课程介绍

课程目录

• 第14模块：自然语言处理实战案例（新）
• 7.3 N.gram模型
• 13.7 训练唐诗生成模型
• 14.1 效果演示
• 3.4 垃圾邮件过滤实例
• 13.3 数据预处理模块
• 13.5 RNN模型定义
• 2.7 降维可视化展示
• 7.4 词向量
• 2.8 聚类与主题模型
• 4.2 相似度计算
• 12.1 RNN网络架构
• 11.2 数据展示
• 1.3 正则表达式基本语法
• 5.10 维特比算法
• 13.8 测试唐诗生成效果
• 11.3 正负样本制作
• 10.3 词袋模型分析
• 7.1 开篇
• 7.7 CBOW模型实例
• 7.10 负采样模型
• 5.4 暴力求解方法
• 2.6 tf.idf结果
• 5.9 参数求解
• 11.1 任务概述
• 6.3 中文分词任务
• 8.3 Gensim构造word2vec模型
• 1.6 停用词过滤
• 13.1 任务概述与环境配置
• 1.9 Spacy工具包
• 14.4 词向量与投影
• 1.13 结巴分词器
• 1.12 统计分析结果
• 4.6 基于贝叶斯算法进行新闻分类
• 11.5 基于字符的训练
• 6.2 工具包使用方法
• 5.1 马尔科夫模型
• 5.3 组成与要解决的问题
• 11.6 基于句子的相似度训练
• 4.5 LDA建模
• 10.1 任务概述
• 7.5 神经网络模型
• 2.1 任务概述
• 5.6 前向算法
• 7.6 Hierarchical Softmax
• 14.3 数据处理
• 4.3 新闻数据与任务简介
• 3.5 贝叶斯实现拼写检查器
• 13.2 参数配置
• 10.2 词袋模型
• 9.2 基于词袋模型训练分类器
• 2.5 词云展示
• 9.4 使用gensim构建word2vec词向量（新）
• 8.1 使用Gensim库构造词向量
• 11.4 网络模型定义
• 4.4 TF.IDF关键词提取
• 1.7 词性标注
• 3.1 贝叶斯算法概述
• 14.6 网络训练
• 1.11 恐怖袭击分析
• 5.2 隐马尔科夫模型基本出发点
• 3.2 贝叶斯推导实例
• 14.2 参数配置与数据加载
• 1.10 名字实体匹配
• 1.5 NLTK工具包简介
• 12.5 基于word2vec的LSTM模型
• 9.3 准备word2vec输入数据
• 1.2 正则常用符号
• 6.1 hmmlearn工具包
• 3.3 贝叶斯拼写纠错实例
• 1.8 数据清洗实例
• 2.3 商品类别可视化展示
• 8.4 测试模型相似度结果
• 10.4 TFIDF模型
• 10.6 深度学习模型
• 7.8 CBOW求解目标
• 14.5 seq网络
• 12.2 LSTM网络架构
• 2.2 商品类别划分
• 13.6 完成训练模块
• 1.14 词云展示
• 5.5 复杂度计算
• 1.1 Python字符串处理
• 8.2 维基百科中文数据处理
• 9.1 影评情感分类
• 2.4 描述长度对价格的影响
• 12.3 案例：使用LSTM进行情感分类
• 10.5 word2vec词向量模型
• 13.4 batch数据制作
• 7.9 锑度上升求解
• 12.4 情感数据集处理
• 1.4 常用函数介绍
• 5.8 Baum.Welch算法
• 4.1 文本分析与关键词提取
• 6.4 实现中文分词
• 7.2 语言模型
• 5.7 前向算法求解实例
• 第16模块：语音识别核心项目实战（新）
• 7.4 Dataloader构建数据与标签
• 4.9 论文损失函数
• 4.5 下采样与上采样操作
• 6.2 训练任务所需参数介绍-1698817367
• 1.4 加入attention的序列模型整体架构
• 6.2 训练任务所需参数介绍
• 2.1 数据源与环境配置
• 1.5 TeacherForcing的作用与训练策略
• 5.6 基于Mask得到分离结果
• 4.6 starganvc2版本标签输入分析
• 2.4 声音数据处理模块解读
• 2.5 Pack与Pad操作解析
• 4.7 生成器前向传播维度变化
• 7.2 所需数据集介绍
• 7.1 语音合成项目所需环境配置
• 3.7 判别器模块分析
• 1.3 注意力机制的作用
• 7.10 得到加权的编码向量
• 6.6 构建更大的感受区域-1698817387
• 4.8 判别器模块解读
• 4.2 环境配置与工具包安装
• 1.2 工作原理概述
• 4.3 数据预处理与声音特征提取
• 7.8 解码器流程梳理
• 6.8 测试模块所需参数
• 3.1 论文整体思路与架构解读
• 4.11 测试模块生成转换语音
• 2.2 语料表制作方法
• 7.3 路径配置与整体流程解读
• 7.12 损失函数与预测
• 5.1 语音分离任务分析
• 4.10 源码损失计算流程
• 2.8 计算得到每个输出的attention得分
• 6.3 DataLoader定义
• 6.5 编码器特征提取-1698817381
• 6.7 解码得到分离后的语音
• 3.6 AdaIn的目的与效果
• 1.6 额外补充.RNN网络模型解读
• 2.9 解码器与训练过程演示
• 6.1 数据准备与环境配置
• 3.4 生成器模型架构分析
• 3.3 语音特征提取
• 6.7 解码得到分离后的语音-1698817392
• 7.6 得到编码特征向量
• 2.7 加入注意力机制
• 3.2 VCC2016输入数据
• 7.7 解码器输入准备
• 7.9 注意力机制应用方法
• 2.3 制作json标注数据
• 5.4 TasNet编码器结构分析
• 2.6 编码器模块整体流程
• 5.3 DeepClustering论文解读
• 6.6 构建更大的感受区域
• 7.5 编码层要完成的任务
• 6.4 采样数据特征编码-1698817375
• 3.5 InstanceNorm的作用解读
• 4.4 生成器构造模块解读
• 1.1 序列网络模型概述分析
• 7.11 模型输出结果
• 5.2 经典语音分离模型概述
• 6.5 编码器特征提取
• 4.1 数据与项目文件解读
• 6.3 DataLoader定义-1698817371
• 6.4 采样数据特征编码
• 5.5 DW卷积的作用与效果
• 第04模块：机器学习算法精讲及其案例应用（新）
• 1.10 线性回归整体模块概述
• 1.190 数据与任务流程
• 1.120 支持向量机要解决的问题
• 1.45 训练模块功能
• 1.126 软间隔优化
• 1.231 实现中文分词
• 1.103 随机森林算法原理
• 1.107 构建实验数据集
• 1.40 岭回归与lasso
• 1.118 停止方案实施
• 1.95 熵值计算
• 1.35 不同策略效果对比
• 1.115 GBDT提升算法流程
• 1.29 参数直接求解方法
• 1.23 交叉验证实验分析
• 1.4 独立同分布的意义
• 1.38 样本数量对结果的影响
• 1.217 方差与协方差
• 1.22 交叉验证的作用
• 1.199 基于物品的协同过滤
• 1.125 求解决策方程
• 1.138 得分函数
• 1.60 分类决策边界展示分析
• 1.2 回归问题概述
• 1.89 预剪枝方法
• 1.185 词向量模型通俗解释
• 1.87 决策树构造实例
• 1.104 随机森林优势与特征重要性指标
• 1.129 支持向量机所能带来的效果
• 1.187 训练数据构建
• 1.46 完成预测模块
• 1.211 线性判别分析求解
• 1.133 核函数的作用与效果
• 1.166 邮件数据读取
• 1.34 MiniBatch方法
• 1.161 贝叶斯要解决的问题
• 1.212 实现线性判别分析进行降维任务
• 1.28 实验目标分析
• 1.195 推荐系统应用
• 1.94 整体框架逻辑
• 1.147 神经网络整体框架概述
• 1.228 hmmlearn工具包
• 1.39 正则化的作用
• 1.37 模型复杂度
• 1.180 拼接模块
• 1.91 回归问题解决
• 1.198 基于用户的协同过滤
• 1.47 优化目标定义
• 1.11 初始化步骤
• 1.229 工具包使用方法
• 1.182 规则生成模块
• 1.17 整体流程debug解读
• 1.85 熵的作用
• 1.127 核函数的作用
• 1.168 分类别统计词频
• 1.111 OOB袋外数据的作用
• 1.25 评估指标对比分析
• 1.41 实验总结
• 1.96 数据集切分
• 1.162 贝叶斯公式推导
• 1.102 回归树模型
• 1.203 音乐推荐任务概述
• 1.70 样本点归属划分
• 1.204 数据集整合
• 1.114 Adaboost决策边界效果
• 1.159 模型优化结果展示
• 1.188 CBOW与Skip.gram模型
• 1.227 维特比算法
• 1.79 如何找到合适的K值
• 1.154 差异项计算
• 1.214 PCA基本概念
• 1.112 特征重要性热度图展示
• 1.160 测试效果可视化展示
• 1.21 数据集切分
• 1.176 电影数据集题材关联分析
• 1.9 优化参数设置
• 1.156 完成全部迭代更新模块
• 1.123 拉格朗日乘子法求解
• 1.219 隐马尔科夫模型基本出发点
• 1.179 扫描模块
• 1.197 相似度计算
• 1.167 预料表与特征向量构建
• 1.202 模型评估标准
• 1.58 可视化展示
• 1.43 化简与求解
• 1.230 中文分词任务
• 1.216 PCA结果推导
• 1.44 多分类逻辑回归整体思路
• 1.7 梯度下降通俗解释
• 1.30 预处理对结果的影响
• 1.65 DBSCAN聚类算法
• 1.3 误差项定义
• 1.221 暴力求解方法
• 1.53 准备测试数据
• 1.184 规则结果展示
• 1.78 评估指标.Inertia
• 1.69 计算得到簇中心点
• 1.5 似然函数的作用
• 1.191 数据清洗
• 1.122 目标函数推导
• 1.15 训练线性回归模型
• 1.105 提升算法概述
• 1.192 batch数据制作
• 1.84 决策树算法概述
• 1.59 坐标棋盘制作
• 1.225 Baum.Welch算法
• 1.74 Kmenas算法常用操作
• 1.57 概率结果随特征数值的变化
• 1.157 手写字体识别数据集
• 1.80 轮廓系数的作用
• 1.98 测试算法效果
• 1.137 视觉任务中遇到的问题
• 1.82 半监督学习
• 1.99 树模型可视化展示
• 1.172 支持度与置信度
• 1.215 PCA降维实例
• 1.106 stacking堆叠模型
• 1.142 神经网络整体架构
• 1.116 集成参数对比分析
• 1.213 求解得出降维结果
• 1.207 SVD矩阵分解
• 1.206 物品相似度计算与推荐
• 1.62 KMEANS算法概述
• 1.18 多特征回归模型
• 1.48 迭代优化参数
• 1.67 DBSCAN可视化展示
• 1.222 复杂度计算
• 1.97 完成树模型构建
• 1.173 提升度的作用
• 1.164 垃圾邮件过滤实例
• 1.193 网络训练
• 1.135 深度学习应用领域
• 1.113 Adaboost算法概述
• 1.108 硬投票与软投票效果对比
• 1.177 Apripri算法整体流程
• 1.171 关联规则概述
• 1.165 朴素贝叶斯算法整体框架
• 1.54 决策边界绘制
• 1.119 堆叠模型
• 1.186 模型整体框架
• 1.36 多项式回归
• 1.226 参数求解
• 1.24 混淆矩阵
• 1.223 前向算法
• 1.175 数据集制作
• 1.8 参数更新方法
• 1.72 鸢尾花数据集聚类任务
• 1.88 信息增益率与gini系数
• 1.1 课程简介
• 1.205 基于物品的协同过滤
• 1.209 线性判别分析要解决的问题
• 1.76 建模流程解读
• 1.50 得出最终结果
• 1.200 隐语义模型
• 1.49 梯度计算
• 1.27 ROC曲线
• 1.144 神经元个数对结果的影响
• 1.32 学习率对结果的影响
• 1.139 损失函数的作用
• 1.64 KMEANS迭代可视化展示
• 1.155 逐层计算
• 1.124 化简最终目标函数
• 1.16 得到线性回归方程
• 1.152 损失函数定义
• 1.153 准备反向传播迭代
• 1.81 Kmenas算法存在的问题
• 1.75 聚类结果展示
• 1.140 前向传播整体流程
• 1.220 组成与要解决的问题
• 1.52 训练多分类模型
• 1.143 神经网络架构细节
• 1.31 梯度下降模块
• 1.132 非线性SVM
• 1.71 算法迭代更新
• 1.56 逻辑回归实验概述
• 1.178 数据集demo
• 1.149 矩阵向量转换
• 1.145 正则化与激活函数
• 1.194 可视化展示
• 1.183 完成全部算法流程
• 1.136 计算机视觉任务
• 1.26 阈值对结果的影响
• 1.6 参数求解
• 1.117 模型提前停止策略
• 1.63 KMEANS工作流程
• 1.61 多分类.softmax
• 1.210 线性判别分析要优化的目标
• 1.73 聚类效果展示
• 1.90 后剪枝方法
• 1.208 基于矩阵分解的音乐推荐~1
• 1.201 隐语义模型求解
• 1.224 前向算法求解实例
• 1.92 整体模块概述
• 1.121 距离与数据定义
• 1.77 不稳定结果
• 1.101 树模型预剪枝参数作用
• 1.151 完成前向传播模块
• 1.13 损失与预测模块
• 1.110 集成效果展示分析
• 1.51 鸢尾花数据集多分类任务
• 1.218 马尔科夫模型
• 1.86 信息增益原理
• 1.181 挖掘频繁项集
• 1.14 数据与标签定义
• 1.170 完成预测模块
• 1.131 软间隔的作用
• 1.68 Kmeans算法模块概述
• 1.66 DBSCAN工作流程
• 1.93 递归生成树节点
• 1.141 返向传播计算方法
• 1.100 决策边界展示分析
• 1.174 Python实战关联规则
• 1.55 非线性决策边界
• 1.20 Sklearn工具包简介
• 1.150 向量反变换
• 1.33 随机梯度下降得到的效果
• 1.19 非线性回归
• 1.128 知识点总结
• 1.163 拼写纠错实例
• 1.42 逻辑回归算法原理
• 1.158 算法代码错误修正
• 1.148 参数初始化操作
• 1.109 Bagging策略效果
• 1.130 决策边界可视化展示
• 1.12 实现梯度下降优化模块
• 1.189 负采样方案
• 1.134 深度学习要解决的问题
• 1.169 贝叶斯公式对数变换
• 1.146 神经网络过拟合解决方法
• 1.196 推荐系统要完成的任务
• 1.83 DBSCAN算法
• 第13模块：行人重识别系列项目（新）
• 3.2 参数配置与整体架构分析
• 5.2 数据源构建方法分析
• 7.6 mask矩阵的作用
• 7.3 得到一阶段热度图结果
• 5.9 特征组合汇总
• 3.1 项目环境与数据集配置
• 3.9 训练与测试模块演示
• 2.4 基于特征图的注意力计算
• 5.5 网络计算整体流程演示
• 3.7 基于特征图的权重计算
• 7.10 整体项目总结
• 3.6 计算得到位置权重值
• 1.1 行人重识别要解决的问题
• 5.1 项目配置与数据集介绍
• 2.3 融合空间注意力所需特征
• 7.7 邻接矩阵学习与更新
• 4.3 特征分组方法
• 3.5 组合关系特征图
• 6.5 图卷积模块实现方法
• 5.7 GCP全局特征提取
• 7.5 初始化图卷积模型
• 4.5 oneVsReset方法实例
• 5.10 得到所有分组特征结果
• 5.3 dataloader加载顺序解读
• 1.3 评估标准rank1指标
• 3.3 进入debug模式解读网络计算流程
• 4.1 论文整体框架概述
• 6.2 图卷积与匹配的作用
• 6.6 图匹配在行人重识别中的作用
• 6.7 整体算法框架分析
• 6.4 基于图卷积构建人体拓扑关系
• 4.6 损失函数应用位置
• 2.2 空间权重值计算流程分析
• 5.12 测试与验证模块
• 7.9 图匹配模块计算流程
• 3.4 获得空间位置点之间的关系
• 5.4 debug模式解读
• 1.2 挑战与困难分析
• 7.1 数据集与环境配置概述
• 4.2 局部特征与全局关系计算方法
• 6.1 关键点位置特征构建
• 3.8 损失函数计算实例解读
• 2.1 论文整体思想及注意力机制的作用解读
• 7.4 阶段监督训练
• 5.11 损失函数与训练过程演示
• 7.2 局部特征准备方法
• 7.8 基于拓扑结构组合关键点特征
• 1.5 triplet损失计算实例
• 6.3 局部特征热度图计算
• 4.4 GCP模块特征融合方法
• 1.6 Hard.Negative方法应用
• 1.4 map值计算方法
• 5.8 局部特征提取实例
• 5.6 特征序列构建
• 第15模块：NLP通用框架BERT项目实战（新）
• 6.5 可视化展示
• 7.6 构建LSTM网络模型
• 6.1 数据与任务流程
• 6.2 数据清洗
• 2.5 tfrecord制作
• 5.1 词向量模型通俗解释
• 9.3 课时文本摘要数据标注方法
• 3.1 中文分类数据与任务概述
• 2.2 项目参数配置
• 4.3 构建BERT与CRF模型
• 7.5 正负样本数据读取
• 9.4 课时训练自己标注的数据并测试
• 7.2 NLP应用领域与任务简介
• 2.11 完成Transformer模块构建
• 1.8 位置编码与多层堆叠
• 7.7 训练与测试效果
• 1.3 传统解决方案遇到的问题
• 6.3 batch数据制作
• 9.5 课时Huggingface工具使用
• 8.6 医疗数据集（糖尿病）实体识别
• 1.2 BERT任务目标概述
• 5.5 负采样方案
• 8.4 输入样本填充补齐
• 1.10 BERT模型训练方法
• 2.3 数据读取模块
• 2.4 数据预处理模块
• 4.2 NER标注数据处理与读取
• 2.10 构建QKV矩阵
• 3.3 训练BERT中文分类模型
• 6.4 网络训练
• 1.6 特征分配与softmax机制
• 2.7 加入额外编码特征
• 1.1 BERT课程简介
• 4.1 命名实体识别数据分析与任务目标
• 9.1 课时中文商城评价数据处理方法
• 3.2 读取处理自己的数据集
• 1.4 注意力机制的作用
• 5.4 CBOW与Skip-gram模型
• 8.3 数据-标签-语料库处理
• 8.2 整体模型架构
• 2.1 BERT开源项目简介
• 5.3 训练数据构建
• 7.1 RNN网络模型解读
• 1.5 self-attention计算方法
• 2.8 加入位置编码特征
• 8.5 训练网络模型
• 8.1 数据与任务介绍
• 2.6 Embedding层的作用
• 9.6 课时BERT系列与NER实例
• 5.2 模型整体框架
• 2.12 训练BERT模型
• 2.9 mask机制
• 1.11 训练实例
• 1.9 transformer整体架构梳理
• 7.4 加载词向量特征
• 7.3 项目流程解读
• 1.7 Multi-head的作用
• 9.2 课时模型训练与测试结果
• 第02模块：Python数据科学必备工具包实战（新）
• 7-可视化库-Matplotlib
• 7.9 绘图细节设置
• 7.10 绘图细节设置2
• 7.14 子图布局
• 7.3 风格设置
• 7.13 pie图
• 7.1 Matplotlib概述
• 7.6 条形图外观
• 7.5 条形图细节
• 7.11 直方图与散点图
• 7.4 条形图
• 7.12 3D图绘制
• 7.7 盒图绘制
• 7.2 子图与标注
• 7.8 盒图细节
• 7.15 结合pandas与sklearn
• 8-可视化库-Seaborn
• 8.9 分类属性绘图
• 8.2 整体布局风格设置
• 8.4 调色板
• 8.1 课程简介
• 8.7 回归分析绘图
• 8.8 多变量分析绘图
• 8.12 热度图绘制
• 8.11 Facetgrid绘制多变量
• 8.10 Facetgrid使用方法
• 8.6 单变量分析绘图
• 8.3 风格细节设置
• 8.5 调色板颜色设置
• 4-seaborn可视化（新）
• 98课时seaborn文字线条设置
• 109课时离散字段和连续字段的可视化方案
• 105课时seaborn玩具数据加载
• 108课时scatterplot散点图
• 113课时多分组可视化实现方案
• 99课时matplotlib调色板作用及定制
• 106课时seaborn条形图绘制
• 101课时seaborn分类调色板
• 110课时heatmap热力图
• 100课时seaborn默认的配色方案
• 96课时seaborn画布风格设置
• 103课时连续调色板配色方案
• 111课时regplot和lmplot线性回归
• 107课时seaborn条形图多分组技巧
• 97课时seaborn边框配置
• 102课时调色板工具和自定义调色板
• 95课时seaborn默认风格设置
• 104课时对称调色板及配色方案总结
• 112课时单变量分布图像和组合图像
• 3-matplotlib绘图 (新)
• 92课时2D图像绘制-饼图
• 81课时matplotlib绘图-颜色处理
• 79课时matplotlib绘图-画板注释信息和画板标题
• 75课时matplotlib绘图-刻度值和刻度标签
• 74课时matplotlib绘图-刻度界限
• 91课时2D图像绘制-雷达图
• 89课时2D图像绘制-条形图
• 94课时matplotlib全局设置
• 93课时2D图像绘制-箱线图
• 84课时matplotlib绘图-其他设置方式补充
• 87课时2D图像绘制-直方图
• 85课时2D图像绘制-线型图
• 90课时2D图像绘制-极坐表条形图
• 88课时2D图像绘制-直方图bins的用法补充
• 77课时matplotlib绘图-图例设置
• 83课时matplotlib绘图-线型和点型设置
• 73课时matplotlib绘图-网格设置
• 82课时matplotlib绘图-透明度和图像读取
• 78课时matplotlib绘图-图像保存
• 80课时matplotlib绘图-画板注释信息和箭头注释
• 72课时matplotlib绘图-画板画布和就近原则
• 76课时matplotlib绘图-轴标题和画布标题
• 86课时2D图像绘制-散点图
• 71课时matplotlib绘图-图像组成
• 1-numpy（新）
• 1.18 ndarray的基本运算
• 1.5 单元格运行与帮助文档
• 1.7 ndarray的属性及输出方法
• 1.4 单元格的常用操作
• 1.24 ndarray的delete、扁平处理、变形和翻转
• 1.16 ndarray的拆分
• 1.6 IPython魔法指令和输入输出历史
• 1.10 routines函数（二）
• 1.19 广播机制
• 1.15 ndarray级联concatenate
• 1.20 ndarray运算练习
• 1.17 ndarray拆分练习
• 1.2 jupyter_notebook启动
• 1.25 numpy的数学函数和算数函数
• 1.13 ndarray的读写操作
• 1.3 jupyter_notebook单元格基本状态
• 1.1 Anaconda简介及安装
• 1.9 routines函数（一）
• 1.8 ndarray的元素类型统一
• 1.21 ndarray的聚合函数
• 1.22 ndarray综合练习
• 1.26 numpy查找和排序
• 1.12 routines函数练习
• 1.23 ndarray的append和insert
• 1.11 routines函数（三）
• 1.14 ndarray读写练习
• 2-pandas（新）
• 2.37 replace替换
• 2.26 常用数据探索方法
• 2.7 DataFrame的基础构造方法
• 2.14 pandas对象iloc访问详解
• 2.3 Series高级构造函数
• 2.15 pandas对象访问的注意事项
• 2.42 -合并参数left_on,right_on,on
• 2.10 DataFrame运算（一）
• 2.12 pandas对象的显示访问和隐式访问
• 2.24 csv文件和txt文件的读取
• 2.35 pandas索引操作
• 2.43 groupby分组
• 2.16 pandas高级查找
• 2.11 DataFrame运算（二）
• 2.17 pandas聚合操作
• 2.6 DataFrame结构理解
• 2.21 多层索引的访问
• 2.5 Series的运算
• 2.29 pandas空值批量填充
• 2.20 pandas多层索引
• 2.23 pandas数据类型练习
• 2.38 map处理精确匹配模糊匹配
• 2.22 stack和unstack操作
• 2.13 pandas对象的loc访问详解
• 2.39 pandas级联
• 2.28 pandas空值查找
• 2.27 python空类型和numy空类型
• 2.18 pandas对象习题讲解
• 2.40 合并的基本逻辑和注意事项
• 2.25 pandasIO操作
• 2.9 DataFrame的重要属性
• 2.31 异常值处理
• 2.30 空值过滤
• 2.2 Series对象的基本构造及注意事项
• 2.8 DataFrame的其他构造方法
• 2.34 排序和随机抽样
• 2.41 合并参数left,right,how
• 2.19 pandas单层索引
• 2.32 离群点检测和过滤
• 2.1 pandas简介
• 2.44 交叉表和透视表
• 2.33 重复值处理
• 2.4 Series的重要属性
• 2.36 rename操作
• 6-数据分析处理库-Pandas
• 6.8 merge操作
• 6.1 Pandas概述
• 6.4 groupby操作
• 6.3 Pandas索引
• 6.10 数据透视表
• 6.2 Pandas基本操作
• 6.13 Pandas常用操作
• 6.16 字符串操作
• 6.9 显示设置
• 6.11 时间操作
• 6.14 Pandas常用操作2
• 6.7 对象操作2
• 6.19 大数据处理技巧
• 6.5 数值运算
• 6.6 对象操作
• 6.12 时间序列操作
• 6.15 Groupby操作延伸
• 6.17 索引进阶
• 6.18 Pandas绘图操作
• 5-科学计算库-Numpy
• 5.13 数组保存
• 5.8 数组生成函数
• 5.10 四则运算
• 5.6 排序操作
• 5.1 Numpy概述
• 5.7 数组形状操作
• 5.16 练习题3
• 5.3 数组结构
• 5.5 数值运算
• 5.9 常用生成函数
• 5.15 练习题2
• 5.14 练习题1
• 5.11 随机模块
• 5.2 Array数组
• 5.12 文件读写
• 5.4 数组类型
• 第07模块：深度学习框架-PyTorch项目实战（旧）
• 12.1 3D卷积原理解读
• 2.3 简化代码训练网络模型
• 10.2 CTPN文字检测网络概述
• 9.7 判别网络模块构造
• 11.8 识别模块网络架构解读
• 1.8 常见tensor格式
• 5.8 额外补充.Resnet论文解读
• 1.4 PyTorch基本操作简介
• 9.9 生成与判别损失函数指定
• 12.7 训练网络模型
• 13.5 selfattention计算方法
• 14.10 构建QKV矩阵
• 5.1 迁移学习的目标
• 4.1 卷积网络参数定义
• 10.1 OCR文字识别要完成的任务
• 14.2 项目参数配置
• 9.4 Cycle开源项目简介
• 6.3 模型整体框架
• 4.4 分类任务数据集定义与配置
• 3.9 整体网络架构
• 3.5 步长与卷积核大小对结果的影响
• 9.3 PatchGan判别网络原理
• 15.3 网络结构定义
• 13.1 BERT课程简介
• 14.1 BERT开源项目简介
• 14.3 数据读取模块
• 12.5 数据Batch制作方法
• 10.5 CTPN细节概述
• 7.7 CNN应用于文本任务原理解析
• 1.6 线性回归DEMO.数据与参数配置
• 11.7 CRNN识别模块所需数据与标签
• 3.11 残差网络Resnet
• 3.10 VGG网络架构
• 3.4 得到特征图表示
• 6.5 CBOW与Skipgram模型
• 14.6 Embedding层的作用
• 5.3 加载训练好的网络模型
• 14.9 mask机制
• 8.4 数据读取模块
• 1.5 自动求导机制
• 5.9 额外补充.Resnet网络架构解读
• 9.1 CycleGan网络所需数据
• 9.2 CycleGan整体网络架构
• 7.5 训练LSTM文本分类模型
• 2.4 分类任务概述
• 3.3 卷积特征值计算方法
• 12.4 视频数据预处理方法
• 7.8 网络模型架构与效果展示
• 6.2 词向量模型通俗解释
• 1.7 线性回归DEMO.训练回归模型
• 16.6 训练结果可视化展示模块
• 6.6 负采样方案
• 15.4 训练网络模型
• 6.1 RNN网络架构解读
• 15.1 项目配置与环境概述
• 11.3 检测模块候选框生成
• 13.9 transformer整体架构梳理
• 3.8 池化层的作用
• 2.2 按建模顺序构建完成网络架构
• 4.7 Batch数据制作
• 11.1 OCR文字检测识别项目效果展示
• 8.1 对抗生成网络通俗解释
• 14.8 加入位置编码特征
• 12.6 3D卷积网络所涉及模块
• 2.5 构建分类网络模型
• 13.8 位置编码与多层堆叠
• 13.4 注意力机制的作用
• 5.6 训练结果与模型保存
• 11.2 训练数据准备与环境配置
• 15.2 数据读取与预处理
• 4.6 数据预处理与数据增强模块
• 13.11 训练实例
• 2.6 DataSet模块介绍与应用方法
• 5.5 实现训练模块
• 3.12 感受野的作用
• 14.12 训练BERT模型
• 7.4 新闻数据读取与预处理方法
• 10.4 输出结果含义解析
• 8.2 GAN网络组成
• 2.1 气温数据集与任务介绍
• 1.3 框架安装方法（CPU与GPU版本）
• 3.1 卷积神经网络应用领域
• 11.5 整体网络所需模块
• 7.3 项目配置参数设置
• 1.9 Hub模块简介
• 16.7 模块应用与BenckMark解读
• 10.6 CRNN识别网络架构
• 7.1 任务目标与数据简介
• 14.7 加入额外编码特征
• 1.2 PyTorch框架发展趋势简介
• 16.1 项目模板各模块概述
• 13.10 BERT模型训练方法
• 3.2 卷积的作用
• 10.7 CTC模块的作用
• 1.1 PyTorch实战课程简介
• 8.3 损失函数解释说明
• 6.4 训练数据构建
• 10.3 序列网络的作用
• 13.6 特征分配与softmax机制
• 13.7 Multihead的作用
• 4.3 Vision模块功能解读
• 4.2 网络流程解读
• 5.2 迁移学习策略
• 3.7 特征图尺寸计算与参数共享
• 11.4 候选框标签制作
• 3.6 边缘填充方法
• 16.4 模型架构模块
• 14.5 tfrecord制作
• 16.5 训练模块功能
• 12.2 UCF101动作识别数据集简介
• 14.11 完成Transformer模块构建
• 13.3 传统解决方案遇到的问题
• 5.4 优化器模块配置
• 14.4 数据预处理模块
• 11.6 网络架构各模块完成的任务解读
• 9.5 数据读取与预处理操作
• 4.5 图像增强的作用
• 16.3 数据读取与预处理模块功能解读
• 16.2 各模块配置参数解析
• 9.8 损失函数：identity loss计算方法
• 7.6 Tensorboardx可视化展示模块搭建
• 8.5 生成与判别网络定义
• 9.6 生成网络模块构造
• 5.7 加载模型对测试数据进行预测
• 7.2 RNN模型所需输入格式解析
• 13.2 BERT任务目标概述
• 9.10 额外补充：VISDOM可视化配置
• 12.3 测试效果与项目配置
• 第08模块：深度学习入门视频课程（新）
• 4.4 训练数据构建
• 2.5 正则化与激活函数
• 3.4 得到特征图表示
• 3.6 边缘填充方法
• 4.1 RNN网络架构解读
• 4.3 模型整体框架
• 4.2 词向量模型通俗解释
• 3.11 残差网络Resnet
• 1.4 视觉任务中遇到的问题
• 3.8 池化层的作用
• 4.5 CBOW与Skipgram模型
• 1.1 深度学习要解决的问题
• 2.3 神经网络架构细节
• 2.1 返向传播计算方法
• 1.5 得分函数
• 3.2 卷积的作用
• 3.7 特征图尺寸计算与参数共享
• 2.4 神经元个数对结果的影响
• 1.6 损失函数的作用
• 3.12 感受野的作用
• 3.9 整体网络架构
• 1.7 前向传播整体流程
• 1.3 计算机视觉任务
• 3.5 步长与卷积核大小对结果的影响
• 3.3 卷积特征值计算方法
• 3.1 卷积神经网络应用领域
• 1.2 深度学习应用领域
• 2.2 神经网络整体架构
• 2.6 神经网络过拟合解决方法
• 3.10 VGG网络架构
• 4.6 负采样方案
• 第01模块：Python快速入门（新）
• 3.5 输出练习题讲解
• 8.10 字典：定义
• 9.1 今日概要
• 7.10 元组：定义
• 3.2 编码
• 10.19 文件操作
• 8.9 None到底是个啥
• 2.4 编程语言
• 8.1 今日概要
• 8.2 集合：定义
• 9.8 第一阶段考试题（答案讲解）
• 1.4 开篇：笔记和文档的编写
• 8.17 今日总结
• 5.11 今日总结
• 6.5 字符串：独有功能（三）
• 10.11 字典的核心操作
• 7.4 列表：独有功能（二）
• 4.14 运算符：练习题讲解和面试题补充
• 4.1 今日概要new
• 7.5 列表：独有功能（三）
• 8.5 集合：类型转换
• 2.10 CPython解释器版本
• 3.16 基本条件语句
• 10.7 索引结构
• 10.20 类的基本定义
• 7.9 列表：阶段作业题讲解
• 8.4 集合：公共功能
• 8.14 字典：公共功能
• 6.13 今日作业讲解
• 10.12 Set结构
• 7.8 列表：嵌套
• 9.5 补充：位运算到底是干啥的？
• 8.15 字典：转换和嵌套
• 5.9 utf8编码
• 5.6 ascii编码
• 7.7 列表：类型转换
• 4.9 基于format字符串格式化及补充
• 3.20 今日总结和作业
• 5.3 进制及相互之间的转换
• 3.12 变量及其命名规范
• 3.17 基本条件语句-练习题讲解
• 4.5 break及示例讲解
• 2.7 编程语言的分类
• 3.18 多条件判断
• 6.1 数据类型概要
• 10.4 Python简介
• 4.2 while循环及案例讲解
• 10.10 字典基础定义
• 2.8 Python介绍
• 3.11 数据类型-练习题讲解
• 2.6 学习编程本质上的三件事
• 4.6 continue及示例讲解
• 7.14 作业讲解
• 4.10 基于f字符串格式化
• 3.6 数据类型的引入
• 8.16 浮点型
• 5.2 python代码的2种运行方式
• 8.13 字典：练习题和讲解
• 4.4 练习题讲解
• 9.7 第一阶段考试题
• 2.3 常见计算机基本概念
• 8.11 字典：独有功能（一）
• 7.3 列表：独有功能（一）
• 7.2 列表：定义
• 2.12 python解释器的安装（mac系统）
• 2.13 python解释器的安装（win系统）
• 2.16 今日总结
• 10.1 Python环境配置
• 3.4 print输出及练习题
• 8.7 集合：高效和嵌套
• 3.1 今日概要
• 6.11 字符串：不允许被修改
• 1.5 开篇：写在最后
• 7.6 列表：公共功能
• 6.12 今日总结和作业
• 4.3 综合小案例以及阶段练习题
• 6.14 今日作业讲解
• 10.18 异常处理模块
• 6.3 布尔类型
• 10.8 List基础结构
• 10.6 Python字符串操作
• 4.13 运算符：面试题相关知识和练习题
• 5.1 今日概要
• 4.8 基于%字符串格式化
• 3.21 作业答案和讲解
• 10.25 Python练习题-3
• 6.10 字符串：类型转换
• 3.19 条件嵌套
• 10.5 Python数值运算
• 2.5 编译器和解释器
• 8.12 字典：独有功能（二）
• 1.3 开篇：学习方法的建议
• 3.15 输入
• 9.2 七条代码规范
• 5.5 单位相关练习题讲解
• 1.1 开篇：讲师和课程内容介绍
• 5.7 gbk编码
• 8.6 集合：内部存储原理
• 6.4 字符串：独有功能（一）
• 9.3 补充：pass的作用？
• 5.10 Python中的编码
• 4.11 运算符
• 3.7 整形
• 2.11 环境搭建说明
• 4.16 作业题讲解
• 6.9 字符串：公共功能（二）
• 3.3 编程初体验
• 2.18 作业答案和讲解
• 2.15 Pycharm使用和破解（win系统）
• 2.9 Python解释器种类
• 3.8 字符串
• 5.4 计算机中的单位
• 10.13 赋值机制
• 10.17 模块与包
• 10.22 时间操作
• 7.12 元组：转换和嵌套
• 2.1 今日概要
• 3.14 注释
• 6.8 字符串：公共功能（一）
• 7.11 元组：公共功能
• 10.16 函数定义
• 2.2 课堂笔记的创建
• 6.7 字符串：练习题和讲解
• 8.8 集合：练习题和讲解
• 7.1 今日概要
• 3.10 类型转换和数据类型相关练习题
• 2.17 今日作业
• 7.13 元组：总结和作业
• 10.3 Notebook工具使用
• 8.18 今日作业讲解
• 10.15 循环结构
• 9.4 补充：is和==的区别？
• 10.9 List核心操作
• 1.2 开篇：授课模式须知
• 10.14 判断结构
• 4.7 while_else语法
• 6.6 字符串：独有功能（二）
• 5.8 unicode
• 3.9 布尔类型
• 2.14 Pycharm使用和破解（mac系统）
• 6.2 整型
• 8.3 集合：独有功能
• 10.2 Python库安装工具
• 10.24 Python练习题-2
• 4.12 运算符：优先级
• 4.15 总结和今日作业
• 10.21 类的属性操作
• 9.6 阶段思维导图
• 10.23 Python练习题-1
• 3.13 变量的内存指向关系及其练习题
• 第05模块：机器学习算法建模实战项目（新）
• 3.2 中文分词与停用词过滤
• 6.9 基本特征构造
• 6.1 项目与数据介绍
• 3.3 文本关键词提取
• 1.12 阈值对结果的影响
• 2.7 网格与随机参数选择
• 1.13 SMOTE样本生成策略
• 2.8 随机参数选择方法实践
• 6.2 数据挖掘流程
• 1.4 下采样数据集制作
• 5.3 fbprophet时间序列预测实例
• 6.5 构建商品特征表单
• 1.2 项目挑战与解决方案制定
• 3.4 词袋模型
• 1.14 过采样效果与项目总结
• 1.7 模型评估方法与召回率
• 3.6 TF_IDF特征分析对比
• 3.5 贝叶斯建模结果
• 6.12 Xgboost模型
• 1.1 任务目标解读
• 6.6 数据探索概述
• 1.11 测试集遇到的问题
• 2.4 加入新的数据与特征
• 4.6-基于矩阵分解的音乐推荐
• 6.10 行为特征
• 2.9 调参优化细节
• 1.6 数据集切分
• 2.5 数据与特征对结果的影响
• 1.9 训练逻辑回归模型
• 6.11 累积行为特征
• 2.3 可视化展示与特征重要性
• 4.1 音乐推荐任务概述
• 6.8 特征工程
• 1.5 交叉验证
• 4.4 物品相似度计算与推荐
• 2.2 基本随机森林模型建立
• 3.1 新闻数据与任务概述
• 5.4 亚马逊股价趋势
• 6.3 数据检查
• 5.1 fbprophet股价预测任务概述
• 5.5 突变点调参
• 4.5 SVD矩阵分解
• 4.2 数据集整合
• 4.3 基于物品的协同过滤
• 1.8 正则化惩罚项
• 6.4 构建用户特征表单
• 2.6 效率对比分析
• 2.1 基于随机森林的气温预测任务概述
• 1.10 混淆矩阵评估分析
• 6.7 购买因素分析
• 1.3 数据标准化处理
• 5.2 时间序列分析
• 第06模块：深度学习框架-Tensorflow2版本实战（旧）
• 16.4 数据与环境配置
• 14.2 项目参数配置
• 8.4 训练数据构建
• 3.3 网络模型训练
• 14.8 加入位置编码特征
• 5.4 卷积模型训练与识别效果展示
• 14.11 完成Transformer模块构建
• 16.8 数据读取与预处理操作
• 12.2 构建时间序列数据
• 16.9 生成网络模块构造
• 17.5 训练数据构建
• 12.1 任务目标与数据源
• 4.5 步长与卷积核大小对结果的影响
• 17.2 额外补充.Resnet网络架构解读
• 16.1 CycleGan网络所需数据
• 7.6 tfrecords数据源制作方法
• 12.3 训练时间序列数据预测结果
• 14.9 mask机制
• 8.1 RNN网络架构解读
• 14.12 训练BERT模型
• 17.4 数据集处理方法
• 7.4 加载训练好的经典网络模型
• 16.5 生成与判别器损失函数定义
• 17.7 前向传播配置
• 2.2 深度学习应用领域
• 1.4 tf基础操作
• 17.6 网络架构层次解读
• 2.11 神经元个数对结果的影响
• 8.5 CBOW与Skip.gram模型
• 16.11 损失函数：identity loss计算方法
• 10.1 任务目标与数据介绍
• 13.2 BERT任务目标概述
• 4.1 卷积神经网络应用领域
• 4.6 边缘填充方法
• 10.8 训练策略指定
• 10.6 双向RNN模型定义
• 8.3 模型整体框架
• 7.7 图像数据处理实例
• 9.2 模型定义参数设置
• 9.1 任务流程解读
• 2.8 返向传播计算方法
• 2.5 得分函数
• 2.12 正则化与激活函数
• 9.4 训练batch数据制作
• 13.6 特征分配与softmax机制
• 4.7 特征图尺寸计算与参数共享
• 2.10 神经网络架构细节
• 3.6 tf.data模块解读
• 17.8 训练resnet模型
• 13.9 transformer整体架构梳理
• 3.7 模型保存与读取实例
• 15.2 GAN网络组成
• 7.3 Resnet原理
• 10.5 数据生成器构造
• 11.1 CNN应用于文本任务原理解析
• 13.4 注意力机制的作用
• 2.1 深度学习要解决的问题
• 2.3 计算机视觉任务
• 13.8 位置编码与多层堆叠
• 14.7 加入额外编码特征
• 16.10 判别网络模块构造
• 2.4 视觉任务中遇到的问题
• 13.11 训练实例
• 13.5 self.attention计算方法
• 17.1 额外补充.Resnet论文解读
• 3.5 分类模型构建
• 10.7 自定义网络模型架构
• 7.2 迁移学习策略
• 2.9 神经网络整体架构
• 15.1 对抗生成网络通俗解释
• 4.9 整体网络架构
• 15.5 损失函数定义与训练
• 16.6 整体损失模块解读
• 15.3 DCGAN网络架构与流程解读
• 13.1 BERT课程简介
• 4.11 残差网络Resnet
• 4.8 池化层的作用
• 16.13 额外补充：VISDOM可视化配置
• 10.9 训练文本分类模型
• 6.3 猫狗识别任务数据增强实例
• 3.2 建模流程与API文档
• 1.3 Tensorflow2版本安装方法
• 13.7 Multi.head的作用
• 11.3 网络架构设计与训练
• 2.6 损失函数的作用
• 14.4 数据预处理模块
• 13.10 BERT模型训练方法
• 12.4 多特征预测结果
• 10.4 embedding层向量制作
• 4.10 VGG网络架构
• 14.10 构建QKV矩阵
• 4.2 卷积的作用
• 5.3 网络架构配置
• 4.4 得到特征图表示
• 8.2 词向量模型通俗解释
• 9.3 文本词预处理操作
• 17.3 项目结构概述
• 14.6 Embedding层的作用
• 7.1 迁移学习的目标
• 16.2 CycleGan整体网络架构
• 13.3 传统解决方案遇到的问题
• 6.1 数据增强概述
• 14.5 tfrecord制作
• 12.5 序列结果预测
• 10.2 RNN模型输入数据维度解读
• 4.12 感受野的作用
• 1.2 Tensorflow2版本简介与心得
• 14.1 BERT开源项目简介
• 11.2 整体流程解读
• 6.2 图像数据变换
• 5.2 卷积网络涉及参数解读
• 2.13 神经网络过拟合解决方法
• 14.3 数据读取模块
• 16.7 Cycle开源项目简介
• 16.3 PatchGan判别网络原理
• 2.7 前向传播整体流程
• 15.4 网络架构设计
• 16.12 生成与判别损失函数指定
• 5.1 猫狗识别任务与数据简介
• 3.4 模型超参数调节与预测结果展示
• 1.1 课程简介
• 9.5 损失函数定义与训练结果展示
• 7.5 Callback模块与迁移学习实例
• 10.3 数据映射表制作
• 8.6 负采样方案
• 4.3 卷积特征值计算方法
• 3.1 任务目标与数据集简介
• 第09模块：深度学习必备框架实战（PyTorch+Tensorflow）（新）
• 16.3 加载训练好的网络模型
• 17.2 RNN模型所需输入格式解析
• 14.5 步长与卷积核大小对结果的影响
• 4.2 卷积网络涉及参数解读
• 2.1 深度学习要解决的问题
• 10.5 序列结果预测
• 2.6 损失函数的作用
• 1.4 tf基础操作
• 15.4 分类任务数据集定义与配置
• 13.2 按建模顺序构建完成网络架构
• 8.5 数据生成器构造
• 14.7 特征图尺寸计算与参数共享
• 14.12 感受野的作用
• 14.8 池化层的作用
• 2.5 得分函数
• 12.5 自动求导机制
• 1.3 Tensorflow2版本安装方法
• 12.4 PyTorch基本操作简介
• 13.6 DataSet模块介绍与应用方法
• 17.6 Tensorboardx可视化展示模块搭建
• 9.2 整体流程解读
• 17.3 项目配置参数设置
• 2.10 神经网络架构细节
• 6.3 Resnet原理
• 14.11 残差网络Resnet
• 11.6 网络架构层次解读
• 11.3 项目结构概述
• 17.7 CNN应用于文本任务原理解析
• 16.1 迁移学习的目标
• 14.3 卷积特征值计算方法
• 2.11 神经元个数对结果的影响
• 6.5 Callback模块与迁移学习实例
• 12.3 框架安装方法（CPU与GPU版本）
• 6.2 迁移学习策略
• 13.4 分类任务概述
• 2.2 深度学习应用领域
• 14.9 整体网络架构
• 16.8 额外补充.Resnet论文解读
• 12.1 PyTorch实战课程简介
• 2.12 正则化与激活函数
• 7.3 文本词预处理操作
• 8.8 训练策略指定
• 11.1 额外补充.Resnet论文解读
• 12.7 线性回归DEMO.训练回归模型
• 3.5 分类模型构建
• 9.3 网络架构设计与训练
• 8.1 任务目标与数据介绍
• 17.5 训练LSTM文本分类模型
• 7.4 训练batch数据制作
• 14.4 得到特征图表示
• 6.4 加载训练好的经典网络模型
• 8.4 embedding层向量制作
• 8.2 RNN模型输入数据维度解读
• 11.2 额外补充.Resnet网络架构解读
• 15.2 网络流程解读
• 2.3 计算机视觉任务
• 13.3 简化代码训练网络模型
• 9.1 CNN应用于文本任务原理解析
• 17.1 任务目标与数据简介
• 16.9 额外补充.Resnet网络架构解读
• 5.3 猫狗识别任务数据增强实例
• 12.9 Hub模块简介
• 10.1 任务目标与数据源
• 11.7 前向传播配置
• 15.1 卷积网络参数定义
• 5.1 数据增强概述
• 16.5 实现训练模块
• 3.6 tf.data模块解读
• 8.6 双向RNN模型定义
• 3.7 模型保存与读取实例
• 6.7 图像数据处理实例
• 8.3 数据映射表制作
• 2.4 视觉任务中遇到的问题
• 3.2 建模流程与API文档
• 2.7 前向传播整体流程
• 12.2 PyTorch框架发展趋势简介
• 10.3 训练时间序列数据预测结果
• 13.5 构建分类网络模型
• 7.5 损失函数定义与训练结果展示
• 16.4 优化器模块配置
• 16.2 迁移学习策略
• 14.2 卷积的作用
• 4.3 网络架构配置
• 15.6 数据预处理与数据增强模块
• 12.6 线性回归DEMO.数据与参数配置
• 6.6 tfrecords数据源制作方法
• 11.4 数据集处理方法
• 15.3 Vision模块功能解读
• 11.5 训练数据构建
• 7.1 任务流程解读
• 5.2 图像数据变换
• 14.10 VGG网络架构
• 10.2 构建时间序列数据
• 8.7 自定义网络模型架构
• 2.13 神经网络过拟合解决方法
• 1.1 课程简介
• 3.1 任务目标与数据集简介
• 14.1 卷积神经网络应用领域
• 16.7 加载模型对测试数据进行预测
• 2.8 返向传播计算方法
• 2.9 神经网络整体架构
• 17.4 新闻数据读取与预处理方法
• 15.5 图像增强的作用
• 10.4 多特征预测结果
• 17.8 网络模型架构与效果展示
• 7.2 模型定义参数设置
• 8.9 训练文本分类模型
• 1.2 Tensorflow2版本简介与心得
• 12.8 常见tensor格式
• 3.3 网络模型训练
• 4.1 猫狗识别任务与数据简介
• 14.6 边缘填充方法
• 6.1 迁移学习的目标
• 3.4 模型超参数调节与预测结果展示
• 13.1 气温数据集与任务介绍
• 15.7 Batch数据制作
• 11.8 训练resnet模型
• 16.6 训练结果与模型保存
• 4.4 卷积模型训练与识别效果展示
• 第11模块：计算机视觉核心大项目实战（新）
• 5.13 坐标相对位置计算
• 7.5 Resnet基本处理操作
• 10.10 RoiPooling层的作用与目的
• 3.3 架构细节解读
• 17.3 测试效果与项目配置
• 8.2 深度学习经典检测方法
• 10.2 FPN网络架构实现解读
• 18.3 数据读取与预处理模块功能解读
• 11.4 maskrcnn源码修改方法
• 14.3 faster-rcnn概述
• 14.6 损失函数定义
• 16.1 OCR文字检测识别项目效果展示
• 10.7 Proposal层实现方法
• 13.5 Resnet基本处理操作
• 10.6 候选框过滤方法
• 18.1 项目模板各模块概述
• 14.1 物体检测概述
• 5.1 数据与环境配置
• 13.6 shortcut模块
• 2.4 位置损失计算
• 10.11 RorAlign操作的效果
• 10.5 RPN层的作用与实现解读
• 18.4 模型架构模块
• 7.3 Resnet原理
• 7.7 加载训练好的权重
• 6.5 json格式转换成yolo.v3所需输入
• 14.5 RPN网络结构
• 15.6 CRNN识别网络架构
• 5.9 预测结果计算
• 15.4 输出结果含义解析
• 9.2 Mask-Rcnn开源项目简介
• 2.5 置信度误差与优缺点分析
• 5.4 标签文件读取与处理
• 17.2 UCF101动作识别数据集简介
• 11.5 基于标注数据训练所需任务
• 17.5 数据Batch制作方法
• 3.1 V2版本细节升级概述
• 10.12 整体框架回顾
• 13.8 迁移学习效果对比
• 13.2 迁移学习策略
• 10.3 生成框比例设置
• 18.6 训练结果可视化展示模块
• 1.3 IOU指标计算
• 4.2 多scale方法改进与特征融合
• 1.1 检测任务中阶段的意义
• 5.5 debug模式介绍
• 12.2 网络架构概述
• 16.5 整体网络所需模块
• 16.3 检测模块候选框生成
• 10.8 DetectionTarget层的作用
• 5.7 路由层与shortcut层的作用
• 1.4 评估所需参数计算
• 4.7 sotfmax层改进
• 10.9 正负样本选择与标签定义
• 11.1 Labelme工具安装
• 4.6 先验框设计改进
• 15.2 CTPN文字检测网络概述
• 5.15 模型训练与总结
• 10.4 基于不同尺度特征图生成所有框
• 11.3 完成训练数据准备工作
• 6.7 训练代码与参数配置更改
• 7.4 Resnet网络细节
• 2.1 YOLO算法整体思路解读
• 2.3 整体网络架构解读
• 8.4 论文整体概述
• 17.1 3D卷积原理解读
• 5.14 完成所有损失函数所需计算指标
• 13.7 加载训练好的权重
• 6.3 完成标签制作
• 5.11 模型要计算的损失概述
• 5.12 标签值格式修改
• 12.3 流程与结果演示
• 17.4 视频数据预处理方法
• 3.8 特征融合改进
• 4.3 经典变换方法对比分析
• 8.6 损失函数定义
• 18.7 模块应用与BenckMark解读
• 14.4 论文整体概述
• 15.1 OCR文字识别要完成的任务
• 8.1 物体检测概述
• 6.8 训练模型并测试效果
• 13.1 迁移学习的目标
• 4.4 残差连接方法解读
• 7.2 迁移学习策略
• 16.7 识别模块网络架构解读
• 9.4 参数配置
• 16.2 训练数据准备与环境配置
• 8.3 faster-rcnn概述
• 18.5 训练模块功能
• 5.10 网格偏移计算
• 5.2 训练参数设置
• 6.4 生成模型所需配置文件
• 2.2 检测算法要得到的结果
• 16.4 候选框标签制作
• 8.5 RPN网络结构
• 18.2 各模块配置参数解析
• 5.16 预测效果展示
• 6.6 完成输入数据准备工作
• 10.1 FPN层特征提取原理解读
• 9.1 课程简介
• 17.7 训练网络模型
• 14.2 深度学习经典检测方法
• 15.5 CTPN细节概述
• 12.1 COCO数据集与人体姿态识别简介
• 11.2 使用labelme进行数据与标签标注
• 9.3 开源项目数据集
• 13.4 Resnet网络细节
• 3.4 基于聚类来选择先验框尺寸
• 3.2 网络结构特点
• 5.6 基于配置文件构建网络模型
• 6.1 Labelme工具安装
• 3.5 偏移量计算方法
• 14.7 网络细节
• 16.6 网络架构各模块完成的任务解读
• 7.8 迁移学习效果对比
• 5.8 YOLO层定义解析
• 1.5 map指标计算
• 6.2 数据信息标注
• 3.7 感受野的作用
• 7.1 迁移学习的目标
• 17.6 3D卷积网络所涉及模块
• 15.7 CTC模块的作用
• 7.6 shortcut模块
• 11.6 测试与展示模块
• 4.1 V3版本改进概述
• 15.3 序列网络的作用
• 1.2 不同阶段算法优缺点分析
• 5.3 数据与标签读取
• 3.6 坐标映射与还原
• 13.3 Resnet原理
• 4.5 整体网络模型架构分析
• 8.7 网络细节
• 第03模块：人工智能-必备数学课程（新）
• 8.3 泊松分布
• 16.13 模型决策
• 9.3 多项式核函数
• 13.2 皮尔森相关系数
• 7.10 期望求解
• 13.5 肯德尔系数
• 12.2 左右侧检验与双侧检验
• 11.5 回归方程求解小例子
• 16.12 模型诊断
• 11.12 案例：缺失值填充
• 2.3 定积分
• 6.3 简单随机抽样
• 7.9 期望
• 10.3 激活函数
• 16.9 经典求解思路
• 16.8 贝叶斯解释
• 9.4 核函数实例
• 13.1 相关分析概述
• 13.6 质量相关分析
• 8.2 二项式分布
• 14.5 多因素方差分析
• 6.2 连续型随机变量
• 9.2 线性核函数
• 11.15 案例：回归求解
• 12.3 Z检验基本原理
• 3.5 拉格朗日乘子法
• 1.1 课程简介
• 13.3 计算与检验
• 15.5 KMEANS工作流程
• 4.3 矩阵基本操作
• 5.5 SVD矩阵分解
• 7.6 二维离散型随机变量
• 4.6 内积与正交
• 11.8 Python工具包介绍
• 5.4 特征值分解
• 9.1 核函数的目的
• 4.2 矩阵与数据的关系
• 7.12 切比雪夫不等式
• 1.7 方向导数
• 11.6 回归直线拟合优度
• 10.2 熵的大小意味着什么
• 6.1 离散型随机变量
• 11.7 多元与曲线回归问题
• 1.3 极限
• 15.3 层次聚类实例
• 11.11 案例：汽车价格预测任务概述
• 15.7 DBSCAN聚类算法
• 11.14 案例：预处理问题
• 1.4 无穷小与无穷大
• 7.13 后验概率估计
• 11.4 最小二乘法推导与求解
• 15.6 KMEANS迭代可视化展示
• 4.4 矩阵的几种变换
• 11.13 案例：特征相关性
• 8.1 正太分布
• 14.4 方差分析中的多重比较
• 3.2 一点一世界
• 11.10 高阶与分类变量实例
• 15.1 层次聚类概述
• 15.4 KMEANS算法概述
• 8.4 均匀分布
• 10.1 熵的概念
• 7.2 古典概型
• 12.4 Z检验实例
• 8.5 卡方分布
• 9.5 高斯核函数
• 14.2 方差的比较
• 15.8 DBSCAN工作流程
• 16.6 贝叶斯拼写纠错实例
• 7.14 贝叶斯拼写纠错实例
• 16.1 贝叶斯分析概述
• 7.11 马尔科夫不等式
• 16.2 概率的解释
• 6.5 极大似然估计
• 2.5 牛顿.莱布尼茨公式
• 5.1 特征值与特征向量
• 1.2 函数
• 13.7 偏相关与复相关
• 11.9 statsmodels回归分析
• 3.3 阶数的作用
• 3.6 求解拉格朗日乘子法
• 7.15 垃圾邮件过滤实例
• 5.3 SVD要解决的问题
• 13.4 斯皮尔曼等级相关
• 9.6 参数的影响
• 7.7 二维连续型随机变量
• 12.10 Python假设检验实例
• 7.5 独立性
• 16.7 垃圾邮件过滤实例
• 12.11 Python卡方检验实例
• 15.10 多种聚类算法概述
• 11.3 误差项的定义
• 14.1 方差分析概述
• 4.5 矩阵的秩
• 12.5 T检验基本原理
• 8.6 beta分布
• 16.4 贝叶斯算法概述
• 11.1 回归分析概述
• 10.4 激活函数的问题
• 12.6 T检验实例
• 12.8 卡方检验
• 5.2 特征空间与应用
• 7.8 边缘分布
• 11.2 回归方程定义
• 16.10 MCMC概述
• 14.6 Python方差分析实例
• 7.1 概率与频率
• 12.1 假设检验基本思想
• 3.1 泰勒公式出发点
• 2.1 微积分基本想法
• 15.9 DBSCAN可视化展示
• 7.4 条件概率小例子
• 15.11 聚类案例实战
• 2.2 微积分的解释
• 1.8 梯度
• 12.9 假设检验中的两类错误
• 6.4 似然函数
• 16.11 PYMC3概述
• 15.2 层次聚类流程
• 2.4 定积分性质
• 1.5 连续性与导数
• 16.5 贝叶斯推导实例
• 16.3 贝叶斯学派与经典统计学派的争论
• 1.6 偏导数
• 3.4 阶乘的作用
• 12.7 T检验应用条件
• 14.3 方差分析计算方法
• 7.3 条件概率
• 4.1 行列式概述
• 第10模块：opencv计算机视觉实战（新）
• 16.4 背景建模实战
• 15.3 填涂轮廓检测
• 21.4 闭眼检测
• 18.2 模型加载结果输出
• 4.2 膨胀操作
• 1.2 Python与Opencv配置安装
• 13.4 流程解读
• 11.4 特征归属划分
• 10.4 透视变换结果
• 17.1 基本概念
• 20.1 卷积神经网络的应用
• 10.2 文档轮廓提取
• 7.1 图像金字塔定义
• 21.2 获取人脸关键点
• 12.1 尺度空间定义
• 12.6 opencv中sift函数使用
• 2.2 视频的读取与处理
• 20.3 卷积计算过程
• 3.3 高斯与中值滤波
• 3.2 图像平滑处理
• 12.3 特征关键点定位
• 20.8 卷积操作流程
• 4.4 梯度计算
• 20.4 pading与stride
• 20.2 卷积层解释
• 14.6 车位区域划分
• 20.5 卷积参数共享
• 14.2 所需数据介绍
• 7.2 金字塔制作方法
• 3.1 图像阈值
• 16.2 混合高斯模型
• 1.3 Notebook与IDE环境
• 8.6 低通与高通滤波
• 6.2 非极大值抑制
• 19.6 多进程效率提升对比
• 21.5 检测效果
• 15.1 整体流程与效果概述
• 9.4 输入数据处理方法
• 8.4 傅里叶概述
• 20.6 池化层原理
• 4.1 腐蚀操作
• 7.4 轮廓检测结果
• 11.2 基本数学原理
• 16.1 背景消除.帧差法
• 2.4 边界填充
• 18.1 dnn模块
• 14.7 识别模型构建
• 7.3 轮廓检测方法
• 6.3 边缘检测效果
• 5.3 scharr与lapkacian算子
• 19.4 基于dlib与ssd的追踪
• 19.2 多目标追踪实战
• 21.1 关键点定位概述
• 19.5 多进程目标追踪
• 19.3 深度学习检测框架加载
• 21.3 定位效果演示
• 1.1 课程简介
• 19.1 目标追踪概述
• 8.5 频域变换结果
• 4.3 开运算与闭运算
• 13.3 RANSAC算法
• 12.5 特征向量生成
• 15.4 选项判断识别
• 13.2 图像拼接方法
• 10.6 文档扫描识别效果
• 13.1 特征匹配方法
• 7.6 模板匹配方法
• 2.1 计算机眼中的图像
• 11.1 角点检测基本原理
• 7.7 匹配效果展示
• 15.2 预处理操作
• 9.3 模板处理方法
• 8.1 直方图定义
• 2.5 数值计算
• 17.3 推导求解
• 8.2 均衡化原理
• 9.2 环境配置与预处理
• 5.1 Sobel算子
• 14.8 基于视频的车位检测
• 10.3 原始与变换坐标计算
• 14.3 图像数据预处理
• 20.7 卷积效果演示
• 14.1 任务整体流程
• 11.3 求解化简
• 8.3 均衡化效果
• 7.5 轮廓特征与近似
• 11.5 opencv角点检测效果
• 6.1 Canny边缘检测流程
• 12.4 生成特征描述
• 10.5 tesseract-ocr安装配置
• 17.2 Lucas-Kanade算法
• 9.5 模板匹配得出识别结果
• 16.3 学习步骤
• 17.4 光流估计实战
• 9.1 总体流程与方法讲解
• 5.2 梯度计算方法
• 4.5 礼帽与黑帽
• 12.2 高斯差分金字塔
• 10.1 整体流程演示
• 2.3 ROI区域
• 14.4 车位直线检测
• 14.5 按列划分区域
• 第12模块：对抗生成网络大项目实战（新）
• 1.3 损失函数解释说明
• 6.9 论文损失函数
• 2.1 CycleGan网络所需数据
• 3.5 V2版本在整体网络架构
• 8.5 数据与项目概述
• 2.9 生成与判别损失函数指定
• 9.2 网络流程解读
• 6.4 生成器构造模块解读
• 6.2 环境配置与工具包安装
• 5.5 InstanceNorm的作用解读
• 3.2 网络架构整体思路解读
• 9.7 Batch数据制作
• 6.6 starganvc2版本标签输入分析
• 7.5 生成模块
• 8.6 参数基本设计
• 3.4 V1版本存在的问题及后续改进思路
• 2.3 PatchGan判别网络原理
• 1.5 生成与判别网络定义
• 6.3 数据预处理与声音特征提取
• 6.11 测试模块生成转换语音
• 2.2 CycleGan整体网络架构
• 8.2 网络架构
• 7.7 VGG特征提取网络
• 4.7 判别器损失计算
• 4.1 项目配置与数据源下载
• 10.2 卷积网络涉及参数解读
• 4.10 测试模块效果与实验分析
• 9.16 额外补充.Resnet网络架构解读
• 1.1 对抗生成网络通俗解释
• 8.7 网络结构配置
• 5.7 判别器模块分析
• 8.8 网络迭代训练
• 3.3 建模流程分析
• 9.5 图像增强的作用
• 9.14 加载模型对测试数据进行预测
• 7.1 论文概述
• 9.13 训练结果与模型保存
• 9.11 优化器模块配置
• 6.5 下采样与上采样操作
• 3.8 训练过程分析
• 2.10 额外补充：VISDOM可视化配置
• 7.3 数据与环境配置
• 9.1 卷积网络参数定义
• 8.3 细节设计
• 10.3 网络架构配置
• 5.4 生成器模型架构分析
• 6.10 源码损失计算流程
• 9.9 迁移学习策略
• 5.2 VCC2016输入数据
• 4.5 所有网络模块构建实例
• 3.6 编码器训练方法
• 4.8 损失计算详细过程
• 9.12 实现训练模块
• 5.1 论文整体思路与架构解读
• 9.3 Vision模块功能解读
• 2.7 判别网络模块构造
• 9.10 加载训练好的网络模型
• 8.9 测试模块
• 7.4 数据加载与配置
• 4.6 数据读取模块分析
• 4.4 生成器模块源码解读
• 6.8 判别器模块解读
• 1.2 GAN网络组成
• 7.6 判别模块
• 9.8 迁移学习的目标
• 8.4 论文总结
• 6.7 生成器前向传播维度变化
• 8.1 论文概述
• 10.4 卷积模型训练与识别效果展示
• 5.6 AdaIn的目的与效果
• 3.7 损失函数公式解析
• 3.1 stargan效果演示分析
• 9.15 额外补充.Resnet论文解读
• 6.1 数据与项目文件解读
• 9.4 分类任务数据集定义与配置
• 2.6 生成网络模块构造
• 2.5 数据读取与预处理操作
• 4.2 测试效果演示
• 9.6 数据预处理与数据增强模块
• 4.9 生成模块损失计算
• 10.1 猫狗识别任务与数据简介
• 1.4 数据读取模块
• 4.3 项目参数解析
• 2.4 Cycle开源项目简介
• 7.8 损失函数与训练
• 7.9 测试模块
• 5.3 语音特征提取
• 7.2 网络架构
• 2.8 损失函数：identity loss计算方法
• 第12模块：姿态估计与目标追踪实战系列（新）
• 4-deepsort源码解读
• 40课时IOU代价矩阵计算
• 42课时级联匹配模块
• 43课时ReID特征代价矩阵计算
• 38课时对track执行预测操作
• 41课时参数更新操作
• 36课时参数与DEMO演示
• 37课时针对检测结果初始化track
• 44课时匹配结果与总结
• 39课时状态量预测结果
• 35课时项目环境配置
• 9-基础补充-PyTorch框架基本处理操作
• 93课时线性回归DEMO_训练回归模型
• 88课时PyTorch框架发展趋势简介
• 91课时自动求导机制
• 92课时线性回归DEMO_数据与参数配置
• 94课时常见tensor格式
• 89课时框架安装方法（CPU与GPU版本）
• 95课时Hub模块简介
• 90课时PyTorch基本操作简介
• 2-OpenPose算法源码分析
• 14课时读取图像与标注信息
• 16课时根据关键点位置设计关键点标签
• 21课时网络模型一阶段输出
• 22课时多阶段输出与预测
• 19课时特征图各点累加向量计算
• 15课时关键点与躯干特征图初始化
• 18课时各位置点归属判断
• 13课时数据集与路径配置解读
• 20课时完成PAF特征图制作
• 17课时准备构建PAF躯干标签
• 7-V5项目工程源码解读
• 65课时getItem构建batch
• 80课时模型迭代过程
• 68课时Focus模块流程分析
• 60课时数据源DEBUG流程解读
• 63课时Mosaic数据增强方法
• 77课时命令行参数介绍
• 67课时V5网络配置文件解读
• 76课时超参数解读
• 61课时图像数据源配置
• 71课时BottleneckCSP层计算方法
• 64课时数据四合一方法与流程演示
• 66课时网络架构图可视化工具安装
• 69课时完成配置文件解析任务
• 72课时SPP层计算细节分析
• 70课时前向传播计算
• 62课时加载标签数据
• 78课时训练流程解读
• 73课时Head层流程解读
• 74课时上采样与拼接操作
• 75课时输出结果分析
• 79课时各种训练策略概述
• 6-V5版本项目配置
• 59课时测试DEMO演示
• 58课时训练数据参数配置
• 57课时训练自己的数据集方法
• 56课时整体项目概述
• 1-姿态估计OpenPose系列算法解读
• 10课时匹配方法解读
• 1课时姿态估计要解决的问题分析
• 6课时各模块输出特征图解读
• 11课时CPM模型特点
• 4课时要解决的两个问题分析
• 8课时PAF标签设计方法
• 12课时算法流程与总结
• 5课时基于高斯分布预测关键点位置
• 2课时姿态估计应用领域概述
• 7课时PAF向量登场
• 9课时预测时PAF积分计算方法
• 3课时传统topdown方法的问题
• 3-deepsort算法知识点解读
• 32课时sort与deepsort建模流程分析
• 34课时追踪任务流程拆解
• 30课时匹配小例子分析
• 33课时预测与匹配流程解读
• 23课时卡尔曼滤波通俗解释
• 24课时卡尔曼滤波要完成的任务
• 27课时预测与更新操作
• 31课时REID特征的作用
• 25课时任务本质分析
• 28课时追踪中的状态量
• 29课时匈牙利匹配算法概述
• 26课时基于观测值进行最优估计
• 8-基础补充-Resnet模型及其应用实例
• 84课时Resnet网络前向传播
• 86课时特征图升维与降采样操作
• 82课时Resnet网络架构原理分析
• 85课时残差网络的shortcut操作
• 87课时网络整体流程与训练演示
• 81课时医学疾病数据集介绍
• 83课时dataloader加载数据集
• 5-YOLO-V4版本算法解读
• 53课时SAM注意力机制模块
• 55课时激活函数与整体架构总结
• 48课时DropBlock与标签平滑方法
• 51课时NMS细节改进
• 45课时V4版本整体概述
• 54课时PAN模块解读
• 50课时CIOU损失函数定义
• 46课时V4版本贡献解读
• 49课时损失函数遇到的问题
• 52课时SPP与CSP网络结构
• 47课时数据增强策略分析
• 10-基础补充-PyTorch框架必备核心模块解读
• 106课时优化器模块配置
• 96课时卷积网络参数定义
• 102课时Batch数据制作
• 107课时实现训练模块
• 99课时分类任务数据集定义与配置
• 108课时训练结果与模型保存
• 109课时加载模型对测试数据进行预测
• 103课时迁移学习的目标
• 101课时数据预处理与数据增强模块
• 104课时迁移学习策略
• 98课时Vision模块功能解读
• 97课时网络流程解读
• 105课时加载训练好的网络模型
• 100课时图像增强的作用
• 路飞人工智能课件
• Python高级全部课件
• 9-11模块
• 15-16模块
• 1-5模块
• 12-14模块
• 6-8模块
• 第07模块：机器学习竞赛优胜解决方案实战（新）
• 9.6 构建低敏用户模型
• 6.2 图模型信息提取
• 4.7 ShapValues指标分析
• 1.6 生成特征汇总表
• 6.4 deepwalk构建图顶点特征
• 11.5 模型解释
• 1.5 序列特征提取方法
• 3.7 特征汇总
• 1.3 整体模型架构
• 11.4 测试模型
• 3.2 数据清洗与标签转换
• 7.1 任务目标与数据集介绍
• 2.6 训练xgboost模型
• 6.1 竞赛任务目标
• 8.6 词向量特征
• 6.5 各项统计特征
• 8.3 时间特征处理
• 3.3 道路通行时间序列数据生成
• 4.6 双变量分析
• 11.6 模型分析
• 5.2 整体模型架构
• 4.4 部分依赖图解释
• 4.3 特征对比分析方法
• 2.2 数据异常检查
• 11.2 基础模型对比
• 5.6 医疗数据集（糖尿病）实体识别
• 2.3 时间特征提取
• 9.4 统计与文本特征
• 3.5 基于回归与插值完成序列特征
• 3.1 数据与任务目标分析
• 6.3 节点权重特征提取(PageRank)
• 7.3 基本特征抽取
• 5.1 数据与任务介绍
• 3.8 建立回归模型进行预测
• 2.1 数据任务概述
• 4.1 竞赛与目标分析
• 10.2 处理流程与数据简介
• 2.4 各道工序特征构建
• 2.5 准备训练数据
• 7.9 特征工程汇总
• 1.8 网络训练模块
• 10.5 离群点剔除
• 5.5 训练网络模型
• 7.5 权重划分
• 9.1 任务与解决框架概述
• 9.5 文本特征构建
• 8.5 构造文本向量
• 1.1 课程简介
• 11.1 dataleakage问题
• 9.3 离散数据处理
• 11.3 选择参数
• 4.2 模型解释方法与实践
• 6.7 图中联系人特征
• 1.9 得出最终模型结果
• 7.2 数据清洗与预处理
• 10.3 数据处理
• 1.2 任务目标与数据分析.
• 1.4 构建用户特征序列
• 10.8 特征工程
• 10.7 多变量展示
• 6.6 app安装特征
• 7.4 文章与词向量分析
• 8.7 计算机眼中的图像
• 4.8 疾病引起原因分析实战
• 7.6 候选词统计特征
• 1.7 标签制作
• 8.1 基本数值特征
• 7.8 候选词相似度特征
• 9.2 特征工程分析与特征提取
• 10.1 任务概述
• 8.2 常用特征构造手段
• 5.3 数据、标签、语料库处理
• 10.6 变量与结果的关系
• 9.7 高敏模型概述
• 5.4 输入样本填充补齐
• 7.7 textrank特征提取
• 3.6 基于回归与插值进行序列补全
• 4.5 结果对比分析
• 8.4 文本特征处理
• 3.4 序列缺失补全方法
• 10.4 单变量绘图分析
• 第06模块：机器学习案例实战应用集锦（新）
• 2.8 随机森林与LightGBM
• 11.2 EDA数据探索分析
• 1.1 关联规则概述
• 5.5 绘图统计分析
• 4.1 数据任务分析
• 5.1 数据与任务简介
• 5.8 特征重要性
• 11.8 自定义特征
• 7.13 结巴分词器
• 12.1 数据与任务流程分析
• 4.2 特征工程制作
• 1.4 Python实战关联规则
• 5.7 随机森林建模
• 7.1 Python字符串处理
• 10.2 数据分析与可视化展示
• 5.4 类别变量处理
• 7.14 词云展示
• 1.3 提升度的作用
• 3.3 ngram结果可视化展示
• 2.9 训练与评估
• 2.7 预处理与建模准备
• 11.9 逻辑回归模型
• 10.7 sklearn工具包预处理模块
• 4.3 统计指标生成
• 4.4 特征信息提取
• 3.4 文本清洗
• 6.3 双变量分析
• 7.9 Spacy工具包
• 11.3 特征展示分析
• 11.5 部分特征分析与可视化
• 3.2 文本词频统计
• 2.2 提取月份信息进行统计分析
• 3.6 得出推荐结果
• 4.8 生成输出结果
• 10.12 构建回归模型
• 11.11 必杀神奇：lightgbm
• 10.6 缺失值填充
• 2.3 房价随星期变化的可视化展示
• 11.10 结果评估
• 12.6 聚类效果可视化展示
• 3.1 数据与任务介绍
• 4.7 Xgboost训练模型
• 8.2 模型整体框架
• 10.8 离散属性特征处理
• 9.6 深度学习模型
• 8.5 负采样方案
• 10.3 连续值离散化与可视化细节
• 3.5 相似度计算
• 9.2 词袋模型
• 10.11 完成所有预处理操作
• 5.3 剔除开挂数据
• 4.6 输入数据制作
• 8.3 训练数据构建
• 10.5 特征相关性分析
• 9.1 任务概述
• 12.5 得出聚类结果
• 12.4 数组保存与读取
• 8.1 词向量模型通俗解释
• 10.10 序列化执行预处理操作
• 9.3 词袋模型分析
• 7.7 词性标注
• 1.2 支持度与置信度
• 6.1 模型解释方法与实践
• 8.4 CBOW与Skip_gram模型
• 2.6 房屋规格热度图分析
• 7.3 正则表达式基本语法
• 10.9 构建合适的特征
• 7.8 数据清洗实例
• 5.6 热度图展示
• 6.5 疾病引起原因分析实战
• 5.2 数据问题探索与解决方案
• 7.6 停用词过滤
• 6.4 ShapValues指标分析
• 1.6 电影数据集题材关联分析
• 12.2 图片数据导入
• 2.5 提取房屋常见设施
• 2.4 房屋信息指标分析
• 7.12 统计分析结果
• 9.4 TFIDF模型
• 2.1 数据与任务分析
• 7.2 正则常用符号
• 6.2 部分依赖图解释
• 4.5 标签变换
• 12.3 图像特征编码
• 1.5 数据集制作
• 9.5 word2vec词向量模型
• 11.1 数据任务介绍及缺失值处理
• 11.4 KDEPLOT展示
• 7.4 常用函数介绍
• 11.7 多项式特征
• 7.11 恐怖袭击分析
• 10.1 数据与任务介绍
• 7.5 NLTK工具包简介
• 10.4 加载数据坐标到实际地图中进行分析
• 7.10 名字实体匹配
• 11.6 数据检查与特征工程