理性近视_图片数据读取
• 7：预测病理性近视_模型训练
• 8：预测病理性近视_定义模型结构_评估模型
• 9：预测病理性近视_调用经典卷积神经网络
• 章节3：PaddleDetection工具_PCB电路板缺陷检测
• 代码
• 数据
• 10：PaddleDetection_项目配置
• 11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题
• 12：PCB电路板缺陷检测_Images和Annotations
• 13：PCB电路板缺陷检测_前期数据的分析
• 14：PCB电路板缺陷检测_项目配置文件
• 15：PCB电路板缺陷检测_模型训练
• 16：PCB电路板缺陷检测_模型预测
• 章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
• 代码
• 数据
• 17：PaddleOCR_项目配置_CCPD数据集介绍
• 18：车牌识别项目_详解数据准备阶段代码
• 19：车牌识别项目_运行保存标签和剪切出的车牌图片
• 20：车牌识别项目_车牌目标框检测模型训练
• 21：车牌识别项目_车牌字符识别模型训练
• 22：车牌识别项目_车牌识别模型导出及预测
• 章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）
• 代码
• 数据
• 23：PaddleNLP_项目配置
• 24：PaddleNLP_物流信息提取项目介绍
• 25：物流信息提取项目_解决导包显示找不到nul问题
• 26：PaddleNLP_物流信息提取项目_加载数据构建DataSet
• 27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader
• 28：PaddleNLP_物流信息提取项目_构建网络模型
• 29：PaddleNLP_物流信息提取项目_模型训练
• 30：PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果
• 章节6：PaddleNLP模块_物流信息提取（ERNIE版）
• 代码
• 数据
• 31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset
• 32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用
• 33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码
• 34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果
• 24-【加课】Linux环境编程基础
• 章节1：Linux
• 10：Linux_常用命令_clear-touch-cat命令
• 11：Linux_常用命令more-head-tail命令
• 12：Linux_常用命令_mkdir命令
• 13：Linux_常用命令_cp命令
• 14：Linux_常用命令_rm-mv命令
• 15：Linux_常用命令_vi-vim
• 16：Linux_常用命令_reboot-halt
• 17：Linux_常用配置_设置时区
• 18：Linux_常用配置_启动网络
• 19：Linux_常用配置_修改网段
• 1：Linux_课程介绍
• 20：Linux_常用配置_设置网络类型
• 21：Linux_常用配置_快照与克隆
• 22：Linux_Xshell的安装与使用
• 23：Linux_上传与下载_Xftp的使用
• 24：Linux_上传与下载_lrzsz工具
• 25：Linux_文件的压缩与解压缩处理
• 26：Linux_安装MySQL
• 2：Linux_Linux简介
• 3：Linux_VMWare安装及使用
• 4：Linux_安装Linux
• 5：Linux_目录介绍
• 6：Linux_Linux中的路径
• 7：Linux_常用命令_pwd命令
• 8：Linux_常用命令_cd命令
• 9：Linux_常用命令_ls与ll命令
• 软件
• 文档
• 25-【加课】算法与数据结构
• 章节1：算法与数据结构
• 10：哈希表的基本结构
• 11：哈希表冲突问题
• 12：哈希表冲突问题2
• 13：哈希扩容
• 14：递归与栈
• 15：线性查找
• 16：二分查找
• 17：冒泡排序
• 18：选择排序
• 19：插入排序
• 1：数据结构与算法简介
• 20：归并排序
• 21：快速排序
• 22：树结构
• 23：树结构的遍历
• 24：最大堆的增加操作
• 25：最大堆的删除操作
• 26：二叉树的查找
• 27：二叉树获取最小值
• 28：二叉树的添加
• 29：二叉树的删除
• 2：大O表示法
• 3：线性结构
• 4：单线链表1
• 5：单链表2
• 6：双链表
• 7：队列(链式)
• 8：队列(线式)
• 9：栈与双端队列
• 资料
• 3-人工智能基础-Python科学计算和可视化
• 章节1：科学计算模型Numpy
• 1：Numpy_概述_安装_创建数组_获取shape形状
• 2：Numpy_array_arange
• 3：Numpy_random随机数生成
• 4：Numpy_ndarray属性_zeros_ones_like等创建数组函数
• 5：NumPy_reshape_切片操作_copy函数
• 6：Numpy_改变数组维度_数组的拼接
• 7：Numpy_数组的切分和转置
• 8：Numpy_算术运算_向上向下取整
• 9：Numpy_聚合函数
• 新建文本文档.txt
• 章节2：数据可视化模块
• 10：Matplotlib_概述_绘制直线图
• 11：Matplotlib_绘制正余弦曲线_散点图_添加图例
• 12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比
• 13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布
• 14：Matplotlib_绘制等高线图_绘制三维图像
• 人工智能-第1阶段数据分析（含办公自动化分析）
• 新建文本文档.txt
• 章节3：数据处理分析模块Pandas
• 15：Python_Pandas_Series对象创建
• 16：Python_Pandas_DataFrame对象创建
• 17：Python_Pandas_获取Series对象的值
• 18：Python_Pandas_获取DataFrame对象的值
• 19：Python_Pandas_条件过滤
• 20：Python_Pandas_空值的删除与填充
• 21：Python_Pandas_拼接和合并
• 新建文本文档.txt
• 4-人工智能基础-高等数学知识强化
• 10：高阶导数_导数判断单调性_导数与极值
• 11：导数判断凹凸性_导数用于泰勒展开
• 12：向量的意义_n维欧式空间空间
• 13：行向量列向量_转置_数乘_加减乘除
• 14：向量的内积_向量运算法则
• 15：学习向量计算的用途举例
• 16：向量的范数_范数与正则项的关系
• 17：特殊的向量
• 18：矩阵_方阵_对称阵_单位阵_对角阵
• 19：矩阵的运算_加减法_转置
• 1：人工智能学习数学的必要性_微积分知识点
• 20：矩阵相乘
• 21：矩阵的逆矩阵
• 22：矩阵的行列式
• 23：多元函数求偏导
• 24：高阶偏导数_梯度
• 25：雅可比矩阵_在神经网络中应用
• 26：Hessian矩阵
• 27：二次型
• 28：补充关于正定负定的理解
• 29：特征值和特征向量(1)
• 2：线性代数_概率论知识点
• 30：特征值和特征向量(2)
• 31：特征值分解
• 32：多元函数的泰勒展开_矩阵和向量的求导
• 33：奇异值分解定义
• 34：求解奇异值分解中的UΣV矩阵
• 35：奇异值分解性质_数据压缩
• 36：SVD用于PCA降维
• 37：SVD用于协同过滤_求逆矩阵
• 38：概率论_随机事件与随机事件概率
• 39：条件概率_贝叶斯公式
• 3：最优化知识_数学内容学习重点
• 40：随机变量
• 41：数学期望和方差
• 42：常用随机变量服从的分布
• 43：随机向量_独立性_协方差_随机向量的正太分布
• 44：最大似然估计思想
• 45：最优化的基本概念
• 46：迭代求解的原因
• 47：梯度下降法思路
• 48：梯度下降法的推导
• 49：牛顿法公式推导以及优缺点
• 4：导数的定义_左导数和右导数
• 50：坐标下降法_数值优化面临的问题
• 51：凸集
• 52：凸函数
• 53：凸优化的性质_一般表达形式
• 54：拉格朗日函数
• 5：导数的几何意义和物理意义
• 6：常见函数的求导公式
• 7：导数求解的四则运算法则
• 8：复合函数求导法则
• 9：推导激活函数的导函数
• 数学
• 5-机器学习-线性回归
• 章节1：多元线性回归
• 章节2：梯度下降法
• 章节3：归一化
• 章节4：正则化
• 章节5：Lasso回归_Ridge回归_多项式回归
• 6-机器学习-线性分类
• 章节1：逻辑回归
• 1.txt
• 10：绘制逻辑回归损失函数_探索两个参数和损失函数变换关系
• 11：绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度
• 12：对逻辑回归函数进行求导_结论在后面会用到
• 13：对逻辑回归的损失函数求导_推导出导函数的形式
• 14：实战逻辑回归对鸢尾花数据集进行二分类
• 15：OneVsRest将多分类问题转化成多个二分类问题
• 16：实战逻辑回归对鸢尾花数据集进行多分类
• 1：逻辑回归_Sigmoid函数
• 2：sigmoid函数作用
• 3：逻辑回归为什么用sigmoid函数_预备知识
• 4：证明伯努利分布是指数族分布_推导出逻辑回归公式
• 5：回想多元线性回归公式其实也是从广义线性回归推导出来的
• 6：推导逻辑回归损失函数_得到总似然的公式
• 7：推导逻辑回归损失函数_得到最终形式
• 8：绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数
• 9：绘制逻辑回归损失函数_探索单个参数和损失的关系
• 代码
• 第五阶段_线性分类算法_逻辑回归和Softmax回归
• 章节2：Softmax回归
• 1.txt
• 17：证明多项式分布属于指数族分布一种
• 18：从广义线性回归的η推导出来Softmax的公式
• 19：有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本
• 20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数
• 21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性
• 22：逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别
• 23：实战音乐分类器_讲解需求和读取数据
• 24：实战音乐分类器_探索不同曲风音乐文件的时间频率图
• 25：实战音乐分类器_傅里叶变换可以帮助我们做什么
• 26：实战音乐分类器_代码使用傅里叶变换将混音文件进行投影
• 27：实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果
• 28：实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型
• 29：实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题
• 代码
• 数据
• 章节3：SVM支持向量机算法
• 1.txt
• 30：SVM与感知机关系_几何距离与函数距离
• 31：SVM的思想
• 32：几种SVM_SVM的损失函数
• 33：数学预备知识_拉格朗日函数
• 34：硬间隔SVM的两步优化
• 35：总结硬间隔SVM
• 36：软间隔SVM和总结流程
• 37：非线性SVM
• 38：SVM在sklearn中的使用_超参数
• SVM算法
• 代码
• 章节4：SMO优化算法
• 1.txt
• 39：SVM算法流程总结
• 40：SMO算法求解思路_分解成很多个子二次规划问题分别求解
• 41：SMO将交给它的目标函数变成二元函数进一步变成一元函数
• 42：对一元函数求极值点_推导出旧的α和新的α的关系
• 43：将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁
• 44：再次说明α2如何进行剪裁的思路_根据α2求α1
• 45：启发式选择两个α
• 46：如何计算阈值b
• 47：SVM的SMO实现读取数据和计算fx与Ei
• 48：SVM的SMO实现判断违背条件的α1
• 49：SVM的SMO实现应用公式计算alphas和b
• 50：SVM绘制已有数据点和超平面以及边界
• 51：关于sklearn中的SVM封装的类和超参
• 52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM
• 53：OVR和OVO多分类_算法小结_对比逻辑回归
• 代码
• 7-机器学习-无监督学习
• 章节1：聚类系列算法
• 1.txt
• 1：KMeans聚类流程_距离测度欧式距离和余弦距离
• 2：距离测度欧式距离和余弦距离的场景_TFIDF
• 3：KMeans的一些变形_KMeans的损失函数推导及假设
• 4：mini-batchKMeans_Canopy聚类_聚类评估指标
• 5：KMeans代码测试不同情况下的聚类效果
• 6：层次聚类_密度聚类_谱聚类
• 代码
• 聚类
• 章节2：EM算法和GMM高斯混合模型
• 1.txt
• 10：Jensen不等式的应用
• 11：将EM算法应用到GMM中并且推导出了μ和Σ的公式
• 12：将EM算法应用到GMM中并且推导出Π的公式
• 13：GMM前景背景分离
• 14：通过声音文件利用GMM算法识别性别
• 15：通过声音文件利用GMM算法识别是谁
• 7：单个高斯分布GM的参数估计
• 8：理解GMM高斯混合分布的对数似然函数
• 9：GMM参数估计Πμσ的流程
• EM算法与GMM模型
• 代码
• 章节3：PCA降维算法
• 1.txt
• 16：特征选择与特征映射
• 17：PCA的最大投影方差思路
• 18：最大投影方差推导_最小投影距离思路
• 19：SVD其实就可以去实现PCA了
• 20：PCA的几种应用
• PCA降维与SVD
• 8-机器学习-决策树系列
• 章节1：决策树
• 代码
• 文档
• 10：绘制决策树模型_寻找最优树深度
• 11：代码训练回归树拟合SineWave
• 12：后剪枝的意义
• 13：CCP代价复杂度后剪枝
• 14：CCP代价复杂度剪枝_α超参数设定
• 1：决策树模型的特点
• 2：决策树的数学表达
• 3：如何构建一颗决策树
• 4：什么是更好的一次划分
• 5：Gini系数
• 6：信息增益
• 7：熵与Gini系数关系_信息增益率
• 8：预剪枝以及相关超参数
• 9：代码实战决策树对鸢尾花数据集分类
• 新建文本文档.txt
• 章节2：集成学习和随机森林
• 代码
• 15：不同聚合方式_生成不同弱学习器方式
• 16：Bagging_Boosting_Stacking
• 17：随机森林
• 18：代码实战随机森林对鸢尾花数据集分类
• 19：OOB袋外数据
• 20：Adaboost算法思路
• 21：调整数据权重让权重正确率达到50%
• 22：Adaboost如何调整样本权重和求基模型权重
• 新建文本文档.txt
• 章节3：GBDT
• 代码
• 23：GBDT试图使用有监督最优化算法梯度下降求解F(x)
• 24：GBDT令每个弱学习器f(x)去拟合负梯度
• 25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树
• 26：GBDT应用于回归问题
• 27：GBDT回归举例_总结
• 28：GBDT应用于二分类问题
• 29：GBDT二分类拟合的负梯度依然是残差
• 30：GBDT中shrinkage学习率和最优树权重ρ可以共存
• 31：GBDT应用于多分类任务
• 32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度
• 33：GBDT多分类流程
• 34：对比GBDT回归-二分类-多分类相同点与不同点
• 35：GBDT二分类叶子节点分值计算推导
• 36：GBDT多分类叶子节点分值计算
• 37：GBDT二分类举例详解
• 38：GBDT多分类举例详解
• 39：计算特征重要度进行特征选择
• 40：GBDT用于特征组合降维
• 41：特征组合降维在GBDT+LR架构应用
• 42：GBDT在sklearn中源码剖析_初始化F(x)
• 43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算
• 44：GBDT+LR架构训练模型代码实现
• 45：GBDT+LR架构预测评估代码实现
• 新建文本文档.txt
• 章节4：XGBoost
• 代码
• 文档
• 46：回顾有监督机器学习三要素
• 47：Bias_Variance_Trade-off
• 48：基于树集成学习4个优点
• 49：回顾基于树集成学习的模型和参数并举例说明
• 50：通过目标函数Obj来达到准确率和复杂度平衡
• 51：Objective_vs_Heuristic
• 52：得出XGBoost最开始的Obj目标函数
• 53：推导XGBoost对Loss二阶泰勒展开之后的Obj
• 54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi
• 55：重新定义树ft和树的复杂度Ω
• 56：由每个叶子节点重组目标函数Obj
• 57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj
• 58：根据Obj收益指导每一次分裂从而学习一棵树结构
• 59：举例说明从连续型和离散型变量中寻找最佳分裂条件
• 60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率
• 61：样本权重对于模型学习的影响
• 62：总结XGBoost的特性_包括缺失值的处理策略
• 新建文本文档.txt
• 9-机器学习-概率图模型
• 章节1：贝叶斯分类
• 1.txt
• 1：朴素贝叶斯分类算法
• 2：TF-IDF
• 3：NB代码实现解析
• 4：sklearn中调用NB_顺便讲解了GridSearchCV
• 5：语言模型的设计目的_MLE的作用进行参数估计
• 6：贝叶斯网络_马尔可夫链
• NB_HMM
• 代码
• 章节2：HMM算法
• 1.txt
• 10：HMM预测问题使用维特比算法
• 11：HMM复习_明确概率计算问题要解决的目标
• 12：前向算法来解决概率计算问题
• 13：Viterbi算法案例详解
• 14：Viterbi算法代码实现
• 7：HMM隐马的定义
• 8：HMM隐马的三组参数_三个基本问题
• 9：HMM预测问题使用前向算法
• 代码
• 资料
• 章节3：CRF算法
• 1.txt
• 15：NER与分词和POS的关系_NER的标注策略_NER的主要方法
• 16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑
• 17：了解CRF层添加的好处
• 18：EmissionScore_TransitionScore
• 19：CRF的目标函数
• 20：计算CRF真实路径的分数
• 21：计算CRF所有可能路径的总分数
• 22：通过模型来预测新的句子的序列标签
• CRF_NER