资源介绍：

本套课程包含新赛指导、CV方向、NLP方向、机器学习、时间序列、推荐系统、多模态、优选Kaggle、天池等平台

课程特色

路径。提供比赛学习路径，不走弯路，学习更高效入门。搭配配套基础课程，适合0基础学习入门

导师。赛圈金牌大神指导，优秀助教答疑含金量。指导Kaggle、天池等平台商业赛，比赛认可度、含金量高

系统。系统地讲解比赛baseline代码、模型、trick上手比赛更容易

适合人群

0基础、希望快速入门打比赛的Al初学者

希望通过比赛提升专业技能的在职、在校人群

希望通过比赛充实简历、提升自我的在职在校人群.

对机器学习、深度学习感兴趣的人群

你能获得哪些技能或突破：

通过比赛实战提升代码能力等专业技能

用比赛项目和排名增加简历含金量

认识其他打比赛的AI大佬，拓展人脉圈

更加快速地入门AI比赛，少走弯路

课程目录

• 01 Python · AI&数据科学入门
• 【作业讲解】第八章：文件、异常和模块
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第二章：Python基本语法元素
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第九章：有益的探索
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第六章：函数
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第七章：类
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第三章：基本数据类型
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第十二章：Pandas库
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第十三章：Matplotlib
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第十四章：Sklearn常规用法
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第十一章：Numpy库
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第十章：Python标准库
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第四章：复杂数据类型
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第五章：程序控制结构
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第一章：助教实际演示配置环境过程
• Part_0
• meta.json
• raw.m3u8
• 第八章 文件、异常和模块
• Part_0
• meta.json
• raw.m3u8
• 第二章 Python 基本语法元素
• Part_0
• meta.json
• raw.m3u8
• 第九章 有益的探索
• Part_0
• meta.json
• raw.m3u8
• 第六章 函数-面向过程的编程
• Part_0
• meta.json
• raw.m3u8
• 第七章 类-面向对象的编程
• Part_0
• meta.json
• raw.m3u8
• 第三章 基本数据类型
• Part_0
• meta.json
• raw.m3u8
• 第十二章 Pandas库
• Part_0
• meta.json
• raw.m3u8
• 第十三章 Matplotlib
• Part_0
• meta.json
• raw.m3u8
• 第十四章 Sklearn常规用法
• Part_0
• meta.json
• raw.m3u8
• 第十五章 再谈编程
• Part_0
• meta.json
• raw.m3u8
• 第十一章 科学计算库—Numpy应用
• Part_0
• meta.json
• raw.m3u8
• 第十章 Python标准库
• Part_0
• meta.json
• raw.m3u8
• 第四章 组合数据类型
• Part_0
• meta.json
• raw.m3u8
• 第五章 程序控制结构
• Part_0
• meta.json
• raw.m3u8
• 第一章 绪论和环境配置
• Part_0
• meta.json
• raw.m3u8
• 【作业讲解】第八章：文件、异常和模块
• 【作业讲解】第二章：Python基本语法元素
• 【作业讲解】第九章：有益的探索
• 【作业讲解】第六章：函数
• 【作业讲解】第七章：类
• 【作业讲解】第三章：基本数据类型
• 【作业讲解】第十二章：Pandas库
• 【作业讲解】第十三章：Matplotlib
• 【作业讲解】第十四章：Sklearn常规用法
• 【作业讲解】第十一章：Numpy库
• 【作业讲解】第十章：Python标准库
• 【作业讲解】第四章：复杂数据类型
• 【作业讲解】第五章：程序控制结构
• 【作业讲解】第一章：助教实际演示配置环境过程
• 第八章 文件、异常和模块
• 第二章 Python 基本语法元素
• 第九章 有益的探索
• 第六章 函数-面向过程的编程
• 第七章 类-面向对象的编程
• 第三章 基本数据类型
• 第十二章 Pandas库
• 第十三章 Matplotlib
• 第十四章 Sklearn常规用法
• 第十五章 再谈编程
• 第十一章 科学计算库—Numpy应用
• 第十章 Python标准库
• 第四章 组合数据类型
• 第五章 程序控制结构
• 第一章 绪论和环境配置
• 说明.docx
• 03 数学基础
• 【第二章】-1 初等变换引入+三种矩阵初等变换以及三种初等矩阵以及矩阵标准型
• 【第二章】-10对角化在压缩算法应用+二次型矩阵正定性+矩阵正定性在线性回归算法应用（下）
• 【第二章】-11 SVD分解的应用
• 【第二章】-2 初等变换的性质以及逆矩阵的另一种简单求法
• 【第二章】-3 矩阵秩的定义和性质以及线性方程组解的个数
• 【第二章】-4 矩阵的秩在线性回归算法中的应用
• 【第二章】-5 向量的线性相关线性无关于可逆矩阵的关系+向量的内积范数正交规范正交基
• 【第二章】-6 施密特规范正交化+特征值特征向量定义直观意义+特征值特征向量求法与常用性质
• 【第二章】-7 施密特规范正交化+特征值特征向量定义直观意义+特征值特征向量求法与常用性质
• 【第二章】-8 相似矩阵以及矩阵对角化+矩阵对角化的条件以及对称矩阵的对角化
• 【第二章】-9对角化在压缩算法的应用+二次型矩阵正定性+矩阵正定性在线性回归算法应用（上）
• 【第三章】-1 常用函数的导数以及到导数的常用公式，复合函数求导
• 【第三章】-10 矩阵的求导在深度学习中的应用
• 【第三章】-2 中值定理&洛必达法则&泰勒公式及应用
• 【第三章】-3 函数的凹凸性&函数的极值
• 【第三章】-4 不定积分
• 【第三章】-5 定积分
• 【第三章】-6 偏导数&多元函数复合求导法则链式求导法则
• 【第三章】-7 方向导数与梯度及其应用
• 【第三章】-8 多元函数泰勒公式与海森矩阵&多元函数的极值
• 【第三章】-9 矩阵的求导
• 【第四章-上】-1 随机实验样本空间随机事件&概率的定义&条件概率与乘法公式
• 【第四章-上】-2 全概率公式与贝叶斯公式及应用&独立性
• 【第四章-上】-3 随机变量与多维随机变量
• 【第四章-上】-4 期望与方差（上）
• 【第四章-上】-5 期望与方差（下）
• 【第四章-上】-6 参数的估计
• 【第四章-下】-1 无约束最优化梯度下降
• 【第四章-下】-2 无约束最优化牛顿法
• 【第四章-下】-3 约束最优化
• 【第一章】-1 导读课
• 【第一章】-10 分块矩阵
• 【第一章】-2 矩阵的基本概念和运算性质
• 【第一章】-3 矩阵的逆，转置和对称转置
• 【第一章】-4 行列式的计算
• 【第一章】-5 特殊矩阵的行列式与行列式的性质
• 【第一章】-6 行列式按行列展开，代数余子式
• 【第一章】-7 行列式的应用：克莱姆法则
• 【第一章】-8 矩阵的逆的引入
• 【第一章】-9 常用矩阵性质与特殊矩阵的逆
• 说明.docx
• BERT 模型系统班
• shuom.docx
• 【02课】BERT 模型结构(下)
• 【02课】bert模型结构(上)
• 第3章 BERT 模型预训练和微调(上)
• 第4章 BERT模型预训练和微调(下)
• 第5章 BERT微调项目代码解析(上)
• 第6章 BERT微调项目代码解析(下)
• 第7章 关系分类任务的微调
• 第8章 对抗训练原理(与代码实现)
• CV方向-人脸识别-入门难度-【KeSCI】基于卷积神经网络的表情识别大赛(CV方向)
• 【01】CV比赛课-赛前介绍和准备
• 3
• 说明.txt
• 【课件专栏】
• 文件.txt
• 【02课】Google Colab
• 【03课】卷积的基础知识和常用模型架构
• 【04课】比赛思路课
• 【05课】TFKeras和OpenCV
• 【06课】数据准备和增强
• 【07课】构建基础baseline模型
• 课件合集.docx
• 作业要求.docx
• python工具库实战
• 1.1-Python的基本语法
• 1.2-正则表达式
• 1.3-模块化程序和面向对象
• 2.1-高效的numpy数组
• 2.3-强大易学的绘图库Matplotlib
• 2.4-方便的数据分析库Pandas
• 3.1-文本分类Pipeline概述
• 3.2-特征预处理
• 4.1-必会的分类模型
• 4.2-聚类与集成
• 4.3-调参与经验
• 5.1-序列标注与CRF
• 5.2-XGBoost和主题模型LDA
• 6.1-中文分词工具Jieba
• 6.2-大而全的NLP工具HanLP
• 7.1-从感知机到神经网络
• 7.2-word2vec和LSTM
• 8.1-卷积网络
• 8.2-从Attention到Transformer
• 8.3-Bert及其变体
• 课程课件-代码.docx
• 作业合集.docx
• TOP方案解析系列视频课
• 【Biendata】海华赛阅读理解大赛-Part1（NLP方向）
• 【Biendata】海华赛阅读理解大赛-Part2（NLP方向）
• 【Biendata】海华赛阅读理解大赛-Part3（NLP方向）
• 【Kaggle】Web Traffic大赛TOP8方案（时间序列）
• 【CV】【图像分割】【Kaggle新赛】UW-Madison 肠胃道图像分割大赛
• 【01课 】 赛题介绍+kaggle平台学习+比赛数据探索性分析
• 【02课】 Baseline讲解
• 【03课】语义分割模型基础一，基础版
• 【04课】 语义分割模型基础二. 进阶版
• 【05课】通用比赛思路及历年分割比赛top思路代码讲解
• 【06课】直播答疑
• 打造舒适的AI开发环境–软件篇1
• 打造舒适的AI开发环境–软件篇23
• 打造舒适的AI开发环境–硬件篇
• 说明.docx
• 【CV方向】【目标跟踪任务】【Kaggle大赛】NFL头盔跟踪大赛指导班
• 【01课】赛题介绍+baseline详解
• 【02课】多目标跟踪模型流程细节
• 【03课】多目标跟踪模型发展
• 【04课】目标追踪赛题Trick
• 【05课】计算机视觉赛题复盘
• 【06课】模型融合&AuoML
• 【07课】比赛冲刺
• 说明 .docx
• 【CV方向】【目标检测】【Kaggle新赛】tensorflow海星目标检测大赛指导班
• 【01课】开营第一课（直播回放）
• 【02课】目标检测二阶段算法
• 【03课】修改网络设计
• 【04课】骨干网介绍和损失函数设计
• 【05课】数据增强和调参
• 【06】总结复盘
• 【06】总结复盘_2022-07-14_14-12-14
• 说明.docx
• 【CV方向】【目标检测】【进阶】【Kaggle大赛】全球小麦检测大赛指导班
• 【01课】Baseline构建思路
• 【02课】Baseline代码详解
• 【03课】自动调参工具讲解
• 【04课】比赛Trick专题讲解一
• 【05课】前四期专题知识点梳理回顾巩固
• 【06课】比赛Trick专题讲解二
• 【07课】比赛涉及paper详解
• 【08课】最强yolov5代码全解析
• 【09课】比赛总结复盘+Top方案分享
• 说明.docx
• 【CV方向】【图像分割·语义分割】【Kaggle大赛】入侵肾脏大赛
• 【01课】开营仪式：baseline构建思路
• 【02课】语义分割模型细节
• 【03课】语义分割模型基础
• 【04课】语义分割进阶Trick
• 【05课】语义分割竞赛复盘
• 【06课】模型融合
• 【07课】直播答疑
• 【08课】比赛冲刺
• 说明.docx
• 【CV方向】【图像分类】【Kaggle大赛】木薯叶病分类大赛指导班
• 【01课】赛题解析+Baseline思路
• 【02课】Baseline代码详解
• 【03课】自动调参工具
• 【04课】赛程中期答疑
• 【05课】图像分类问题的Trick1
• 【06课】Paper课程&effienct
• 【07课】图像分类问题的Trick2
• 【08课】总结复盘+面试经验分享
• 说明.docx
• 【CV方向】【图像分类】【Kaggle大赛】搜索外星人信号大赛
• 【01课】开营第一课
• 【03课】CNN分类模型发展
• 【04课】视觉赛题Trick
• 【05课】视觉竞赛复盘
• 【06课】模型融合&AuoML
• 【07课】直播答疑
• 【08课】比赛复盘
• 说明.docx
• 【CV方向】【图像检索】【进阶】【华为】DIGIX算法精英大赛图像检索赛道
• 【01课】赛题解析+Baseline构建（上）
• 【02课】赛题解析+Baseline构建（下）
• 【03课】图像基本知识
• 【04课】图像检索通用流程
• 【05课】常用前置处理方法
• 【06课】直播答疑日
• 【07课】常用特征抽取和融合方法
• 【08课】方案解析
• 【09课】结营仪式+比赛复盘
• 说明.docx
• 【CV方向】【图像预测】【入门】Kaggle新赛】分子翻译大赛指导
• 【01课】Kaggle平台简介&赛提介绍&Baseline
• 【02课】本地训练代码详解&baseline代码详解
• 【03课】自动调参工具讲解
• 【04课】基础trick讲解
• 【05课】Baseline Paper讲解
• 【06课】高级trick讲解
• 【07课】直播答疑
• 【08课】比赛复盘课
• 【GPU平台使用教程+代码训练】（入门指导）
• 说明.docx
• 【NLP】-【文本识别】-【入门】【达观杯】文本智能处理挑战赛指导（NLP方向）
• 【01课】赛前介绍和准备
• 【02课】赛题介绍和思路分析
• 【03课】数据分析及处理
• 【04课】Baseline实现
• 【05课】验证集构建和交叉验证
• 【06课】tensorflow2.0入门
• 【07课】词向量及word2vec简介
• 【08课】深度学习baseline构建
• 【09课】深度学习baseline交叉验证
• 【10课】深度学习模型提升
• 【11课】模型调参和模型融合
• 作业要求.docx
• 【NLP】【Token分类】【Kaggle新赛】NBME-临床患者病例评分大赛指导班
• 01-课赛题介绍+baseline详解
• 02课-BERT代码详解及HuggingFace Transfomers实战
• 03课-BERT及其变种
• 04课-代码实操课（kaggle环境）
• 05课-BERT变种和比赛技巧
• 06课-比赛总结和top方案分享
• 说明
• .docx 267.91kb
• 【NLP】【文本分类】【Kaggle新赛】有毒评论识别大赛指导班
• 【01课】赛题介绍+baseline讲解
• 【03课】赛题上分思路
• 【04课】比赛历史总结
• 【05课】比赛冲刺
• 【06课】答疑指导（1）
• 【07课】答疑指导（2）
• 【2】bert结构，自己看.docx
• 【Kaggle-基本介绍】（入门指导）
• 说明.docx
• 【NLP】【文本分类】【大数据】【新赛】达观杯风险事件标签识别大赛指导班
• 【01课】赛题介绍+baseline详解
• 【02课】BERT模型及其应用细节
• 【03课】更多预训练模型介绍
• 【04课】NLP赛题Trick
• 【05课】训练技巧（2）
• 【06课】预训练
• 【07课】模型集成
• 【08课】比赛冲刺
• 说明.docx
• 【NLP】【文本相似度】【kaggle新赛】美国专利短语相似度大赛
• 【01课】赛题介绍+baseline详解（理论+实操）
• 【02课】BERT预训练语言模型的介绍
• 【03课】Deberta等BERT变种预训练语言模型的介绍
• 【04课】比赛中的上分技巧
• 【05课】模型融合以及比赛解答
• 【06课】top方案的分享和比赛总结
• 说明.docx
• 【NLP方向】-【表情识别】-【进阶】【DataFountain】疫情期间网民情绪识别大赛
• 【01课】赛题详解
• 【02课】比赛专题讲解
• 【03课】模型调参和文本增强比赛专题讲解
• 【04课】比赛思路进阶专题讲解
• 【05课】比赛思路全复盘（纯干货）
• 【3月18日】第一次直播答疑
• 【3月25日】第二次直播答疑
• 第三次直播答疑
• 说明.docx
• 【NLP方向】【阿里云-天池】中药说明书实体识别赛道指导班（NLP方向）
• 【01课】赛题解析+Baseline构建（已更新）
• 【02课】NLP预训练模型介绍
• 【03课】命名实体识别解码器
• 【04课】中期直播答疑
• 【05课】baseline进阶
• 【06课】state-of-the-art模型介绍
• 【07课】直播答疑日
• 【08课】比赛复盘
• 【09课】Google-colab的使用（福利课）
• 说明.docx
• 【NLP方向】【基础】【CCF】非结构化商业文本信息中隐私信息识别指导班
• shuom.docx
• 【01课】赛题解析+Baseline构建
• 【02课】NER的常用模型设计
• 【03课】Badcase分析和后处理
• 【04课】论文解读&代码解析
• 【05课】直播答疑
• 【06课】深度模型提升
• 【07课】数据增强和模型融合
• 【08课】比赛复盘
• 【NLP方向】【文本分类】【Kaggle大赛】CommonLit文本复杂性识别大赛指导班
• 【01课】赛题介绍&baseline讲解
• 【02课】NLP赛题的流程细节
• 【03课】Bert分类模型发展
• 【04课】NLP赛题Trick
• 【05课】NLP竞赛复盘
• 【06课】模型融合&AuoML
• 【07课】直播答疑
• 【08课】比赛冲刺
• 说明.docx
• 【NLP方向】【文本分类】【入门】【天池】新闻文本分类比赛指导班
• 【01课】赛题思路+Baseline构建
• 【02课】NLP相关理论
• 【03课】竞赛流程与Baseline强化
• 【04课】NLP词向量基础
• 【05课】NLP词向量进阶
• 【06课】模型融合
• 【07课】直播答疑
• 【08课】比赛全复盘+最强方案解析
• 说明.docx
• 【nlp方向】【文本挖掘】【入门】【SODIC新赛】NLP技术实战-企业隐患排查
• 【01课】企业隐患排查（回放）
• 【02课】NLP经典模型
• 【03课】深度经典模型
• 【04课】迁移学习方法
• 【05课】常用trick
• 【06课】nlp前沿技术解读
• 【07课】解答学生常见问题
• 【08课】比赛复盘
• 说明.docx
• 【爱奇艺】WSDM用户留存大赛指导班
• shuom.docx
• 【01课】赛题介绍+baseline详解
• 【02课】特征工程
• 【03课】序列模型
• 【04课】Auto—ML&HPO
• 【05课】爱奇艺结营视频
• 【多模态】【ICPR新赛】多模态视频字幕识别大赛指导班
• 【01】赛题介绍 + Baseline 详解
• 【02课】视频ocr基础理论与多模态理论
• 【03课】基于TransVTSpotter的模型优化
• 【04课】基于视频多模态预训练的视频模型优化
• 【05课】基于纯语音模态的字幕识别
• 【06课】 融合视觉语音的多模态字幕识别
• 说明.docx
• 【多模态】【Kaggle大赛】Shopee商品匹配大赛指导班
• 【3月24日】开营仪式，赛题介绍与Baseline讲解
• 【3月31日】图像特征提取与图像检索
• 【4月18日】直播答疑
• 【4月23日】复赛冲刺
• 【4月3日】文本特征提取与文本检索
• 【4月6日】商品多模态匹配
• 【4月9日】信息检索比赛复盘
• 说明.docx
• 【多模态】【Kaggle新赛】宠物预测大赛指导班
• 【01课】赛题介绍+baseline讲解
• 【02课】CV相关理论介绍及其代码讲解
• 【03课】调参技巧与数据增强设计
• 【04课】多模态特证聚合理论介绍
• 【05课】CV和其他模态数据讲解
• 【06课】比赛总结复盘
• 说明.docx
• 【结构化数据挖掘】【金融风控】【CCF新赛】个贷违约预测大赛指导班
• 【01课】赛题介绍、baseline详解
• 【02课】数据分析与特征工程
• 【03课】高阶树模型使用
• 【04课】特征筛选方法
• 【05课】结构化风控赛题复盘
• 【06课】模型融合&AuoML
• 【07课】比赛冲刺
• 说明.docx
• 【金融量化-【时间序列】-【数据科学】【Kaggle大赛】简街市场预测大赛指导（金融量化·时间序列·数据科学）
• 【课件】随堂更新（数据集+PPT+代码）
• 说明.docx
• 【01课】赛题解析&Baseline思路
• 【02课】结构化解题流程细节
• 【03课】时间序列模型
• 【04课】量化模型入门
• 【05课】时间序列竞赛复盘
• 【06课】模型调参与AutoML
• 【07课】直播答疑
• 【09课】比赛冲刺
• 笔记.docx
• 作业要求.docx
• 【数据科学】-【地震预测】-【高级】【Kaggle大赛】地震预测大赛指导（数据科学）
• 3.地震预测
• 地震预测资料
• 【Kaggle：地震预测】第一周第一节课——赛题背景以及数据的EDA.ts
• 地震预测
• 【数据科学】-【房价预测】-【进阶】【Kaggle大赛】房价预测赛指导（数据科学）
• 1.房价预测
• 房价预测资料
• 1【Kaggle：房价预测】第一周第一节课——kaggle账号注册与竞赛入门
• 2 Kaggle：房价预测】第一周第二节课——账号注册以及本地化jupyter notebook
• 3【Kaggle：房价预测】第一周第三节课——赛题思路分析
• 4【Kaggle：房价预测】第一周第四课——数据清洗以及数据处理
• 【Kaggle：房价预测】第二次直播答疑
• 【Kaggle：房价预测】第二周第二节课——特征工程知识部分讲解
• 【Kaggle：房价预测】第二周第三节课——特征工程对baseline的提高
• 【Kaggle：房价预测】第二周第四节课——模型集成原理与实践
• 【Kaggle：房价预测】第二周第一节课——构建baseline
• 【Kaggle：房价预测】第一周第二节课——账号注册以及本地化jupyter notebook
• 【Kaggle：房价预测】第一周第三节课——赛题思路分析
• 房价预测
• 【数据科学】-【时间序列】-【进阶】【Kaggle大赛】M5-时间序列预测比赛指导班
• DARNN论文解析+比赛trick拓展专题直播
• 【01课】Kaggle平台简介+赛题解析+baseline思路讲解
• 比赛思路全复盘+思路应用+干货分享
• 第二次直播答疑
• 第三次直播答疑
• 第一次直播答疑
• 机器学习建模+深度学习建模专题直播
• 说明.docx
• 自回归建模+趋势拟合建模专题直播
• 【数据科学】-【销售预测】-【入门】【Kaggle大赛】预测未来销售赛指导（数据科学）
• 2.预测未来销售
• 预测未来销售资料
• 【Kaggle：预测未来销售】第二周第二节课——特征工程的数据预处理对排名的提升（2）.ts
• 【Kaggle：预测未来销售】第二周第三节课——模型的选择以及数据归一化对结果的影响.ts
• 【Kaggle：预测未来销售】第二周第一节课——特征工程的数据预处理对排名的提升1.ts
• 【Kaggle：预测未来销售】第一周第二节课——特征工程以及构建baseline.ts
• 【Kaggle：预测未来销售】第一周第一节课——赛题解读以及数据下载导入、赛题的理解分析.ts
• 预测未来销售
• 【数据科学】【Kaggle大赛】回答准确性预测大赛指导
• 【01课】赛题解析&baseline思路
• 【02课】结构化数据传统建模
• 【03课】结构化数据深度建模
• 【04课】直播答疑课
• 【05课】比赛相关Paper讲解
• 【06课】传统Baseline模型进阶
• 【07课】深度Baseline模型进阶
• 【08课】比赛冲刺
• 说明.docx
• 【数据科学】【Kaggle新赛】谷歌智能手机精准定位挑战赛指导班
• 【01课】赛题介绍、baseline详解
• 【02课】 赛题解析
• 【03课】数据处理、特征工程
• 【04课】传统模型
• 【05课】深度模型
• 【06课】 前沿分析
• 【07课】直播答疑
• 【08课】比赛复盘
• 说明.docx
• 【数据科学】【金融时序】【进阶】【Kesci】交子杯新网银行金融科技挑战赛AI指导
• 【01课】Baseline构建
• 【02课】比赛相关理论讲解
• 【03课】结合比赛的机器学习和深度学习讲解
• 【04课】机器学习建模和提升
• 【05课】深度学习建模和提升
• 【06课】模型融合提升
• 【07课】直播答疑日
• 【08课】比赛指导总复盘
• 说明.docx
• 【数据科学】【量化交易】【时间序列】【Kaggle新赛】量化比赛-股票市场波动率预测大赛指导班
• 【01课】开营第一课（直播回放）
• 【02课】量化交易简介与Baseline代码详解
• 【03课】高频因子挖掘套路（一）
• 【04课】树模型局限性和常用融合技巧
• 【05课】高频因子挖掘套路（二）
• 【06课】特征加工加速工具
• 【07课】量化交易拓展知识
• 说明.docx
• 【推荐系统】【华为新赛】DIGIX2021基于多目标优化的视频推荐赛道
• shuom.docx
• 【01课】赛题介绍+baseline详解
• 【02课】推荐赛题的流程细节
• 【03课】推荐模型发展
• 【04课】推荐赛题Trick
• 【05课】推荐系统竞赛复盘
• 【06课】模型融合&AuoM
• 【07课】比赛冲刺
• 【推荐系统】快速入门推荐算法基于top-k的推荐赛
• 【01课】推荐系统算法总体介绍+赛题介绍+baseline讲解
• Part_0
• meta.json
• raw.m3u8
• 【02课】推荐系统中的召回算法
• Part_0
• meta.json
• raw.m3u8
• 【03课】推荐系统中的多兴趣召回算法
• Part_0
• meta.json
• raw.m3u8
• 【04课】推荐系统中的排序算法
• Part_0
• meta.json
• raw.m3u8
• 【05课】推荐系统中的多目标算法
• Part_0
• meta.json
• raw.m3u8
• 【06课】知识图谱在推荐系统中的应用
• Part_0
• meta.json
• raw.m3u8
• 金钱游戏03
• Part_0
• meta.json
• raw.m3u8
• 【01课】推荐系统算法总体介绍+赛题介绍+baseline讲解
• 【02课】推荐系统中的召回算法
• 【03课】推荐系统中的多兴趣召回算法
• 【04课】推荐系统中的排序算法
• 【05课】推荐系统中的多目标算法
• 【06课】知识图谱在推荐系统中的应用
• 说明.docx
• 【综合赛】【推荐系统】【高级】阿里云-天池】KDD-Debiasing赛道指导班
• 【01课】赛题理解+Baseline基本思路专题直播
• 【02课】赛题思路分析专题直播
• 【03课】直播答疑
• 【04课】Paper解读（召回+排序+paper解读分析）专题直播
• 【05课】提分思路+模型调参专题直播
• 【06课】深度学习-工程架构分析专题直播
• 【07课】模型融合-特征工程专题直播
• 【08课】直播答疑
• 【09课】KDD总复盘
• 说明.docx
• 深度学习PyTorch框架班
• 【必看】深入浅出PyTorch
• 【第八周】图像分类一瞥
• 【第八周】图像分类一瞥_2022-07-14_10-22-57
• 【第八周】图像目标检测一瞥（上）
• 【第八周】图像目标检测一瞥（下）
• 【第二周】二十二种transforms数据预处理方法
• 【第二周】数据读取机制Dataloader与Dataset
• 【第二周】数据预处理transforms模块机制
• 【第二周】学会自定义transforms方法
• 【第二周】作业讲解
• 【第九周】生成对抗网络一瞥
• 【第九周】循环神经网络一瞥
• 【第六周】Batch Normalization
• 【第六周】Normalizaiton_layers
• 【第六周】正则化之Dropout
• 【第六周】正则化之weight_decay
• 【第七周】GPU的使用
• 【第七周】PyTorch常见报错
• 【第七周】模型finetune
• 【第七周】模型保存与加载
• 【第七周】作业讲解
• 【第三周】nn网络层-池化-线性-激活函数层
• 【第三周】nn网络层-卷积层
• 【第三周】模型创建步骤与nn.Module
• 【第三周】模型容器与AlexNet构建
• 【第三周】作业讲解
• 【第四周】torch.optim.SGD
• 【第四周】权值初始化
• 【第四周】损失函数(二)
• 【第四周】损失函数（一）
• 【第四周】优化器optimizer的概念
• 【第四周】作业讲解
• 【第五周】hook函数与CAM可视化
• 【第五周】TensorBoard简介与安装
• 【第五周】TensorBoard使用（二）
• 【第五周】TensorBoard使用（一）
• 【第五周】学习率调整策略
• 【第五周】作业讲解
• 【第一周】autograd与逻辑回归
• 【第一周】PyTorch简介与安装
• 【第一周】补充-pytorch开发环境安装
• 【第一周】计算图与动态图机制
• 【第一周】张量操作与线性回归
• 【第一周】张量简介与创建
• 【第一周】作业讲解1
• 【第一周】作业讲解2
• 【第一周】作业讲解3
• 说明.docx
• 神经网络基础知识
• 学员课件
• 01-ppt-神经网络基础与多层感知机-2
• 02-ppt-卷积神经网络-1-2
• 03-ppt-循环神经网络-3.28.docx
• 03-ppt-循环神经网络-3.28
• 01-神经网络基础与多层感知机-0
• 01-神经网络基础与多层感知机-1
• 01-神经网络基础与多层感知机-2
• 01-神经网络基础与多层感知机-3
• 01-神经网络基础与多层感知机-4
• 02-卷积神经网络-0
• 02-卷积神经网络-1
• 02-卷积神经网络-2
• 03-循环神经网络-0
• 03-循环神经网络-1
• 03-循环神经网络-2
• 说明.docx