课程目录

• 01.机器学习-剪辑版-路丰坤-1524
• 章节32-32-Adaboost多分类与回归
• 课时5-Adaboost多分类-第二棵树构建
• 课时3-Adaboost多分类-拆分条件计算
• 课时1-Adaboost-多分类-建模与可视化
• 课时8-Adaboost回归-公式流程
• 课时6-Adaboost多分类-概率计算
• 课时9-Adaboost回归-第一棵树构建
• 课时7-Adaboost回归-案例应用
• 课时2-Adaboost多分类-gini系数计算
• 课时4-Adaboost多分类-误差与更新权重
• 章节40-40-聚类-【高级】
• 课时6-代码杠杆
• 课时4-分层聚类-概述
• 课时5-分层聚类-案例介绍
• 课时3-DBSCAN-案例应用
• 课时1-KMeans-图片像素聚类
• 课时2-DBSCAN-概述
• 章节5-5-pandas中级
• 课时3-Excel文件读写
• 课时5-批量读取大文件
• 课时1-数据查看
• 课时2-csv文件读写
• 课时6-行索引列索引
• 课时4-Sql读写操作
• 章节20-20-降维算法-PCA
• 课时3-逻辑斯蒂回归-梯度下降-更新函数
• 课时7-降维算法-PCA概念和应用
• 课时5-降维算法-数据降维
• 课时6-降维算法-常用降维方法
• 课时8-降维算法-PCA数据模型训练
• 课时1-逻辑斯蒂回归-损失函数-推导
• 课时4-降维算法-相关背景
• 课时2-逻辑斯蒂回归-损失函数可视化
• 章节4-4-pandas初级
• 课时1-广播机制
• 课时2-元素级数学函数
• 课时4-数学和统计函数
• 课时6-pandas数据分析库介绍
• 课时5-线性代数
• 课时3-通用函数举例
• 课时7-数据结构
• 章节11-11-K近邻算法原理与案例
• 课时2-KNN-算法原理概述
• 课时1-KNN-算法使用流程
• 课时4-KNN-超参数设置
• 课时3-KNN-超参数设置-模型保存
• 课时5-KNN-手写数字识别
• 章节26-26-决策回归树与集成算法概念
• 课时8-集成算法-不同方式和步骤
• 课时4-决策回归树-最佳裂分点计算
• 课时3-决策回归树-裂分mse计算
• 课时2-决策回归树树-代码应用
• 课时1-决策回归树-概念
• 课时6-决策回归树-糖尿病案例VS线性回归
• 课时5-决策回归树-节点value计算
• 课时7-集成算法-概述
• 章节1-1-开班典礼
• 课时5-高效学习
• 课时4-行业发展
• 课时2-课程安排
• 课时3-讲师介绍
• 课时1-课堂纪律
• 章节23-23-决策树算法
• 课时6-决策树-代码应用
• 课时2-降维算法-NMF代码实现
• 课时5-决策树-概述
• 课时3-降维算法-LLE原理
• 课时1-降维算法-NMF原理
• 课时4-降维算法-LLE代码实现
• 章节35-35-SVM【初级】
• 课时5-SVM-超平面可视化
• 课时1-XGBoost-筛选最佳模型数量-回顾
• 课时3-SVM-什么是支持向量机
• 课时2-XGBoost-筛选最佳参数实战
• 课时4-SVM-分类应用
• 课时6-SVM-构建目标函数【一】
• 章节8-8-matplotlib高级
• 课时2-matplotlib-脊柱移动
• 课时1-matplotlib-图例
• 课时6-matplotlib-嵌套
• 课时7-matplotlib-双轴布局
• 课时5-matplotlib-子视图
• 课时3-matplotlib-图片保存
• 课时4-matplotlib-风格和样式
• 章节33-33-XGBoost原理与应用
• 课时4-GBDT-XGBoost对比
• 课时2-XGBoost-概述
• 课时6-XGBoost使用方式之一
• 课时3-XGBoost树-定义
• 课时1-Adaboost-回归树的构建与预测
• 课时7-XGBoost其他使用方式
• 课时5-XGBoost和GBDT差异
• 章节30-30-Adaboost二分类【初级】
• 课时2-Adaboost提升算法-算法流程介绍
• 课时1-Adaboost提升算法-概述
• 课时4-Adaboost提升算法-乳腺癌案例应用
• 课时5-Adaboost提升算法-手写数字案例应用
• 课时7-Adaboost提升算法-代码模拟【建模和可视化】
• 课时3-Adaboost提升算法-话语权和权重更新说明
• 课时6-Adaboost提升算法-算法公式流程
• 章节37-37-SVM【高级】
• 课时6-SVM-非线性核函数案例
• 课时3-SVM-非线性核函数
• 课时4-SVM-核函数介绍
• 课时2-SVM-对偶问题
• 课时5-SVM-核函数应用案例
• 课时1-SVM-KKT条件【三】
• 章节6-6-pandas高级
• 课时5-map字典映射
• 课时8-抽样和独热编码
• 课时6-apply元素改变
• 课时3-赋值操作
• 课时1-位置选择
• 课时2-boolean索引
• 课时9-分箱操作
• 课时7-transform数据改变
• 课时4-轴和元素的替换
• 章节13-13-多元线性回归【高级】
• 课时4-正规方程-正规方程推导
• 课时1-正规方程-二元一次方程
• 课时3-正规方程-八元一次方程总结
• 课时2-正规方程-八元一次方程
• 章节19-19-逻辑斯蒂回归【二】
• 课时3-逻辑斯蒂回归-多分类-multinomial-概率计算
• 课时1-逻辑斯蒂回归-二分类-概率计算
• 课时4-逻辑斯蒂回归-多分类思想
• 课时2-逻辑斯蒂回归-多分类-ovr-概率计算
• 课时5-逻辑斯蒂回归-损失函数
• 章节28-28-GBDT梯度提升树【高级】
• 课时8-GBDT-原理推导-叶节点value公式推导【一】
• 课时9-GBDT-原理推导-叶节点value公式推导【二】
• 课时7-GBDT-原理推导-F0初始值公式推导
• 课时2-GBDT-代码模拟-拟合第三棵树与概率计算
• 课时4-GBDT-原理推导-损失函数公式
• 课时1-GBDT-代码模拟-拟合第二棵树
• 课时5-GBDT-原理推导-损失函数化简
• 课时6-GBDT-原理推导-损失函数求导
• 课时3-GBDT-公式的由来-疑问
• 章节3-3-NumPy高级
• 课时1-数据类型
• 课时4-基本索引和切片
• 课时6-形状改变
• 课时5-花式索引
• 课时2-数组运算
• 课时3-复制和视图
• 章节31-31-Adaboost二分类【高级】
• 课时5-Adaboost代码模拟-第二棵树构建
• 课时3-Adaboost代码模拟-最佳裂分条件计算【二】
• 课时1-Adaboost代码模拟-gini系数计算
• 课时2-Adaboost代码模拟-最佳裂分条件计算
• 课时7-Adaboost代码模拟-弱学习器融合
• 课时8-Adaboost代码模拟-概率计算
• 课时6-Adaboost代码模拟-第三棵树构建
• 课时4-Adaboost代码模拟-误差、权重、更新
• 章节39-39-聚类-【初级】
• 课时3-聚类-概述
• 课时4-Kmeans-概述
• 课时5-Kmeans-亚洲足球国家队聚类
• 课时2-SVM-人脸识别-案例
• 课时1-课前分享
• 课时6-Kmeans-轮廓系数筛选合适的聚类个数K
• 章节16-16-梯度下降【高级】
• 课时6-梯度下降-套索回归-原理
• 课时2-梯度下降-最大值最小值归一化
• 课时1-梯度下降-归一化作用和意义
• 课时5-梯度下降-正则化
• 课时3-梯度下降-Z-score标准化
• 课时4-梯度下降-归一化总结
• 章节36-36-SVM【中级】
• 课时2-SVM-线性分类-分界线绘制
• 课时6-SVM-KKT条件介绍【二】
• 课时3-SVM-拉格朗日乘子法
• 课时1-SVM-目标函数【二】
• 课时4-SVM-拉格朗日乘子法-推导
• 课时5-SVM-KKT条件介绍【一】
• 章节22-22-降维算法
• 课时2-降维算法-KNN手写数字预测
• 课时6-降维算法-LDA模拟实现
• 课时4-降维算法-LDA介绍
• 课时1-降维算法-PCA总结概述
• 课时3-降维算法-逻辑斯蒂回归首先数据预测
• 课时5-降维算法-LDA代码降维案例
• 章节10-10-K近邻算法原理与应用
• 课时1-数据分析师岗位数据分析-数据处理
• 课时2-数据分析师岗位数据分析-工作经验和薪资关系
• 课时3-数据分析师岗位数据分析-学历、技能、大公司技能要求
• 课时5-KNN近邻算法-鸢尾花分类算法举例
• 课时4-数据分析师岗位数据分析-不同规模公司招聘人才工作年限的差异
• 章节2-2-NumPy初级
• 课时3-Python库的安装
• 课时2-Python安装
• 课时7-数组保存
• 课时6-数组基本操作
• 课时4-anaconda安装
• 课时5-jupyter扩展插件配置
• 课时1-NumPy介绍
• 章节34-34-XGBoost实战
• 课时7-XGBoost-最优化函数
• 课时6-XGBoost-最终目标函数
• 课时3-XGBoost-损失函数二阶泰勒展开公式
• 课时2-XGBoost-目标损失函数
• 课时4-XGBoost-树的结构
• 课时5-XGBoost-树的复杂度
• 课时8-XGBoost-实战-加载处理数据
• 课时1-XGBoost-参数-提前终止参数解释
• 课时9-XGBoost-实战-筛选最佳的模型参数
• 章节18-18-逻辑斯蒂回归【一】
• 课时1-梯度下降-天猫双十一销量预测【一】
• 课时4-逻辑斯蒂回归-代码应用举例
• 课时2-梯度下降-天猫双十一销量预测【二】
• 课时3-逻辑斯蒂回归-概念概述
• 章节17-17-线性回归之特征工程【实战】
• 课时7-梯度下降-多项式代码演示
• 课时2-梯度下降-套索回归代码应用举例
• 课时4-梯度下降-Ridge代码演示使用
• 课时1-梯度下降-套索回归原理
• 课时6-梯度下降-多项式概念
• 课时5-梯度下降-弹性网络代码演练
• 课时3-梯度下降-Ridge岭回归原理介绍
• 章节24-24-决策树高级
• 课时4-决策树-未分裂-信息熵计算
• 课时2-决策树-可视化操作
• 课时6-决策树-筛选最佳裂分条件
• 课时1-决策树-可视化-软件安装
• 课时5-决策树-裂分条件的计算
• 课时3-决策树-信息熵
• 章节7-7-matplotlib初级
• 课时5-matplotlib-概率
• 课时6-matplotlib-图形绘制
• 课时7-matplotlib-刻度标签标题
• 课时4-数据分析师岗位-行业信息
• 课时3-数据分析师岗位-技能提取
• 课时1-数据分析师岗位-数据清洗
• 课时2-数据分析师岗位-薪水处理
• 章节12-12-多元线性回归【初级】
• 课时1-线性回归推导
• 课时2-线性回归的基本使用
• 课时3-线性回归的应用
• 章节9-9-matplotlib高级
• 课时2-极坐标图
• 课时7-数据分析师岗位分析实战
• 课时5-饼图
• 课时1-条形图
• 课时6-热力图
• 课时4-散点图
• 课时3-箱型图
• 章节15-15-梯度下降【中级】
• 课时2-梯度下降-三种不同梯度下降方式
• 课时1-梯度下降-代码模拟可视化
• 课时4-梯度下降-BGD更新公式
• 课时6-梯度下降-SGD更新公式与代码演示
• 课时3-梯度下降-梯度下降更新公式
• 课时5-梯度下降-BGD代码演示
• 章节14-14-梯度下降【初级】
• 课时2-梯度下降-无约束最优化
• 课时1-梯度下降-波士顿房价预测
• 课时4-梯度下降-公式
• 课时6-梯度下降-代码模拟梯度下降
• 课时5-梯度下降-学习率梯度下降步骤
• 课时3-梯度下降-概念
• 章节29-29-GBDT梯度提升回归树
• 课时4-GBDT-回归树概念
• 课时8-GBDT-回归树-原理-预测结果计算
• 课时3-集成算法-自建bagging算法
• 课时6-天池工业蒸汽量预测-GBDT梯度提升回归树建模
• 课时5-天池工业蒸汽量预测-线性回归建模
• 课时7-GBDT-回归树-原理-建模可视化
• 课时9-GBDT-回归树-原理-最佳裂分条件计算
• 课时1-GBDT-二分类步骤总结
• 课时2-集成算法-不同模式介绍
• 章节21-21-降维算法
• 课时1-降维算法-PCA两种实现原理
• 课时5-降维算法-PCA降维-代码实现
• 课时6-降维算法-SVD原理
• 课时3-降维算法-特征值和特征向量
• 课时2-降维算法-协方差和散度矩阵
• 课时4-降维算法-PCA降维
• 课时7-降维算法-SVD奇异值分解-PCA降维
• 章节27-27-GBDT梯度提升树【初级】
• 课时1-GBDT-信息熵-回归
• 课时6-GBDT-构建二分类数据-建模可视化
• 课时8-GBDT-代码模拟-拟合第一棵树
• 课时5-GBDT-对应公式
• 课时2-GBDT-交叉熵
• 课时4-GBDT-代码应用
• 课时7-GBDT-代码模拟-初始残差mse
• 课时3-GBDT-sigmoid函数
• 章节25-25-决策树进阶
• 课时1-决策树-继续叶节点分裂
• 课时4-决策树-剪枝操作
• 课时2-决策树-分裂指标
• 课时5-决策树-筛选超参数
• 课时3-决策树-gini系数裂分
• 章节38-38-SVM【进阶】
• 课时8-SVM-特定多分类应用
• 课时3-SVM-目标函数优化【硬间隔】二
• 课时6-SVM-天猫双十一销量预测
• 课时1-SVM-中级-知识点修正【边界线绘制】
• 课时7-SVM-软间隔目标函数优化流程介绍
• 课时2-SVM-目标函数优化【硬间隔】一
• 课时5-SVM-不同核函数回归问题
• 课时4-SVM-目标函数优化【硬间隔】三
• 46.天猫用户复购预测项目实战-660
• 章节1-天猫用户复购预测项目实战
• 课时6-用户特征工程
• 课时7-店铺特征工程
• 课时14-XGB算法建模
• 课时4-数据集成
• 课时10-空数据填充
• 课时1-天猫用户复购预测项目实战概述
• 课时2-数据加载
• 课时8-用户店铺联合特征工程
• 课时12-数据存储
• 课时13-LGB算法建模
• 课时9-购买点击比
• 课时11-年龄性别类别型转换
• 课时3-数据查看
• 课时5-数据类型转换
• 课时15-LGB交叉验证多轮建模
• 课时16-XGB交叉验证多轮建模
• 41.深度学习进阶-793
• 章节2-正则化
• 课时1-正则化
• 章节1-梯度下降算法改进
• 课时1-梯度下降优化算法
• 51.智能发电厂工业蒸汽量项目预测实战-658
• 章节1-智能发电厂工业蒸汽量预测项目实战（阿里巴巴实战项目）
• 课时22-智能发电厂工业蒸汽量预测-模型融合其他算法调参
• 课时14-智能发电厂工业蒸汽量预测-多元线性回归建模线上检验
• 课时3-智能发电厂工业蒸汽量预测-箱型图数据探索
• 课时8-智能发电厂工业蒸汽量预测-数据拆分
• 课时15-智能发电厂工业蒸汽量预测-随机森林建模线上检验
• 课时20-智能发电厂工业蒸汽量预测-模型融合算法调参函数
• 课时11-智能发电厂工业蒸汽量预测-模型初验
• 课时12-智能发电厂工业蒸汽量预测-模型预测之数据加载
• 课时17-智能发电厂工业蒸汽量预测-GBDT建模线上检验
• 课时2-智能发电厂工业蒸汽量预测-数据介绍
• 课时1-智能发电厂工业蒸汽量预测-项目介绍
• 课时23-智能发电厂工业蒸汽量预测-模型融合bagging
• 课时6-智能发电厂工业蒸汽量预测-归一化
• 课时7-智能发电厂工业蒸汽量预测-正态化操作
• 课时19-智能发电厂工业蒸汽量预测-模型融合数据加载
• 课时21-智能发电厂工业蒸汽量预测-模型融合岭回归调参
• 课时16-智能发电厂工业蒸汽量预测-SVR建模线上检验
• 课时13-智能发电厂工业蒸汽量预测-模型预测之学习曲线
• 课时9-智能发电厂工业蒸汽量预测-异常值过滤
• 课时4-智能发电厂工业蒸汽量预测-数据分布
• 课时18-智能发电厂工业蒸汽量预测-lightGBM和Xgboost建模线上检验
• 课时5-智能发电厂工业蒸汽量预测-特征筛选
• 课时10-智能发电厂工业蒸汽量预测-多重共线性
• 17.基于CNN的10种物体识别项目-828
• 章节1-基于CNN的10种物体识别项目
• 课时3-读取数据集
• 课时6-配置网络
• 课时2-数据集介绍
• 课时4-数据预处理
• 课时9-网络优化
• 课时7-模型训练
• 课时8-结果展示
• 课时1-项目介绍
• 课时5-定义卷积神经网络
• 06.Python数据分析综合项目实战-656
• 章节1-数据分析师岗位需求分析
• 课时10-不同城市工作经验与薪水关系
• 课时4-数据清洗薪水转换
• 课时3-数据清洗数据提取
• 课时7-各城市数据分析师岗位需求量
• 课时14-不同规模公司招聘差异
• 课时12-技能与薪资对应关系
• 课时6-数据清洗行业信息处理
• 课时9-各城市数据分析师平均薪资
• 课时2-数据加载
• 课时1-数据分析综合项目实战介绍
• 课时11-数据分析师学历要求
• 课时8-不同细分领域数据分析岗位需求量
• 课时13-大公司对数据分析师技能要求
• 课时5-数据清洗技能提取
• 50.线性回归算法-497
• 章节6-梯度下降优化进阶
• 课时5-L1正则化套索回归权重衰减梯度下降公式
• 课时2-套索回归介绍
• 课时3-L1正则化可视化图形
• 课时9-ElasticNet弹性网络应用
• 课时1-归一化之预测结果升华提升
• 课时6-L2正则化岭回归原理详解
• 课时8-Lasso套索回归应用
• 课时7-Ridge岭回归应用
• 课时4-L1正则化稀松性缩小系数到零
• 章节4-梯度下降进阶
• 课时1-三种常用梯度下降介绍对比
• 课时9-MBGD小批量梯度下降代码实现
• 课时5-BGD批量梯度下降代码实现
• 课时6-BGD批量梯度下降求解多元一次方程
• 课时2-线性回归梯度下降更新公式
• 课时3-BGD批量梯度下降更新公式
• 课时8-SGD随机梯度下降求解多元一次方程
• 课时7-SGD随机梯度下降求解一元一次方程
• 课时4-SGD和MBGD更新公式
• 章节3-梯度下降
• 课时8-梯度下降可视化
• 课时1-波士顿房价加载与查看
• 课时7-梯度下降代码演示
• 课时4-梯度下降概念介绍
• 课时5-梯度下降步骤
• 课时3-模型评估
• 课时6-函数与导函数求解最优解
• 课时2-数据拆分建模与预测
• 章节2-多元线性回归推导
• 课时7-正规方程线性回归演示
• 课时3-正规方程推导过程
• 课时8-sklearn线性回归演示
• 课时1-八元一次方程问题再现
• 课时4-凸函数判定
• 课时5-最大似然估计
• 课时6-最小二乘法公式推导
• 课时2-八元一次方程增加截距求解
• 章节7-线性回归升维与实战
• 课时7-多项式回归实战天猫双十一销量预测（随机梯度下降模型）
• 课时5-多项式回归升维实战（二）
• 课时2-多项式回归升维概念介绍
• 课时1-天池工业蒸汽量项目不同模型预测结果
• 课时4-多项式回归升维维度概念详解
• 课时3-多项式回归升维实战（一）
• 课时6-多项式回归实战天猫双十一销量预测（线性回归模型）
• 课时8-中国人寿保费预测（EDA数据探索）
• 章节5-梯度下降优化
• 课时5-天池工业蒸汽量项目归一化实战（二）
• 课时3-Z-score归一化
• 课时4-天池工业蒸汽量项目归一化实战（一）
• 课时6-过拟合欠拟合与正则化
• 课时2-最小值最大值归一化
• 课时1-归一化目的
• 章节1-线性回归正规方程
• 课时2-什么是线性回归
• 课时8-sklearn带截距运算
• 课时6-正规方程应用求解多元一次方程
• 课时5-正规方程
• 课时3-线性回归基本概念
• 课时4-线性回归概念更上一层楼
• 课时1-承前启后数据分析概要
• 课时7-sklearn线性回归正规方程运算
• 29.卷积神经网络-796
• 章节3-CNN网络实战技巧
• 课时3-迁移学习之训练最后几层参数
• 课时1-迁移学习概念
• 课时2-迁移学习代码实现
• 章节2-经典分类网络结构
• 课时5-VGG网络实现
• 课时9-GoogLeNet训练
• 课时1-cifar-10数据集识别
• 课时3-手动实现AlexNet
• 课时11-padding的研究
• 课时7-Inception结构和辅助输出结构
• 课时10-resnet网络结构
• 课时6-GoogLeNet网络结构
• 课时13-resnet训练代码
• 课时8-GoogLeNet网络结构定义
• 课时4-VGG网络结构
• 课时2-AlexNet详解
• 课时12-搭建resnet网络
• 章节1-卷积神经网络原理
• 课时3-使用卷积操作图片
• 课时5-图片数据读取
• 课时4-搭建卷积神经网络
• 课时1-卷积神经网络引入
• 课时2-卷积神经网络原理
• 章节4-前沿分类网络
• 课时6-mobilenetv3源码解读
• 课时4-mobilenetv2代码详解
• 课时1-ResNeXt网络原理
• 课时5-mobilenetv3网络结构详解
• 课时3-dw卷积和传统卷积对比和mobilenet原理复习
• 课时2-mobilenetv1v2原理
• 04.Python高级编程-118
• 章节1-生成器与高级函数
• 课时4-62第一章-高阶函数1
• 课时7-65第一章-高阶函数4
• 课时11-68第一章-装饰器2和偏函数
• 课时3-61第一章-迭代器
• 课时1-59第一章-生成器1
• 课时10-67第一章-装饰器1
• 课时2-60第一章-生成器2
• 课时6-64第一章-高阶函数3
• 课时5-63第一章-高阶函数2
• 课时8-66-前的视频-闭包介绍
• 课时9-66第一章-闭包
• 章节2-章节装饰器
• 课时6-74第二章-元类的理解1
• 课时7-75第二章-元类的理解2
• 课时2-70第二章-Property装饰器的用法
• 课时3-71第二章-多继承和定制对象1
• 课时5-73第二章-枚举类
• 课时1-69第二章-slots属性的限制
• 课时4-72第二章-定制对象2
• 章节3-正则表达式
• 课时5-80第三章-正则表达式的写法4
• 课时6-81第三章-Re模块的高级用法
• 课时2-77第三章-正则表达式的写法1
• 课时3-78第三章-正则表达式的写法2
• 课时4-79第三章-正则表达式的写法3
• 课时1-76第三章-正则表达式的编译
• 章节4-内存管理
• 课时3-3-第四章-隔代回收机制
• 课时2-2-第四章-引用计数机制
• 课时1-1-第四章-对象池
• 32.汽车产品聚类分析项目实战-662
• 章节1-汽车产品聚类分析综合项目实战
• 课时1-数据加载
• 课时4-汽车产品聚类-结果分析
• 课时3-归一化操作
• 课时2-数值编码化
• 21.基于OpenCV的信用卡数字识别项目-825
• 章节1-信用卡数字识别
• 课时5-数字模板处理和信用卡图片形态学操作
• 课时3-ostu算法
• 课时6-数字轮廓获取和匹配
• 课时2-匹配多个对象
• 课时4-处理模板图片
• 课时1-模板匹配
• 24.基于TensorFlow的CiFar10物品分类项目-827
• 章节1-CiFar10物体识别
• 课时5-定义网络
• 课时3-读取数据集
• 课时7-模型训练
• 课时9-过拟合问题
• 课时2-Cifar10数据集介绍
• 课时8-深层神经网络
• 课时1-项目介绍
• 课时6-配置网络
• 课时4-数据预处理
• 02.Fashion-MNIST时尚物品分类项目-851
• 章节1-Fashion-MNIST时尚物品分类
• 课时6-定义预测过程
• 课时3-数据读取
• 课时5-定义训练过程
• 课时9-模型预测
• 课时1-项目介绍
• 课时2-数据集介绍
• 课时8-保存和加载模型
• 课时4-创建模型
• 课时7-训练过程
• 31.爬虫基础-641
• 章节5-数据存储
• 课时15-数据操作语言_insert_update_delete
• 课时33-MongoDB简单查询操作
• 课时7-使用Python向Excel文件中写入数据
• 课时28-MongoDB与SQL的对比_常用的数据类型
• 课时21-Python连接MySQL数据库_修改与删除操作
• 课时20-Python连接MySQL数据库_批量插入操作
• 课时14-数据定义语言_create_alter_drop
• 课时25-课堂案例_数据解析
• 课时34-MongoDB的复杂查询操作
• 课时6-Excel文件相关概念介绍_openpyxl模块的安装与测试
• 课时17-数据查询语言_分组查询
• 课时2-课堂案例_爬取京东销量最好的粽子数据
• 课时30-MongoDB的insert操作
• 课时38-课堂案例_爬取链家二手房成交量存到MongoDB中
• 课时26-课堂案例_数据存储
• 课时16-数据查询语言_基本查询_模糊查询
• 课时37-Python操作MongoDB_查询操作
• 课时19-Python连接MySQL数据库_插入操作
• 课时11-MySQL服务的开启与关闭
• 课时29-MongoDB最基本命令
• 课时5-课堂案例_使用CSV文件存储粽子评论数据
• 课时23-课堂案例_搭建项目结构
• 课时10-MySQL的简介
• 课时8-使用Python读取Excel文件中的内容
• 课时1-数据存储_JSON存储
• 课时22-Python连接MySQL数据库_查询操作
• 课时24-课堂案例_发送请求
• 课时13-SQL的分类
• 课时31-MongoDB的save与update操作
• 课时36-Python操作MongoDB_修改_删除操作
• 课时35-Python操作MongoDB_插入操作
• 课时27-MongoDB的简介_安装及启动服务
• 课时32-MongoDB的remove操作
• 课时3-CSV文件的简介_使用Python向CSV文件写入数据
• 课时4-使用Python读取CSV文件中的内容
• 课时9-课堂案例-爬取下厨房美食_存储到Excel文件中
• 课时12-MySQL的数据类型
• 课时18-数据查询语言_表连接查询
• 章节1-初识爬虫
• 课时4-如何爬取数据及robots协议
• 课时5-爬虫的分类
• 课时1-说在前面的话
• 课时3-爬虫的概念及应用领域
• 课时2-数据的来源及作用
• 课时7-为什么用Python语言写爬虫
• 课时6-网络爬虫的原理
• 章节2-爬虫开发基础
• 课时10-JSON数据及解析
• 课时1-HTTP与HTTPS
• 课时9-Cookie的工作原理
• 课时7-使用Chrome浏览器分析豆瓣网站
• 课时6-HTTP请求的交互过程
• 课时4-常见的请求头参数
• 课时3-常见的请求方式
• 课时5-常见的响应状态码
• 课时2-URL与URI
• 课时8-Session的工作原理
• 课时11-Ajax请求
• 章节3-网络请求
• 课时1-urllib简介_urllib.parse的使用
• 课时2-构造Request对象发送请求
• 课时3-urlopen方法的源代码
• 章节4-数据解析
• 课时10-课堂案例-爬取起点小说网
• 课时7-课堂案例-下载糗事百科小视频
• 课时5-课堂案例-爬取淘宝网首页使用BeautifulSoup解析数据
• 课时9-pyquery的基本使用
• 课时8-pyquery简介_三种初始化方式
• 课时6-正则表达式的基本使用
• 课时3-BeautifulSoup的简介_基本使用
• 课时4-BeautifulSoup的使用
• 课时2-课堂案例-爬取起点小说网使用XPath提取数据
• 课时1-初识XPath解析数据
• 52.自然语言处理(NLP)-798
• 章节1-自然语言处理基础概念
• 课时2-序列数据研究
• 课时1-NLP介绍和NLP初期发展
• 课时3-文本预处理
• 42.深度学习-目标检测YOLO实战-198
• 章节5-YOLO-V4网络模型介绍
• 课时10-PAN模块解读
• 课时9-SAM注意力机制模块
• 课时5-损失函数局限性
• 课时6-CIOU损失函数定义
• 课时12-mish激活函数和Eliminate grid sensitivity
• 课时4-DropBlock与标签平滑处理
• 课时8-SPP与CSP网络结构
• 课时11-yolov4整体架构
• 课时3-数据增强策略分析
• 课时7-NMS细节优化
• 课时2-YOLOv4版本贡献
• 课时1-版本升级概述
• 章节7-YOLOv5源码解读
• 课时11-正样本匹配核心代码讲解
• 课时6-Rectangular Training
• 课时12-损失源码详解
• 课时2-使用自定义数据集
• 课时8-创建模型
• 课时5-读取缓存文件更新labels
• 课时7-马赛克数据增强详解
• 课时3-训练自己的数据集
• 课时4-构建路径和生成缓存文件
• 课时1-项目总体介绍和使用方法
• 课时10-正样本匹配理论和代码准备
• 课时9-detect模块详解
• 章节6-YOLO-V5网络模型介绍
• 课时3-数据增强
• 课时7-正样本匹配
• 课时5-损失计算
• 课时4-训练策略
• 课时6-消除网格敏感度
• 课时2-网络结构亮点
• 课时1-YOLOv5总体介绍
• 章节9-目标检测算法RetinaNet
• 课时1-RetinaNet网络
• 章节3-YOLO-V3网络模型介绍
• 课时5-IOU 损失
• 课时1-YOLOv3介绍
• 课时3-mosaic图像增强
• 课时2-YOLOv3spp介绍
• 课时4-SPP模块说明
• 课时6-focal loss
• 章节8-目标检测算法SSD
• 课时5-损失的计算
• 课时3-default box的生成
• 课时2-SSD源码总体架构
• 课时4-损失函数定义
• 课时7-正负样本划分
• 课时1-SSD算法原理
• 课时6-后处理
• 章节2-YOLO-V2进化详解
• 课时1-版本升级概述
• 章节4-YOLOv3 SPP源码解读
• 课时4-配置文件解析
• 课时2-训练脚本解析
• 课时3-预测代码的使用
• 课时5-模型创建
• 课时1-使用自定义数据集
• 章节1-YOLO-V1整体思想与网络架构
• 课时3-YOLOv1的局限
• 课时2-YOLOv1的损失
• 课时4-YOLOv1总体架构
• 课时1-YOLOv1网络结构
• 20.基于OpenCV的车辆统计项目-824
• 章节1-车辆统计项目
• 课时4-显示信息
• 课时3-逻辑处理
• 课时1-形态学处理
• 课时2-查找车辆轮廓
• 40.深度学习基础-789
• 章节2-神经网络基础
• 课时1-神经网络基础
• 章节4-深层神经网络
• 课时1-深层神经网络
• 章节3-浅层神经网络
• 课时1-浅层神经网络
• 章节1-深度学习介绍
• 课时1-深度学习介绍
• 16.基于AlexNet的花分类项目-830
• 章节1-基于AlexNet的花分类项目
• 课时4-定义训练过程
• 课时5-不收敛bug解决
• 课时2-模型定义
• 课时3-读取数据
• 课时6-模型预测
• 课时1-项目介绍
• 19.基于MASK-RCNN的气球检测项目-852
• 章节1-基于MASK-RCNN框架的气球检测项目
• 课时1-项目介绍
• 课时12-推理代码编写
• 课时3-环境搭建
• 课时14-训练和预测代码修改
• 课时11-训练代码编写
• 课时2-maskrcnn原理回顾
• 课时13-via格式转coco格式代码编写
• 课时8-项目执行过程源码分析
• 课时7-使用VIA标注数据
• 课时10-balloon数据集代码测试
• 课时5-使用labelme标注数据
• 课时4-数据收集
• 课时6-EISeg使用
• 课时9-balloon配置文件和数据集代码编写
• 12.电商项目–京东购买意向预测-1361
• 章节1-电商项目–京东客户购买意向预测
• 34.人工智能（二期）-1159
• 章节34-海外项目：数据预处理
• 课时1-数据预处理
• 课时2-数据处理库
• 章节10-端到端语音合成声学模型
• 课时9-Tactorn1存在的问题
• 课时5-端到端语音合成
• 课时4-梅尔滤波
• 课时8-Tactorn1
• 课时7-seq2seq与Attention
• 课时2-声学特征提取
• 课时12-总结缺陷
• 课时15-本节小节
• 课时11-对比Tactorn1与Tactorn2
• 课时3-傅里叶变换
• 课时1-后端声学模型 声学特征
• 课时6-Tactorn1
• 课时13-FASTSpeech
• 课时10-Tactorn2
• 课时14-端到端合成
• 章节23-文本分类项目：系统集成、系统调优
• 课时5-数据
• 课时2-准确率
• 课时6-与学生互动
• 课时3-多分类
• 课时1-走读代码
• 课时4-混淆矩阵
• 章节5-推荐系统之排序1
• 课时1-排序
• 课时5-残差学习
• 课时6-GBDT
• 课时2-正负样本和训练集样本
• 课时8-迁移学习和三代召回系统
• 课时7-Rank离线训练
• 课时3-user和item稀疏向量形式
• 课时4-正样本60的概率排在负样本前面
• 章节15-注意力模型Attention
• 课时1-注意力模型
• 课时4-展示语料及代码
• 课时9-小结Attention
• 课时2-求相似度及Attention
• 课时3-机器翻译
• 课时7-智能问答
• 课时11-SelfAttention
• 课时5-超级多类别分类
• 课时8-Attention
• 课时10-图文匹配
• 课时6-机器学习改良
• 章节4-推荐系统之召回
• 课时23-第二代召回问题
• 课时2-冷启动
• 课时4-很多连边不全
• 课时7-机器学习的好处
• 课时21-随机建树
• 课时15-效果怎么测试
• 课时18-Vcf满意度高 打破茧房
• 课时8-数量级降低
• 课时17-正确率和茧房关系
• 课时19-第1 2代召回
• 课时3-用户行为过少 导致没有l1和l3相连
• 课时5-产品角度推荐系统包含的角色
• 课时24-TDM号称第三代
• 课时14-回答问题
• 课时11-表示学习
• 课时22-TDM算法
• 课时16-如果打破茧层 召回率下降
• 课时12-图文匹配
• 课时6-为什么ucf和icf容易产生信息虫房
• 课时9-两个工具Annoy和Faiss
• 课时20-第三代召回
• 课时13-召回好处
• 课时1-回顾推荐系统召回阶段
• 课时10-Annoy使用步骤
• 章节20-文本分类项目：分类任务简介、分类系统综述
• 课时3-文本分类综述
• 课时5-开始任务前 需考虑什么
• 课时4-项目总体流程
• 课时2-项目介绍
• 课时1-今日内容介绍
• 章节39-海外项目：wide-deep model代码实战
• 课时4-总结
• 课时2-Self-Scaled-attention
• 课时1-注意力机制 及概率分布
• 课时3-wide-deep model
• 章节27-文本分类项目：Tensorflow Serving简介以及深度模型分类系统集成
• 课时5-回答学生问题
• 课时4-整体架构的一些问题
• 课时3-Wide&deep
• 课时2-看代码
• 课时1-主服务RPC框架
• 章节38-海外项目：self-attention 机制讲解
• 课时1-回顾
• 课时2-RNN
• 课时4-Wide & Deep Model
• 课时3-LSTM
• 章节13-实战项目：智能输入法
• 课时2-编程问题
• 课时12-效果进一步提升
• 课时11-训练及代码讲解
• 课时9-模型训练完的使用
• 课时4-项目输入法讲解
• 课时6-整体步骤
• 课时7-如何使用
• 课时8-拼音到汉字
• 课时10-同音字存在的问题
• 课时1-总结上节课
• 课时5-技巧
• 课时3-Elmo模型实现
• 章节18-图像之文本检测
• 课时11-文本定位
• 课时2-前提要求
• 课时5-LeNet
• 课时7-数据准备
• 课时9-模型训练
• 课时1-今日内容
• 课时10-模型部署
• 课时3-文字识别问题
• 课时6-网络发展脉络
• 课时8-模型调优
• 课时4-文本识别
• 章节37-海外项目：CNN & LSTM详细讲解
• 课时1-激活函数
• 课时4-cnn
• 课时2-深入学习
• 课时3-补充
• 章节3-推荐系统之协同过滤
• 课时17-ucf和icf的差别
• 课时9-推荐系统
• 课时13-编程技巧
• 课时18-应用场景问题
• 课时11-协同过滤
• 课时16-行为数据好坏指标
• 课时6-机器学习算法题讲解
• 课时19-总结
• 课时1-架构大数据与人工智能关系
• 课时5-FFM模型工具
• 课时8-项目部署及项目介绍
• 课时3-FFM存在的问题
• 课时12-ICF
• 课时15-行为数据解释
• 课时10-召回整体两种
• 课时4-做项目一个数据驱动模型
• 课时7-FM模型取代矩阵分解
• 课时2-FFM
• 课时14-代码展示
• 章节8-语音合成方法介绍
• 课时5-应用场景
• 课时19-深度学习合成方案
• 课时2-本课程前置技能要求
• 课时8-智能语音机器人
• 课时11-语音学基础知识
• 课时18-参数合成方法总结
• 课时20-语音合成发展方向
• 课时13-拼接法优缺点
• 课时12-语音合成
• 课时17-LSTM参数合成方法
• 课时6-行业头部
• 课时7-场景体验
• 课时10-课程学习路线
• 课时21-本节小结
• 课时9-呼叫流程交互时序流程
• 课时4-AI语音研究方向
• 课时16-神经网络参数合成法
• 课时15-传统参数语音合成缺陷
• 课时3-做AI需要什么
• 课时1-本课程收获什么
• 课时14-参数法合成语音
• 章节17-Transformer和Bert
• 课时1-继续批标准化
• 课时15-总结
• 课时7-谷歌做法
• 课时9-Elmo模型训练方法2
• 课时12-文本分类分类任务
• 课时3-shortcut
• 课时11-如何使用Bert
• 课时14-Bert出现对行业是好事吗
• 课时2-批正规化
• 课时4-信息变换抄近道
• 课时10-Bert
• 课时6-宏观角度Transformer
• 课时5-对序列转换
• 课时8-Elmo模型训练方法1
• 课时13-迁移学习
• 章节26-文本分类项目： 深度模型系统：TextCNN
• 课时4-Tensorflow-Serving及工作流程
• 课时3-看代码
• 课时2-系统整体架构及及模型回顾
• 课时5-模型导出及运行方式
• 课时1-图片分类代码
• 章节30-高级图像技术3
• 课时6-VGGnet
• 课时2-DeprhWise
• 课时4-特征通道加权卷积SEnet(2)
• 课时8-GoogleNet1
• 课时5-LeNet
• 课时7-VGGnet(1)
• 课时3-特征通道加权卷积SEnet(1)
• 课时1-深入卷积核
• 章节33-海外项目：Item2vec算法以及实际应用
• 课时1-内容推荐
• 课时2-模型算法
• 课时3-导航仪上的推荐系统
• 课时4-Item2Vec
• 章节2-FM模型
• 课时1-FM模型
• 课时10-代码展示
• 课时11-xlearn
• 课时5-解耦
• 课时6-逻辑回归解耦后的特征
• 课时7-测试集 训练集
• 课时4-间接交叉
• 课时2-特征组合
• 课时3-特征交叉出现的问题
• 课时13-keras
• 课时8-运算量问题
• 课时12-参数数量设置
• 课时9-总结
• 课时14-嵌入层
• 章节35-海外项目：经典CTR预估算法sparselogistics regression
• 课时5-逻辑回归及更新
• 课时4-Sparse Logistic Regressior
• 课时6-spr及sparse
• 课时3-回顾模型算法
• 课时7-总结
• 课时2-异常值
• 课时1-数据处理库
• 章节29-高级图像技术2
• 课时2-小卷积核(2)
• 课时3-宽卷积
• 课时1-小卷积核(1)
• 课时4-并联卷积
• 章节1-开班典礼_学前必看
• 课时9-编程环境问题
• 课时4-知识点分级
• 课时5-学习路线
• 课时8-学习方法问题
• 课时6-辅导书推荐
• 课时2-模型不能通吃
• 课时3-学习方法
• 课时11-工具方法的选择
• 课时7-数学只是工具
• 课时12-预习FM模型
• 课时10-人工智能和大数据的关系
• 课时1-人工智能课程大纲
• 章节41-智能聊天机器人2
• 课时8-构建损失函数
• 课时10-损失函数
• 课时7-M1等于M2框架搭建
• 课时4-过拟合
• 课时12-相识度计算选取5个候选答案
• 课时14-多轮
• 课时2-双塔模型和度量学习
• 课时11-三元学习
• 课时3-构造三元数据
• 课时9-召回模块
• 课时1-query
• 课时13-输出长度为5的20维向量序列
• 课时5-query和Q位于同一语义空间
• 课时6-图文匹配
• 章节32-海外项目：推荐系统入门简介
• 课时7-推荐算法HOTITEM简介
• 课时5-机器学习应用
• 课时2-课程目的
• 课时8-推荐算法协同过滤简介
• 课时3-AI行业的介绍
• 课时1-自我介绍
• 课时4-机器学习入门简介
• 课时6-推荐系统简介
• 章节7-RNN和LSTM
• 课时1-时序模型
• 课时15-LSTM补充
• 课时5-RNN
• 课时13-序列模型的应用场景
• 课时18-讲解代码
• 课时8-梯度消失 梯度爆炸
• 课时20-LSTM无法并行运算
• 课时2-NLP词性标注
• 课时16-文本分类
• 课时3-不同时间点信息通过h传播
• 课时11-和RNN不同
• 课时6-梯度下降法和梯度爆炸
• 课时7-RNN存在的问题
• 课时12-五组参数学习
• 课时4-补充数学知识
• 课时9-LSTM(上)
• 课时14-seq2seq
• 课时10-LSTM(下)
• 课时19-讲解return_sequences
• 课时17-LSTM输入要求
• 章节25-文本分类项目： 系统优化：图片分类
• 课时1-Inception结构
• 课时3-图片分类2
• 课时2-图片分类1
• 课时4-整合
• 章节28-高级图像技术1
• 课时1-速通机器学习
• 课时2-cnn卷积神经网·滤波
• 课时4-卷积核
• 课时3-池化操作
• 章节6-推荐系统之排序2
• 课时9-回答问题
• 课时6-思考题
• 课时12-NFM模型讲解
• 课时3-其他模型介绍
• 课时13-总结
• 课时11-PNN模型讲解
• 课时1-展示上节课效果
• 课时2-整体流程
• 课时4-复杂模型特征
• 课时7-华为深度学习模型讲解
• 课时8-谷歌深度学习模型讲解
• 课时10-微软深度学习模型讲解
• 课时5-小结
• 章节36-海外项目：深度学习入门
• 课时1-回顾
• 课时2-深度学习入门
• 课时4-激活函数
• 课时3-神经元
• 章节24-文本分类项目：系统优化：实体信息
• 课时2-优化语料及解决方案
• 课时4-实体特征优化及解决方案
• 课时1-回顾及基本文章分类器
• 课时3-结论
• 课时5-多图少文类型优化
• 章节40-智能聊天机器人1
• 课时11-提取关键词
• 课时10-扩展
• 课时8-IDF注意事项
• 课时2-技术分类
• 课时9-idf倒排索引
• 课时4-项目，小黄鸡
• 课时1-聊天机器人
• 课时7-设置idf
• 课时3-聊天方式
• 课时6-倒排索引
• 课时5-技术架构
• 章节14-输入法项目之新词发现
• 课时6-模型训练后需求
• 课时9-LSTM模型机器翻译
• 课时1-分享问题
• 课时3-新词发现
• 课时2-新词
• 课时13-机器学习理论问题
• 课时12-机器翻译的难点
• 课时4-统计两字字符串特征
• 课时10-LSTM用深度学习怎么做
• 课时7-新词发现的特殊点
• 课时11-Encoder和Decoder
• 课时8-输入法项目
• 课时14-Attention
• 课时5-模型搭建
• 章节12-LSTM和ELMO
• 课时6-HMM
• 课时2-做项目时处理技巧
• 课时12-LSTM构建语言模型
• 课时3-CNN文本分类
• 课时18-ELMO训练方法
• 课时1-LSTM(1)
• 课时10-评价一句话4个词
• 课时5-LSTM问题
• 课时20-标注信息
• 课时9-NLP领域语言模型
• 课时11-训练如何做
• 课时4-LSTM(2)
• 课时17-序列信息训练技
• 课时13-另一种分解方式
• 课时15-结论
• 课时14-另一种模型构建
• 课时7-数学到底是什么
• 课时19-Elmo分类任务
• 课时8-ELMO引入
• 课时16-ELMO模型
• 章节21-文本分类项目：基本模型回顾 – NB、SVM
• 课时2-基本模型NB
• 课时1-基本模型Naive Bayes
• 课时4-回答学生问题
• 课时3-基本模型SVM
• 章节22-文本分类项目：基本模型回顾 – FastText
• 课时1-训练部分ss
• 课时4-为什么用三个基本模型
• 课时6-整体流程
• 课时3-基本模型FastText2
• 课时2-基本模型FastText1
• 课时5-基本模型xgboost
• 章节16-注意力模型Self-Attention
• 课时7-批标准化
• 课时8-批标准化前置回顾
• 课时3-SelfAttention和Lstm优缺点
• 课时2-Attention词袋模型
• 课时9-批标准化好处
• 课时5-多抽头Attention
• 课时4-SelfAttention取代Lstm
• 课时1-SelfAttention
• 课时6-多抽头过多时
• 章节11-语音合成声码器及端到端语音合成实战
• 课时2-GriffinLim
• 课时1-声码器
• 课时10-语音合成例子讲解
• 课时7-代码结构
• 课时4-语音合成数据集
• 课时8-预处理步骤
• 课时3-WaveNet
• 课时9-浏览器访问
• 课时6-生成train.txt的数据
• 课时5-Tacortron2学习资料
• 章节31-高级图像技术4
• 课时5-Rsenet
• 课时2-Inception v3
• 课时1-Inception2
• 课时6-Renext
• 课时3-Xception
• 课时4-shortcut
• 章节9-语音合成前端
• 课时4-TTS前端Pipeline
• 课时11-韵律预测
• 课时10-韵律结构
• 课时7-分词 注音
• 课时9-韵律
• 课时15-多音字消歧
• 课时19-演示注音程序
• 课时3-语音合成前端
• 课时17-前端主要问题
• 课时1-本节课介绍
• 课时5-文本分析
• 课时2-语音学介绍
• 课时18-本节小结
• 课时13-儿化音 轻声
• 课时8-声调符号 韵律预测
• 课时14-ABB叠词发音
• 课时12-变调与不变调
• 课时6-文本归一化
• 课时16-序列标注法
• 章节19-图像之文本识别
• 课时6-YOLO
• 课时18-NMS变种
• 课时25-数据集
• 课时8-文本的特点
• 课时22-文本框表示
• 课时20-OHEM
• 课时17-目标区域选择
• 课时21-多尺度方法
• 课时3-文本分类
• 课时13-检测框回归
• 课时4-文本检测
• 课时5-RCNN
• 课时12-TextBoxes
• 课时1-目标检测
• 课时7-SSD
• 课时14-EAST
• 课时2-问题泛化
• 课时15-只做语义分割不做边界回归
• 课时26-任重道远
• 课时10-CTPN
• 课时23-多行粘连处理
• 课时16-PixelLink
• 课时11-RRPN
• 课时9-Faster RCNN检测文本
• 课时19-困难样本选取
• 课时24-Loss Fun
• 26.基于YOLOv4的中国交通标志识别项目-855
• 章节1-基于YOLOv4的中国交通标志识别
• 课时8-cpu训练过程
• 课时2-交通标志数据集介绍
• 课时9-使用GPU训练
• 课时10-预测过程
• 课时7-coco工具包使用
• 课时1-项目介绍
• 课时4-数据集分析
• 课时5-数据集分析代码编写
• 课时11-项目总结
• 课时6-tt100k数据集转coco代码编写
• 课时3-yolov4理论回顾
• 37.人工智能（四期）-1161
• 章节9-精讲《速通机器学习》无监督模型Kmeans
• 课时6-Kmeans基于欧式距离进行聚类（二）
• 课时1-无监督模型
• 课时7-EM算法
• 课时8-异常点聚类问题（一）
• 课时4-Kmeans算法使用欧式距离
• 课时11-无解问题，NLP场景
• 课时5-Kmeans基于欧式距离进行聚类（一）
• 课时3-EM算法
• 课时10-异常点聚类问题（三）
• 课时12-聚类+分类的综合应用
• 课时2-加权质心
• 课时9-异常点聚类问题（二）
• 章节3-精讲《速通机器学习》深入理解线性回归
• 课时5-特征冗余
• 课时6-损失函数的选择
• 课时7-真实数据的产生
• 课时1-梯度下降法流程
• 课时9-MSE最根本的原因
• 课时3-多项式回归
• 课时2-模型效果测评
• 课时8-最小化
• 课时4-特征敏感性研究
• 章节20-精讲《速通机器学习》20
• 课时3-相似度计算的优化和自注意力
• 课时1-Attention模型
• 课时4-词袋和短文本分类和文章分类
• 课时5-多抽头Attention
• 课时2-归纳偏置和Attention三要素
• 课时6-Transsformer原理
• 章节17-精讲《速通机器学习》17
• 课时1-池化操作和意义
• 课时2-卷积和池化的区别
• 课时6-TestCNN和字模型
• 课时4-多层卷积池化层
• 课时5-卷积特殊的全连接
• 课时3-一套操作
• 章节2-精讲《速通机器学习》内积和线性回归
• 课时2-电商场景
• 课时3-余弦相似度
• 课时6-字符串相似度（二）
• 课时1-欧式距离局限性，流型面：瑞士卷
• 课时7-多元线性回归（一）
• 课时9-解方程的问题，数据分布
• 课时8-多元线性回归（二）
• 课时5-字符串相似度（一）
• 课时12-例题
• 课时13-梯度下降法流程
• 课时10-解方程
• 课时4-余弦相似度，内积
• 课时11-梯度下降法
• 章节24-精讲《速通机器学习》24
• 课时4-总结线性代数
• 课时1-奇异值分解1
• 课时2-奇异值分解2
• 课时3-矩阵的范数
• 章节16-精讲《速通机器学习》16
• 课时1-Fasttext模型
• 课时6-图像上滑行和补充0和多通道卷积
• 课时4-小结
• 课时7-多个卷积核
• 课时5-CNN卷积神经网络和图像的特点
• 课时2-hash技术
• 课时3-embedding和子词模型
• 章节23-精讲《速通机器学习》23
• 课时1-E矩阵和逆矩阵
• 课时2-正交矩阵
• 课时4-对角矩阵和对称矩阵
• 课时3-特征值和特征向量
• 章节14-精讲《速通机器学习》14
• 课时1-子网络和dropout
• 课时4-层标准化和批标准化的区别
• 课时3-循环神经网络和层标准化
• 课时5-总结
• 课时2-批标准化技术
• 章节19-精讲《速通机器学习》19
• 课时4-Lstm和textCNN文本分类的区别
• 课时3-在深层DNN中是否存在这种情况和RNN的改进版本
• 课时1-逻辑回归和时序信息的输入
• 课时2-RNN时序不变性和公式推导讲解
• 章节11-精讲《速通机器学习》梯度下降法和矩阵求导术
• 课时11-列向量对行向量求导
• 课时8-答疑
• 课时2-多分类的KL距离
• 课时5-向量对向量求导
• 课时9-公式2
• 课时10-神经网络一层
• 课时3-损失函数
• 课时12-偏执项
• 课时7-矩阵求导的链式法则
• 课时4-矩阵求导术
• 课时6-标量对矩阵求导
• 课时1-softmax函数求导
• 章节8-精讲《速通机器学习》FM模型
• 课时8-改造版逻辑回归（三）
• 课时4-交叉项系数w12解耦（一）
• 课时12-FM模型（三）
• 课时10-FM模型（一）
• 课时3-特征升维
• 课时11-FM模型（二）
• 课时1-分类人物的匹配
• 课时5-交叉项系数w12解耦（二）
• 课时6-改造版逻辑回归（一）
• 课时2-因子匹配任务
• 课时7-改造版逻辑回归（二）
• 课时9-改造版逻辑回归（四）
• 章节5-精讲《速通机器学习》深入理解逻辑回归、损失函数和正则项
• 课时2-样本平衡（一）
• 课时12-L1和L2正则（三）
• 课时7-线性回归问题（二）
• 课时1-类别不均衡，泛化能力的影响
• 课时9-线性回归问题（三）
• 课时5-线性不可分（二）
• 课时3-样本平衡（二）
• 课时10-L1和L2正则（一）
• 课时4-线性不可分（一）
• 课时6-线性回归问题（一）
• 课时8-特征分析
• 课时11-L1和L2正则（二）
• 章节13-精讲《速通机器学习》13
• 课时2-batchsize
• 课时8-Adam和正规化
• 课时7-RMSprop和SGD
• 课时3-逃离尖锐极小值
• 课时5-震荡问题
• 课时6-学习因子设定问题
• 课时1-梯度下降法
• 课时4-鞍点问题
• 章节1-精讲《速通机器学习》特征向量和距离计算
• 课时14-欧式距离问题
• 课时8-向量的距离
• 课时11-距离通用公式
• 课时7-微博特征如何表示
• 课时9-曼哈顿距离
• 课时13-流型面：瑞士卷
• 课时12-真实产品需求
• 课时5-数字特征
• 课时2-平滑性和特征提取
• 课时10-切比雪夫距离
• 课时1-机器学习与人工智能
• 课时6-汽车特征
• 课时3-如何特征提取
• 课时4-图片特征和文件编码
• 章节18-精讲《速通机器学习》18
• 课时1-高级卷积技巧
• 课时6-通道加权与通道注意力和空间注意力
• 课时3-卷积小结
• 课时2-NLP和折成更小的卷积
• 课时4-多尺寸卷积
• 课时5-改进inception和单通道卷积
• 章节7-精讲《速通机器学习》逻辑回归的高级技巧
• 课时12-似然函数（三）
• 课时5-更精准的特征分段
• 课时3-特征归一化（二）
• 课时10-似然函数（一）
• 课时1-特征归一化（一）
• 课时8-不能用MSE作为损失函数
• 课时2-训练等高线
• 课时11-似然函数（二）
• 课时6-深入理解损失函数（一）
• 课时7-深入理解损失函数（二）
• 课时4-特征分段
• 课时9-KL距离背后逻辑
• 章节21-精讲《速通机器学习》21
• 课时2-Bert模型改进
• 课时3-ViT
• 课时4-MLP-Mixer
• 课时1-Bert模型
• 章节4-精讲《速通机器学习》逻辑回归入门
• 课时4-逻辑回归（二）
• 课时11-梯度下降法（二）
• 课时2-最简单的分类
• 课时1-分类模型
• 课时6-丑小鸭定律
• 课时7-逻辑回归训练（一）
• 课时3-逻辑回归（一）
• 课时5-线性分类
• 课时9-逻辑回归训练（三）
• 课时10-梯度下降法（一）
• 课时8-逻辑回归训练（二）
• 章节12-精讲《速通机器学习》12
• 课时3-度量学习
• 课时9-均匀分布
• 课时7-常用激活函数relu
• 课时5-两种模型的优势
• 课时10-正向传播
• 课时1-逻辑回归
• 课时6-激活函数的选型
• 课时11-综合结果
• 课时4-损失函数
• 课时2-梯度下降法的问题
• 课时8-Relu的改进和权重初始化
• 章节15-精讲《速通机器学习》15
• 课时4-最终改进模型和两种模型
• 课时1-NlP问题特点和语言模型
• 课时5-改进型学习方法
• 课时2-贝叶斯公式和马尔科夫性和估计公式
• 课时3-词向量的改进和词袋模型及最终方案
• 课时6-负采样
• 章节22-精讲《速通机器学习》22
• 课时1-线性代数-向量和矩阵
• 课时2-矩阵的几何角度
• 课时4-线性变化和激活函数
• 课时3-矩阵的转置
• 章节10-精讲《速通机器学习》深度神经网络入门
• 课时5-再来一次逻辑回归
• 课时8-为什么一定要激活函数
• 课时6-深度学习
• 课时1-机器学习中最大的难点
• 课时4-非线性变换
• 课时9-没有激活函数的两层线性变换真的一点价值都没有吗？
• 课时12-Softmax函数
• 课时7-损失函数
• 课时10-泰勒公式的解释
• 课时13-只有2类时的sofmax
• 课时11-神经网络中不加激活函数
• 课时2-FM模型
• 课时3-一层神经网络
• 章节6-精讲《速通机器学习》分类模型的评价指标和多分类
• 课时11-准确率，正确率，AUC
• 课时1-L2正则
• 课时12-逻辑回归在互联网最成功的的应用
• 课时8-AUC存在的问题（一）
• 课时3-模型测评
• 课时5-准确率，召回率
• 课时10-更加细粒度的描述
• 课时4-更加细腻的指标
• 课时9-AUC存在的问题（二）
• 课时6-AUC值（一）
• 课时2-训练样本是线性可分的，则损失函数可以有如下变换
• 课时7-AUC值（二）
• 14.概率图模型-501
• 章节1-朴素贝叶斯
• 课时9-TF-IDF词频逆向文本频率原理和代码实现
• 课时11-新闻类别分类项目实战
• 课时7-文本分类英语进行独热编码
• 课时3-朴素贝叶斯（独立性假设）
• 课时2-贝叶斯公式计算示例
• 课时6-三种分布朴素贝叶斯模型应用
• 课时1-概率图模型概述
• 课时10-垃圾短信分类项目实战
• 课时4-朴素贝叶斯嫁与不嫁案例分析
• 课时8-贝叶斯网络中文one-hot编码
• 课时5-朴素贝叶斯三种模型介绍
• 章节2-隐马尔可夫模型HMM
• 课时10-维特比算法示例
• 课时5-隐马尔可夫模型模型HMM解决三个问题
• 课时2-马尔科夫链介绍
• 课时7-隐马尔可夫模型HMM前向算法示例
• 课时12-隐马尔可夫模型HMM参数估计问题
• 课时9-维特比算法流程
• 课时4-隐马尔可夫模型HMM基本假设
• 课时3-隐马尔可夫模型HMM概述
• 课时6-隐马尔可夫模型HMM案例进行参数说明计算
• 课时13-股票走势分析
• 课时1-贝叶斯网络概述
• 课时8-维特比算法概述
• 课时11-隐马尔可夫模型HMM解码问题
• 章节3-条件随机场CRF
• 课时1-条件随机场CRF-HMM模型总结
• 课时3-条件随机场NLP实体命名案例
• 课时2-条件随机场概念
• 28.基于图像分类的工业缺陷检测项目-850
• 章节1-基于图像分类的工业缺陷检测
• 课时2-数据集介绍
• 课时6-定义预测过程
• 课时4-模型定义
• 课时1-项目介绍
• 课时3-自定义数据集
• 课时5-定义训练过程
• 03.Kaggle实战-46
• 章节1-Kaggle实战之海难生死预测
• 课时3-Kaggle实战海难生死预测数据探索
• 课时1-Kaggle实战海难生死预测背景知识
• 课时11-Kaggle实战海难生死预测模型评估ROC-AUC
• 课时4-Kaggle实战海难生死预测特征与目标值关系查看
• 课时12-Kaggle实战海难生死预测各模型混淆矩阵介绍
• 课时5-Kaggle实战海难生死预测空数据的填充
• 课时6-Kaggle实战海难生死预测特征工程
• 课时8-Kaggle实战海难生死预测同组识别
• 课时10-Kaggle实战海难生死预测模型选择和模型调优
• 课时2-Kaggle实战海难生死预测数据介绍
• 课时13-Kaggle实战海难生死预测模型预测与结果提交
• 课时9-Kaggle实战海难生死预测相关性系数特征筛选
• 课时7-Kaggle实战海难生死预测年龄属性的算法填充
• 章节3-Kaggle实战之Rossmann商店销量预测
• 课时6-Kaggle实战Rossmann商店销售预测构建训练、验证、测试数据
• 课时12-Kaggle实战之Rossmann商店销量预测模型评估
• 课时14-Kaggle实战之Rossmann商店销售预测更加细致的模型优化
• 课时13-Kaggle实战之Rossmann商店销量预测整体模型优化
• 课时1-Kaggle实战Rossmann商店销售预测项目背景介绍与目的
• 课时8-Kaggle实战Rossmann商店销售预测对特征进行了正态化处理
• 课时15-Kaggle实战之Rossmann商店销量预测结果提交
• 课时3-Kaggle实战Rossmann商店销售预测空数据处理和销售额与时间关系
• 课时11-Kaggle实战之Rossmann商店销量预测模型训练
• 课时2-Kaggle实战Rossmann商店销售预测数据加载与字段介绍
• 课时5-Kaggle实战Rossmann商店销售预测特征工程
• 课时7-Kaggle实战Rossmann商店销售预测属性相关性查看
• 课时10-Kaggle实战之Rossmann商店销售预测代码回顾
• 课时9-Kaggle实战Rossmann商店销售预测自定义模型评估函数
• 课时4-Kaggle实战Rossmann商店销售预测数据合并
• 章节2-Kaggle实战之信用卡反欺诈
• 课时5-Kaggle实战信用卡反欺诈交易金额和交易次数关系
• 课时10-Kaggle实战信用卡反欺诈特征重要性可视化
• 课时14-Kaggle实战信用卡反欺诈交叉验证
• 课时13-Kaggle实战信用卡反欺诈ROC-AUC模型评价指标
• 课时16-Kaggle实战信用卡反欺诈模型评估最优阈值
• 课时3-Kaggle实战信用卡反欺诈特征工程
• 课时4-Kaggle实战信用卡反欺诈特征相关性系数
• 课时8-Kaggle实战信用卡反欺诈根据特征分布清洗数据
• 课时9-Kaggle实战信用卡反欺诈特征缩放
• 课时12-Kaggle实战信用卡反欺诈模型评估混淆矩阵召回率
• 课时7-Kaggle实战信用卡反欺诈特征分布
• 课时2-kaggle实战信用卡反欺诈解码数据
• 课时11-Kaggle实战信用卡反欺诈过采样操作
• 课时1-Kaggle实战信用卡反欺诈项目介绍
• 课时6-Kaggle实战信用卡反欺诈交易金额和交易时间关系
• 课时15-Kaggle实战信用卡反欺诈混淆矩阵可视化
• 45.算法与数据结构基础班-398
• 章节8-二叉树的递归套路
• 课时5-给一个二叉树中的某个节点，返回该节点的后继节点2
• 课时4-后继
• 课时14-给定二叉树的头节点head，返回这个二叉树最大的二叉树搜索子树的头节点
• 课时7-给定一个如如参数N，代表纸条都从下边上向上方连续对着N次，请从上到下导引所有折痕的方向1
• 课时12-列出所有可能性后，确定到底需要向左树和右树要什么样的信息
• 课时9-二叉树的递归套路1
• 课时10-什么叫平衡树
• 课时6-给一个二叉树中的某个节点，返回该节点的后继节点代码实现
• 课时16-排队的最大快乐值
• 课时2-给一个二叉树中的某个节点，返回该节点的后继节点1
• 课时15-二叉树递归套路3
• 课时13-给定一颗二叉树的头结点head，任何两个节点之间都存在距离，返回整课二叉树的最大距离
• 课时8-给定一个如如参数N，代表纸条都从下边上向上方连续对着N次，请从上到下导引所有折痕的方向2
• 课时3-如果x没有又数
• 课时11-二叉树的递归套路2
• 课时1-如何设计一个打印整棵树的打印函数
• 章节13-暴力递归到动态规划1
• 课时4-打印一个字符串的全部排列
• 课时8-范围上尝试的模型
• 课时2-尝试
• 课时1-二叉树序列化
• 课时6-从左往右尝试模型1
• 课时5-打印一个字符串的全部排列不出现重复的排列
• 课时3-打印一个字符串的全部子序列
• 课时7-从左往右尝试模型2
• 章节3-归并排序与随机快排
• 课时8-在一个数组中求降序对
• 课时9-Partition过程
• 课时10-荷兰国旗问题
• 课时6-根据常见面试题深入理解归并排序
• 课时1-什么是归并排序
• 课时14-怎么解决复杂度
• 课时2-归并排序（递归方法实现）
• 课时7-根据常见面试题深入理解归并排序代码解析
• 课时12-快速排序2.0
• 课时15-额外空间复杂度怎么估计
• 课时5-归并排序时间复杂度分析
• 课时4-归并排序（非递归方法实现）（2）
• 课时13-快速排序3.0
• 课时11-快速排序1.0
• 课时3-归并排序（非递归方法实现）（1）
• 章节4-比较器与堆
• 课时16-比较器（特殊标准排序的结构）
• 课时1-完全二叉树结构
• 课时5-大根堆讲解2
• 课时3-大根堆讲解1
• 课时18-什么情况下可以用语言提供的堆结构，什么情况下必须手动写代码实现
• 课时6-答疑
• 课时4-大根堆代码1
• 课时8-堆排序是什么
• 课时9-堆排序优化1
• 课时14-比较器（重载比较运算符）
• 课时12-怎么保证每一个数再排完序的距离不会超过k
• 课时2-堆是什么
• 课时10-直观认识完全二叉树
• 课时11-答疑1
• 课时13-答疑2
• 课时17-什么情况下可以用语言提供的堆结构，什么情况下必须手动写
• 课时7-下沉的复杂度是多少
• 课时15-比较器（排序）
• 章节12-动态规划
• 课时6-汉诺塔问题（2）
• 课时4-暴力递归
• 课时3-改进后的Dijkstra算法
• 课时1-Dijkstra算法
• 课时5-汉诺塔问题（1）
• 课时7-汉诺塔问题（3）
• 课时8-给你一个栈请你逆序这个栈不能申请额外的数据结构只能使用递归函数如何实现
• 课时2-证明Dijkstra算法
• 章节14-暴力递归到动态规划2
• 课时5-N皇后方法2
• 课时1-课前例题1讲解
• 课时2-课前例题2讲解
• 课时3-N皇后
• 课时4-N皇后方法1
• 课时7-怎么尝试一件事
• 课时6-回答问题
• 课时8-动态规划
• 课时9-经典动态规划
• 章节9-贪心算法
• 课时3-返回a和b的最低公共祖先
• 课时5-贪心算法例子
• 课时8-从头到尾讲一道利用贪心算法求解的题目(3)
• 课时4-贪心算法
• 课时6-从头到尾讲一道利用贪心算法求解的题目(1)
• 课时7-从头到尾讲一道利用贪心算法求解的题目(2)
• 课时2-返回这颗二叉树是不是满二叉树2
• 课时1-返回这颗二叉树是不是满二叉树1
• 章节6-链表相关面试题
• 课时8-两个有环也可能无环的单链表，如果相交，返回相交的第一个节点，如果不想交，返回null
• 课时5-将单链表按某值划分成左边小、中间相等、右边大的形式
• 课时1-链表问题
• 课时11-两个无环链表是否相交代码
• 课时12-答疑
• 课时10-两个无环链表是否相交
• 课时6-特殊的单链表节点（用哈希表的方法）
• 课时7-不用哈希表的方法
• 课时4-给定一个单链表的头节点head，判断该链表是否为回文机构
• 课时2-快慢指针简介
• 课时14-能不能不给单链表的头节点，只给想要删除的节点，就能做到在链表上把这个删掉
• 课时13-两个链表都有环有几种结构
• 课时9-两个有环也可能无环的单链表，如果相交，返回相交的第一个节点，如果不想交，返回null代码实现
• 课时3-快慢指针代码
• 章节1-认识复杂度、对数器、二分法与异或运算
• 课时8-额外空间复杂度
• 课时2-何为常数时间的操作
• 课时18-一个数组中有一种数出现了奇数次，其他数都出现了偶数次怎么找到这种数
• 课时6-冒泡排序
• 课时10-常见的时间复杂度
• 课时11-算法和数据结构学习的大脉络
• 课时12-什么叫对数器
• 课时19-怎么把一个int类型的数，提取出最右侧1来
• 课时5-选择排序
• 课时17-如何不用额外变量交换两个数的值
• 课时15-局部最小值
• 课时7-插入排序
• 课时20-一个数组中有一种数出现了奇数次，其他数都出现了偶数次怎么找到这两种数
• 课时14-在一个有序数组中，找=某个数的最左侧位置
• 课时13-什么叫二分法
• 课时1-什么是算法数据结构
• 课时9-面试、比赛、刷题中、一个问题的最优解是什么意思
• 课时16-认识异或运算
• 课时4-时间复杂度的意义
• 课时3-常见的常数时间操作
• 章节15-暴力递归到动态规划3
• 课时6-值为正数不重复每个值代表一种面值的货币每种面值的货币求组成 aim 的方法数(2)
• 课时1-返回让所有咖啡杯变干净的最早完成时间
• 课时5-值为正数不重复每个值代表一种面值的货币每种面值的货币求组成 aim 的方法数(1)
• 课时4-解题规律
• 课时2-返回所有的路径中最小的路径和(1)
• 课时7-值为正数不重复每个值代表一种面值的货币每种面值的货币求组成 aim 的方法数(3)
• 课时8-枚举行为优化
• 课时3-返回所有的路径中最小的路径和(2)
• 章节7-二叉树的基本算法
• 课时2-二叉树遍历（什么叫子树）
• 课时10-统计二叉树最大的宽度（用Map）
• 课时6-非递归方式实现二叉树的遍历(前序)
• 课时8-非递归方式实现二叉树的遍历(后序)
• 课时12-二叉树的序列化和反序列化
• 课时5-非递归方式实现二叉树的遍历
• 课时1-什么叫二叉树
• 课时3-二叉树遍历是什么意思
• 课时4-二叉树遍历实现
• 课时7-非递归方式实现二叉树的遍历(中序)
• 课时11-统计二叉树最大的宽度（不用Map）
• 课时9-实现二叉树按层遍历（队列方式）
• 章节16-暴力递归到动态规划4
• 课时2-返回需要至少多少张贴纸可以完成任务方法1(2)
• 课时3-返回需要至少多少张贴纸可以完成任务方法2
• 课时9-返回让所有咖啡杯变干净的最早完成时间方法2
• 课时1-返回需要至少多少张贴纸可以完成任务方法1(1)
• 课时5-两个字符串的最长公共子序列问题(1)
• 课时4-总结
• 课时7-两个字符串的最长公共子序列问题(13)
• 课时8-返回让所有咖啡杯变干净的最早完成时间方法1
• 课时6-两个字符串的最长公共子序列问题(2)
• 章节5-trie、桶排序、排序总结
• 课时9-前缀树是怎么拓展的
• 课时3-怎么实现前缀树
• 课时6-有多少字符串是以pre这个字符串作为前缀的
• 课时12-基数排序代码
• 课时7-删除
• 课时17-排序算法总结
• 课时4-答疑
• 课时1-答疑
• 课时11-基数排序
• 课时18-常见的坑
• 课时14-计数排序和基数排序
• 课时5-word这个字符串之前加入过几次
• 课时10-不基于比较的排序
• 课时15-选择、冒泡、插入排序有没有稳定性
• 课时2-前缀树
• 课时16-归并、快排、堆排序有没有稳定性
• 课时8-答疑
• 课时13-基数排序代码拆解
• 章节10-并查集结构和图相关的算法
• 课时8-isSameSet和union方法的代价越低越好
• 课时7-并查集
• 课时2-贪心算法的解题套路
• 课时5-整分整块金条，怎么分最省铜板
• 课时10-并查集优化
• 课时6-每做完一个项目马上获得的收益可以支持你去做下一个项目不能并行的做项目你最后获得的最大钱数
• 课时3-贪心算法的解题套路实战
• 课时4-返回如果点亮str中所有需要点亮的位置，至少需要几盏灯
• 课时9-并查集代码
• 课时1-贪心算法求解的标准过程
• 章节11-暴力递归
• 课时4-图的宽度优先&深度优先遍历（2）
• 课时6-最小生成树算法之Kruskal
• 课时3-图的宽度优先&深度优先遍历（1）
• 课时7-最小生成树算法之Prim
• 课时5-图的拓扑排序算法
• 课时1-合并users返回合并之后的用户数量
• 课时2-图
• 章节2-链表结构、栈、队列、递归行为、哈希表和有序表
• 课时7-栈和队列的实际实现（数组实现）
• 课时4-java和c++在内存释放上的问题
• 课时9-如何用队列结构实现栈结构
• 课时6-栈和队列的实际实现（双向链表实现）
• 课时10-如何使用栈结构实现队列结构
• 课时3-把给定值删除
• 课时2-单双链表如何反转
• 课时8-既然语言都有这些结构和api，为什么还需要手撸练习
• 课时5-什么是栈和队列
• 课时13-哈希表
• 课时11-求数组arr[L..R]中的最大值，怎么用递归方法实现
• 课时12-Master公式
• 课时1-单双向链表节点结构
• 25.基于TensorFlow的手写数字识别项目-826
• 章节1-手写数字识别
• 课时4-数据预处理
• 课时8-深层神经网络
• 课时1-项目介绍
• 课时3-读取数据
• 课时5-定义模型
• 课时6-模型训练
• 课时2-MNIST数据集介绍
• 课时7-过拟合问题
• 35.人工智能（三期） 未剪辑版-1315
• 章节37-量化投资：期货策略的实现（下）1
• 课时1-量化投资：期货策略的实现（下）1
• 章节36-量化投资：期货策略的实现（上）2
• 课时1-量化投资：期货策略的实现（上）2
• 章节3-联合熵，条件熵，互信息，交叉熵
• 课时1-联合熵，条件熵，互信息，交叉熵
• 章节38-量化投资：期货策略的实现（下）2
• 课时1-量化投资：期货策略的实现（下）2
• 章节66-Kaldi 语音识别实践
• 课时1-Kaldi 语音识别实践
• 章节56-量化投资：机器学习模型2（下）
• 课时1-量化投资：机器学习模型2（下）
• 章节50-量化投资：时间序列的预测（下）
• 课时1-量化投资：时间序列的预测（下）
• 章节62-语音识别特征处理
• 课时1-语音识别特征处理
• 章节26-强化学习：神经网络和强化学习2（上）
• 课时1-强化学习：神经网络和强化学习2（上）
• 章节2-拉格朗日极值法和泛函分析入门
• 课时1-拉格朗日极值法和泛函分析入门
• 章节15-量化投资4
• 课时1-量化投资4
• 章节24-强化学习：神经网络和强化学习1（上）
• 课时1-强化学习：神经网络和强化学习1（上）
• 章节41-量化投资：股票单因子框架（下）
• 课时1-量化投资：股票单因子框架（下）
• 章节54-量化投资：机器学习模型1（下）
• 课时1-量化投资：机器学习模型1（下）
• 章节30-量化投资：量化交易基础介绍（上）
• 课时1-量化投资：量化交易基础介绍（上）
• 章节53-量化投资：机器学习模型1（上）
• 课时1-量化投资：机器学习模型1（上）
• 章节42-量化投资：股票多因子框架1（上）
• 课时1-量化投资：股票多因子框架1（上）
• 章节19-生成模型VAE
• 课时1-生成模型VAE
• 章节21-量化投资7
• 课时1-量化投资7
• 章节39-量化投资：期货策略的实现（下）1
• 课时1-量化投资：期货策略的实现（下）1
• 章节58-量化投资：深度学习模型（下）1
• 课时1-量化投资：深度学习模型（下）1
• 章节61-语音信号基础
• 课时1-语音信号基础
• 章节67-端到端语音识别综述
• 课时1-端到端语音识别综述
• 章节72-端到端语音识别实践
• 课时1-端到端语音识别实践
• 章节48-量化投资：时间序列的预测（上）1
• 课时1-量化投资：时间序列的预测（上）1
• 章节22-量化投资8
• 课时1-量化投资8
• 章节1-信息论入门-概率和信息
• 课时1-信息论入门-概率和信息
• 章节44-量化投资：股票多因子框架2（上）
• 课时1-量化投资：股票多因子框架2（上）
• 章节7-文本分类速览2
• 课时1-文本分类速览2
• 章节65-语言模型及解码
• 课时1-语言模型及解码
• 章节17-量化投资5
• 课时1-量化投资5
• 章节27-强化学习：神经网络和强化学习2（下）
• 课时1-强化学习：神经网络和强化学习2（下）
• 章节13-量化投资2
• 课时1-量化投资2
• 章节64-HMM-DNN声学模型
• 课时1-HMM-DNN声学模型
• 章节32-量化投资：交易价格的形成（上）
• 课时1-量化投资：交易价格的形成（上）
• 章节12-量化投资1
• 课时1-量化投资1
• 章节5-矩阵求导术
• 课时1-矩阵求导术
• 章节55-量化投资：机器学习模型2（上）
• 课时1-量化投资：机器学习模型2（上）
• 章节16-生成模型GAN
• 课时1-生成模型GAN
• 章节4-从信息论的角度解读机器学习
• 课时1-从信息论的角度解读机器学习
• 章节8-从数学的角度看embedding特征维度的选取
• 课时1-从数学的角度看embedding特征维度的选取
• 章节70-流式语音识别
• 课时1-流式语音识别
• 章节33-量化投资：交易价格的形成（下）1
• 课时1-量化投资：交易价格的形成（下）1
• 章节23-强化学习：SARSA和DQN
• 课时1-强化学习：SARSA和DQN
• 章节51-量化投资：期权交易（上）
• 课时1-量化投资：期权交易（上）
• 章节14-量化投资3
• 课时1-量化投资3
• 章节57-量化投资：深度学习模型（上）
• 课时1-高频交易：高频因子挖掘及高频做市策略
• 章节68-CTC LAS Transformer 语音识别框架
• 课时1-CTC LAS Transformer 语音识别框架
• 章节47-量化投资：组合投资（下）
• 课时1-量化投资：组合投资（下）
• 章节52-量化投资：期权交易（下）
• 课时1-量化投资：期权交易（下）
• 章节10-AI架构设计
• 课时1-AI架构设计
• 章节45-量化投资：股票多因子框架2（下）
• 课时1-量化投资：股票多因子框架2（下）
• 章节71-多语种语音识别
• 课时1-多语种语音识别
• 章节25-强化学习：神经网络和强化学习1（下）
• 课时1-强化学习：神经网络和强化学习1（下）
• 章节43-量化投资：股票多因子框架1（下）
• 课时1-量化投资：股票多因子框架1（下）
• 章节35-量化投资：期货策略的实现（上）1
• 课时1-量化投资：期货策略的实现（上）1
• 章节28-强化学习：手写AlphaZero在五子棋中的应用（上）
• 课时1-强化学习：手写AlphaZero在五子棋中的应用（上）
• 章节59-量化投资：深度学习模型（下）2
• 课时1-量化投资：深度学习模型（下）2
• 章节31-量化投资：量化交易基础介绍（下）
• 课时1-量化投资：量化交易基础介绍（下）
• 章节49-量化投资：时间序列的预测（上）2
• 课时1-量化投资：时间序列的预测（上）2
• 章节29-强化学习：手写AlphaZero在五子棋中的应用（下）
• 课时1-强化学习：手写AlphaZero在五子棋中的应用（下）
• 章节46-量化投资：组合投资（上）
• 课时1-量化投资：组合投资（上）
• 章节20-GAN背后的秘密
• 课时1-GAN背后的秘密
• 章节63-HMM-GMM模型原理
• 课时1-HMM-GMM模型原理
• 章节9-面试指导
• 课时1-面试指导
• 章节6-文本分类速览1
• 课时1-文本分类速览1
• 章节69-低时延语音识别
• 课时1-低时延语音识别
• 章节34-量化投资：交易价格的形成（下）2
• 课时1-量化投资：交易价格的形成（下）2
• 章节11-推荐系统综述
• 课时1-推荐系统综述
• 章节40-量化投资：期货策略的实现（下）2
• 课时1-量化投资：期货策略的实现（下）2
• 章节18-量化投资6
• 课时1-量化投资6
• 49.线性分类算法-219
• 章节6-SVM支持向量机原理与实战（二）
• 课时1-LFW人脸数据加载与介绍
• 课时3-SVM支持向量机LFW人脸分类建模预测可视化
• 课时4-SVM支持向量机软间隔与优化目标函数构建
• 课时5-SVM算法整体回顾
• 课时2-SVM支持向量机LFW数据建模与参数选择
• 章节4-SVM支持向量机原理（二）
• 课时1-作业讲解和知识点回顾
• 课时3-非线性核函数介绍
• 课时4-核函数对应数学公式
• 课时5-KKT条件介绍
• 课时6-SVR支持向量机回归核函数差异
• 课时7-SVR支持向量机回归拟合天猫双十一销量方程
• 课时2-SVC支持向量机分类不同核函数差异
• 章节3-SVM 支持向量机原理（一）
• 课时1-SVM支持向量机概念
• 课时4-拉格朗日乘子法介绍
• 课时2-支持向量机SVM目标函数推导
• 课时5-拉格朗日乘子法原理推导
• 课时6-支持向量机SVM作业介绍
• 课时3-SVM二分类最大间隔绘制
• 章节2-逻辑回归多分类softmax
• 课时1-逻辑回归梯度下降更新公式
• 课时4-代码实战逻辑回归OVR概率计算
• 课时5-Softmax函数与概率计算
• 课时7-Sigmoid与Softmax异同
• 课时6-代码实战逻辑回归Softmax概率计算
• 课时2-逻辑回归多分类OVR
• 课时3-逻辑回归OVR建模与概率预测
• 章节5-SVM支持向量机原理与实战（一）
• 课时3-SVM支持向量机对偶问题转化
• 课时1-SVM支持向量机原理可视化
• 课时7-SVM软间隔及优化
• 课时4-SVM支持向量机目标函数构建
• 课时2-SVM支持向量机KKT条件详解
• 课时5-SVM支持向量机损失函数SMO求解过程
• 课时6-SVM支持向量机网格搜索参数优化
• 章节1-逻辑回归二分类
• 课时6-逻辑回归代码实现与概率手动计算
• 课时1-逻辑回归介绍
• 课时3-逻辑回归损失函数推导
• 课时2-Sigmoid 函数介绍
• 课时4-损失函数立体化呈现（一）
• 课时5-损失函数立体化呈现（二）
• 33r.人工智能（二期） 未剪辑版-1313
• 章节2-FM模型
• 课时1-FM模型
• 章节26-文本分类项目： 深度模型系统：TextCNN
• 课时1-文本分类项目： 深度模型系统：TextCNN
• 章节19-图像之文本识别
• 课时1-图像之文本识别
• 章节23-文本分类项目：系统集成、系统调优
• 课时1-文本分类项目：系统集成、系统调优
• 章节6-推荐系统之排序2
• 课时1-推荐系统之排序2
• 章节28-高级图像技术1
• 课时1-高级图像技术1
• 章节7-RNN和LSTM
• 课时1-RNN和LSTM
• 章节5-推荐系统之排序1
• 课时1-推荐系统之排序1
• 章节21-文本分类项目：基本模型回顾 – NB、SVM
• 课时1-文本分类项目：基本模型回顾 – NB、SVM
• 章节37-海外项目：CNN & LSTM详细讲解
• 课时1-海外项目：CNN & LSTM详细讲解
• 章节31-高级图像技术4
• 课时1-高级图像技术4
• 章节18-图像之文本检测
• 课时1-图像之文本检测
• 章节30-高级图像技术3
• 课时1-高级图像技术3
• 章节39-海外项目：wide-deep model代码实战
• 课时1-海外项目：wide-deep model代码实战
• 章节1-开班典礼_学前必看
• 课时1-开班典礼_学前必看
• 章节25-文本分类项目： 系统优化：图片分类
• 课时1-文本分类项目： 系统优化：图片分类
• 章节9-语音合成前端
• 课时1-语音合成前端
• 章节33-海外项目：Item2vec算法以及实际应用
• 课时1-海外项目：Item2vec算法以及实际应用
• 章节34-海外项目：数据预处理
• 课时1-海外项目：数据预处理
• 章节22-文本分类项目：基本模型回顾 – FastText
• 课时1-文本分类项目：基本模型回顾 – FastText
• 章节15-注意力模型Attention
• 课时1-注意力模型Attention
• 章节27-文本分类项目：Tensorflow Serving简介以及深度模型分类系统集成
• 课时1-文本分类项目：Tensorflow Serving简介以及深度模型分类系统集成
• 章节4-推荐系统之召回
• 课时1-推荐系统之召回
• 章节14-输入法项目之新词发现
• 课时1-输入法项目之新词发现
• 章节13-实战项目：智能输入法
• 课时1-实战项目：智能输入法
• 章节32-海外项目：推荐系统入门简介
• 课时1-海外项目：推荐系统入门简介
• 章节3-推荐系统之协同过滤
• 课时1-推荐系统之协同过滤
• 章节41-智能聊天机器人2
• 课时1-智能聊天机器人2
• 章节8-语音合成方法介绍
• 课时1-语音合成方法介绍
• 章节36-海外项目：深度学习入门
• 课时1-海外项目：深度学习入门
• 章节40-智能聊天机器人1
• 课时1-智能聊天机器人1
• 章节35-海外项目：经典CTR预估算法sparselogistics regression
• 课时1-海外项目：经典CTR预估算法sparselogistics regression
• 章节38-海外项目：self-attention 机制讲解
• 课时1-海外项目：self-attention 机制讲解
• 章节24-文本分类项目：系统优化：实体信息
• 课时1-文本分类项目：系统优化：实体信息
• 章节29-高级图像技术2
• 课时1-高级图像技术2
• 章节20-文本分类项目：分类任务简介、分类系统综述
• 课时1-文本分类项目：分类任务简介、分类系统综述
• 章节10-端到端语音合成声学模型
• 课时1-端到端语音合成声学模型
• 章节16-注意力模型Self-Attention
• 课时1-注意力模型Self-Attention
• 章节17-Transformer和Bert
• 课时1-Transformer和Bert
• 章节11-语音合成声码器及端到端语音合成实战
• 课时1-语音合成声码器及端到端语音合成实战
• 章节12-LSTM和ELMO
• 课时1-LSTM和ELMO
• 39.人工智能（一期）-1158
• 章节37-CNN：计算机视觉标配，给AI一双慧眼
• 课时3-Fattext文本分类word2vec
• 课时7-设计模板
• 课时1-网页分类
• 课时9-模板：基本形状
• 课时6-CNN（二）
• 课时10-模板：基本形状（二）
• 课时5-CNN
• 课时4-Keras和Fasttext
• 课时8-设计模板：圆
• 课时2-Fasttext Facebook
• 课时11-模板：基本形状（三）
• 章节5-逻辑回归1猛将起于卒伍，工业环境下的分类模型
• 课时1-线性回归回顾
• 课时4-线性回归，字母识别
• 课时9-KL距离问题
• 课时8-线性回归训练（三）
• 课时5-字母识别
• 课时12-KL距离问题（四）
• 课时15-KL距离问题（七）
• 课时11-KL距离问题（三）
• 课时6-线性回归训练
• 课时7-线性回归训练（二）
• 课时13-KL距离问题（五）
• 课时10-KL距离问题（二）
• 课时3-多分类（二）
• 课时2-多分类
• 课时14-KL距离问题（六）
• 章节14-集成学习：三个臭皮匠顶一个诸葛亮-决策树和随机森林
• 课时2-集成学习（二）
• 课时4-增强泛化能力（二）
• 课时12-分类器GM权重
• 课时3-增强泛化能力
• 课时8-问题答疑
• 课时1-集成学习
• 课时9-问题答疑（二）
• 课时10-问题答疑（三）
• 课时6-随机森林（二）
• 课时11-初始化样本权重
• 课时5-随机森林
• 课时7-随机森林代码实现
• 课时13-分类器训练
• 章节23-深度学习非线性能力关键：激活函数详解
• 课时9-Relu函数分析
• 课时11-特征选择
• 课时7-每一小段的线性
• 课时6-梯度消失训练（二）
• 课时3-激活函数导数连乘问题
• 课时8-梯度问题
• 课时2-逻辑回归正态分布分类（二）
• 课时1-逻辑回归正态分布分类
• 课时10-Relu神经元的真死和假死
• 课时12-Relu神经元的真死和假死训练
• 课时4-梯度消失
• 课时5-梯度消失训练
• 章节13-分类器背后的秘密和机器学习三大定律
• 课时2-维数灾难（二）
• 课时7-泛化能力，问题答疑
• 课时3-模型表达力
• 课时5-表达能力，Vc维，二分类
• 课时9-丑小鸭定律
• 课时15-问题答疑（二）
• 课时8-偏差
• 课时14-问题答疑
• 课时6-表达能力，Vc维，二分类（二）
• 课时11-奥卡姆剃刀
• 课时10-没有免费的午餐定律
• 课时1-维数灾难
• 课时4-KNN，SVM，DT
• 课时12-奥卡姆剃刀（二）
• 课时13-奥卡姆剃刀（三）
• 章节29-项目二：以图搜图技术详解实战02
• 课时9-图片特征排索引
• 课时3-图库（二）
• 课时4-深度特征自动学习
• 课时2-图库
• 课时7-扩展
• 课时10-倒排索引
• 课时5-编码
• 课时1-计算图像之间的相似度
• 课时6-Kmeans
• 课时8-编码怎么做
• 章节28-项目二：以图搜图技术详解实战01
• 课时7-图像压缩
• 课时2-数据反馈系统
• 课时9-Encode
• 课时1-上节课遗留问题
• 课时4-以图搜图
• 课时6-hash
• 课时3-定期收集badcase进行二次学习
• 课时5-以图搜图（二）
• 课时10-Encode（二）
• 课时8-图像压缩（二）
• 章节10-朴素贝叶斯模型：简单背后蕴含的有效
• 课时6-问题答疑
• 课时11-信息量
• 课时13-问题答疑（二）
• 课时8-二项分布
• 课时7-先验
• 课时1-朴素贝叶斯
• 课时2-耦合根本原因
• 课时4-正态分布
• 课时5-朴素贝叶斯训练
• 课时12-信号量（二）
• 课时9-二项分布，正态分布，多项分布
• 课时14-问题答疑（三）
• 课时3-耦合根本原因（二）
• 课时10-二项分布，正态分布，多项分布（二）
• 章节42-如何写简历，打造更好的自己
• 课时1-技术面试的时候注意要点
• 课时2-一面面试要领
• 章节49-程序员的数学进阶 导数
• 课时4-relu
• 课时2-导数（二）
• 课时3-导数一定存在吗？
• 课时1-导数
• 课时7-极大值和极小值
• 课时6-函数的最大值和最小值（二）
• 课时5-函数的最大值和最小值
• 章节25-集成学习在深度学习中的应用dropout
• 课时10-子网络独立性
• 课时3-均匀分布初始化
• 课时9-dropout比例对效果的影响
• 课时5-用集成的角度看神经元网络
• 课时1-上节课权重问题
• 课时8-dropout
• 课时4-神经元权重
• 课时2-随机差
• 课时6-大神经网络
• 课时7-训练网络
• 章节35-项目三：推荐系统04基于行为类的召回算法
• 课时7-更加优化
• 课时2-基于内容的推荐 基于行为的召回
• 课时11-产品定位推荐
• 课时8-用Love空间所对应的向量
• 课时9-用Love空间所对应的向量代码实现
• 课时3-隐式数据表达
• 课时6-DNN，梯度下降
• 课时1-内容池，全量池
• 课时12-召回粗排序
• 课时5-随机采样
• 课时10-用Love空间所对应的向量代码实现（二）
• 课时4-相似度构建损失函数
• 章节47-图像分类在企业中的应用
• 课时3-简述梯度消失和梯度爆炸，深度学习中常见损失函数有哪些
• 课时2-阐述机器学习整个流程，如何解决样本不平衡问题，深度学习网络常用激活函数是哪些
• 课时1-阐述准确率 召回率 AUC值
• 章节46-常见激活函数讲解
• 课时2-说下kmeans的聚类过程以及存在问题和阐述准确率 召回率 AUC值
• 课时1-朴素贝叶斯的优缺点
• 章节55-程序员的数学进阶 泰勒公式和神经网络01
• 课时1-函数展开成泰勒公式 越高阶的项 系数越小
• 课时4-阶数越高 函数形状越复杂 弯曲越灵活
• 课时2-神经网络越深 高阶项系数出现的数值越大
• 课时3-神经网络越深 高阶项系数出现的数值越大（二）
• 章节21-深度学习的学习算法，梯度下降法和链式法则
• 课时5-神经网络训练（三）
• 课时10-更新Wm1（三）
• 课时6-神经网络训练（四）
• 课时8-更新Wm1
• 课时1-深度学习DNN
• 课时7-Wm的更新
• 课时11-多层神经网络
• 课时2-DNN
• 课时3-神经网络训练
• 课时9-更新Wm1（二）
• 课时4-神经网络训练（二）
• 课时12-问题答疑
• 章节32-推荐系统整体流程架构解读01
• 课时2-多义词，特殊场景
• 课时3-用相加后的向量对目标词进行预测
• 课时4-互联网信息
• 课时11-深度学习，信息日志
• 课时5-推荐系统
• 课时9-多路召回
• 课时10-多路召回（二）
• 课时8-推荐系统，机器学习
• 课时1-Word2vec问题无法解决一词多义
• 课时7-推荐系统（三）
• 课时6-推荐系统（二）
• 章节51-程序员的数学进阶 二阶导数和凸函数
• 课时3-二阶导数（三）
• 课时4-凸函数
• 课时5-凸函数（二）
• 课时1-二阶导数
• 课时2-二阶导数（二）
• 章节48-卷积的基本思想
• 课时6-深入解读Airbnb推荐算法（二）
• 课时1-Relu函数存在的问题，简述dropout，深度学习中常见损失函数有哪些
• 课时4-卷积，CNN在文本分类下如何作用和fasttext有啥区别
• 课时5-深入解读Airbnb推荐算法
• 课时3-Word2vec和CNN和fasttext相关问题
• 课时2-简述多分类ЖА的方法
• 章节40-常见面试题解读01
• 课时10-朴素贝叶斯
• 课时11-集成学习
• 课时4-word2vec是否支持新词增量
• 课时5-word2vec是否支持新词增量（二）
• 课时6-线性回归
• 课时18-学习建议，问题答疑
• 课时15-项目，推荐系统
• 课时8-三评价指标和模型能万
• 课时9-支持向量机SVM
• 课时7-逻辑回归
• 课时3-文本分类中CNN能取代fasttext（三）
• 课时12-无监督学习
• 课时1-文本分类中CNN能取代fasttext
• 课时17-文本分类和CNN图像分类，RNN LSTM bi-LSTM
• 课时14-word2vec fasttext和CNN
• 课时2-文本分类中CNN能取代fasttext（二）
• 课时16-以图搜图
• 课时13-深度学习DNN
• 章节36-项目三：推荐系统05 Airbnb优秀论文解读
• 课时2-推荐系统session
• 课时10-社交友好推荐（一）
• 课时9-embedding计算相似度，社交友好推荐
• 课时3-推荐系统session（二）
• 课时13-项目之公司类型
• 课时4-相似列表
• 课时11-社交友好推荐（二）
• 课时12-项目分析
• 课时1-召回粗排序
• 课时6-电商APP（二）
• 课时7-对预定序列进行word2vec
• 课时5-例子电商APP
• 课时8-对预定序列进行word2vec（二）
• 章节39-一期课程内容总结
• 课时14-CNN再文本方面的应用（八）
• 课时13-CNN再文本方面的应用（七）
• 课时2-训练样本总结
• 课时5-超参数选定原则
• 课时1-问题答疑
• 课时8-CNN再文本方面的应用（二）
• 课时10-CNN再文本方面的应用（四）
• 课时11-CNN再文本方面的应用（五）
• 课时7-CNN再文本方面的应用
• 课时4-卷积，池化
• 课时6-机器学习测评
• 课时12-CNN再文本方面的应用（六）
• 课时9-CNN再文本方面的应用（三）
• 课时3-CNN卷积神经网络
• 章节56-程序员的数学进阶 泰勒公式和神经网络02
• 课时3-机器学习都搞不定的问题
• 课时1-问题答疑
• 课时2-模型复杂和模型简单
• 章节27-项目一：数字图像识别，让机器具有一双眼睛
• 课时3-DNN权重，学习方法
• 课时10-深度学习
• 课时4-Dropout
• 课时5-图像分类的问题OCR
• 课时7-传统的图像领域中 分类问题处理彩色图片
• 课时6-分析需求，用DNN模型进行分类输出函数
• 课时1-课程目标
• 课时2-激活函数
• 课时11-深度学习（二）
• 课时8-图像归一化
• 课时9-图像归一化（二）
• 章节43-NLP技术在推荐搜索中的应用
• 课时1-一面要领
• 课时2-常见的面试方向
• 章节9-逻辑回归5让学习更高效，数值优化和一只看不见的手
• 课时8-贝叶斯公式（二）
• 课时3-特征转换
• 课时6-对于具体一个类别来说它的特征分布符合正态分布
• 课时12-最大似然估计（二）
• 课时7-贝叶斯公式
• 课时10-逻辑回归的两个实时
• 课时13-最大似然估计（三）
• 课时2-等高线问题
• 课时14-问题答疑
• 课时4-连续值概率
• 课时11-最大似然估计
• 课时1-KL距离问题
• 课时5-概率密度，高斯分布
• 课时9-贝叶斯公式（三）
• 章节15-集成学习：企业神器GBDT详解
• 课时6-GBDT
• 课时5-预测
• 课时11-GBDT的数学（三）
• 课时9-GBDT的数学
• 课时3-GBDT
• 课时4-预测，分类
• 课时2-集成学习
• 课时10-GBDT的数学（二）
• 课时1-随机森林
• 课时8-梯度下降法（二）
• 课时7-梯度下降法
• 课时12-垃圾分类
• 章节34-关键词抽取和基于文本的召回算法03
• 课时1-提取关键词
• 课时3-提取关键词，Tf-idf（二）
• 课时2-提取关键词，Tf-idf
• 课时4-每个词的权重
• 课时6-关键词两种
• 课时5-关键词的提取方法
• 课时7-用户画像和文章召回
• 章节3-线性回归2从傻瓜到智能，梯度下降法学习法
• 课时2-上节课线性回归（二）
• 课时12-学习书籍推荐
• 课时4-线性回归例题（四）
• 课时9-MSE训练集
• 课时1-上节课线性回归
• 课时5-线性回归例题代码实现
• 课时11-例题训练（二）
• 课时10-例题训练
• 课时6-线性回归例题（五）
• 课时8-线性回归例题（七）
• 课时3-线性回归例题
• 课时7-线性回归例题（六）
• 课时13-例题训练（三）
• 章节6-逻辑回归2损失函数推到解析和特征选择优化
• 课时8-线性不可分
• 课时10-计算逻辑回归模型
• 课时5-为什么不用MSE（二）
• 课时1-KL距离问题代码实现
• 课时2-KL距离问题代码实现（二）
• 课时6-机器学习分级
• 课时11-分类器
• 课时4-为什么不用MSE
• 课时3-KL距离问题
• 课时9-线性不可分（二）
• 课时13-分类器（三）
• 课时12-分类器（二）
• 课时7-分类
• 章节24-深度学习避坑指南：权重初始化的方法和技巧
• 课时4-零均值
• 课时11-数据冗余（二）
• 课时2-Relu和Elu（二）
• 课时10-数据冗余（一）
• 课时12-Relu
• 课时9-权重问题（二）
• 课时5-激活函数和梯度爆炸
• 课时7-周期性
• 课时6-单调性
• 课时8-权重问题
• 课时1-Relu和Elu
• 课时3-好的函数有哪些特点
• 章节30-开始深度学习在自然语言处理领域的时代
• 课时6-概率估计
• 课时12-语义型模型
• 课时3-语言模型
• 课时7-语料库和神经网络
• 课时2-自然语言处理
• 课时9-向量相加
• 课时10-向量相加（二）
• 课时11-训练输入
• 课时8-语料库和神经网络（二）
• 课时1-扩展：手机话费
• 课时4-模型简化，语料库小的问题
• 课时5-语料库
• 章节50-程序员的数学进阶 最值和极值
• 课时2-最大值，最小值，极大值，极小值
• 课时4-在机器学习的损失函数中Loss（二）
• 课时5-局部极小
• 课时1-导数极大值和极小值
• 课时3-在机器学习的损失函数中Loss
• 课时6-神经网络的函数曲线
• 章节7-逻辑回归3到底好不好？模型评价指标讲解
• 课时4-准确率和召回率跟阈值相关（二）
• 课时11-正确率，准确率和召回率，ROC曲线和auc值（二）
• 课时9-AUC
• 课时2-准确率和召回率
• 课时5-用模型预测样本
• 课时10-正确率，准确率和召回率，ROC曲线和auc值
• 课时12-正确率，准确率和召回率，ROC曲线和auc值（三）
• 课时1-逻辑回归指标
• 课时8-正反样本的组合数量
• 课时6-预测分值正样本比负样本大的情况数量
• 课时13-w预测硬币的正面概率
• 课时3-准确率和召回率跟阈值相关
• 课时7-预测分值正样本比负样本大的情况数量例子
• 章节33-项目三：AB测试和相关指标解读02
• 课时7-桶bucket
• 课时9-桶bucket（三）
• 课时8-桶bucket（二）
• 课时10-AAB实验
• 课时11-AAB实验（二）
• 课时3-推荐系统
• 课时6-产品形态，人均时长
• 课时4-什么是好的推荐系统
• 课时5-什么是好的推荐系统（二）
• 课时12-策略
• 课时1-简历
• 课时2-推荐系统，机器学习
• 章节11-支持向量机SVM1曾经的分类王者
• 课时13-问题答疑
• 课时10-KNN
• 课时6-泛化能力正则项（二）
• 课时2-支持向量机（二）
• 课时3-支持向量机（三）
• 课时4-泛化能力
• 课时11-权重
• 课时12-训练集代码实现
• 课时8-抗噪声
• 课时1-支持向量机
• 课时5-泛化能力正则项
• 课时9-多分类
• 课时7-支持向量机SVM
• 章节12-SVM2昔日辉煌，传统方法顶峰详解
• 课时7-MSE，高斯
• 课时2-分类，线性可分（二）
• 课时11-分类器集成
• 课时6-SVM
• 课时10-线性可分，线性不可分，核函数（二）
• 课时5-线性不可分（二）
• 课时3-网络搜索
• 课时1-分类，线性可分
• 课时4-线性不可分
• 课时8-无穷方程
• 课时9-线性可分，线性不可分，核函数
• 章节1-人工智能概述和特征提取？做人工智能的第一步
• 课时4-图像识别的一些需求（二）
• 课时3-图像识别的一些需求
• 课时1-AI学习曲线图
• 课时9-组合特征（二）
• 课时12-总结
• 课时8-组合特征
• 课时5-年龄向量和分类
• 课时11-应用场景（二）
• 课时10-应用场景
• 课时7-汽车向量表示
• 课时6-图像例子
• 课时2-AI学习曲线图（二）
• 章节4-线性回归3突破瓶颈，模型效果的提升
• 课时9-抗噪能力（二）
• 课时11-数据场景
• 课时7-花式玩法
• 课时1-MSE平法问题
• 课时3-多元线性回归
• 课时12-问题答疑
• 课时2-MSE平法问题（二）
• 课时6-多元线性回归和泰勒公式
• 课时5-多元线性回归（三）
• 课时8-抗噪能力
• 课时4-多元线性回归（二）
• 课时10-代码实现
• 章节18-LDA：文本数据大杀器，揭示文本背后的秘密
• 课时6-怎么求每个词对应的主题（二）
• 课时8-怎么求每个词对应的主题（四）
• 课时1-自然语言处理
• 课时4-LDA
• 课时13-怎么求每个词对应的主题代码实现（四）
• 课时11-怎么求每个词对应的主题代码实现（二）
• 课时2-自然语言处理（二）
• 课时7-怎么求每个词对应的主题（三）
• 课时5-怎么求每个词对应的主题
• 课时9-LDA数学八卦
• 课时10-怎么求每个词对应的主题代码实现
• 课时12-怎么求每个词对应的主题代码实现（三）
• 课时3-逻辑回归的高斯解释
• 章节31-word2vec的一些特殊问题和优化方法
• 课时1-语言模型
• 课时3-语言模型，二叉树改造
• 课时10-语义训练
• 课时8-召回和准确，负采样
• 课时6-用word2vec，做寻找近义词（二）
• 课时9-Word2vec
• 课时2-简化语言模型
• 课时7-召回和准确
• 课时5-用word2vec，做寻找近义词
• 课时11-孤岛效应
• 课时4-Huffman树
• 章节26-梯度下降法的优化和一些先进的学习技术
• 课时7-动量法
• 课时2-鞍点
• 课时11-梯度下降
• 课时5-悬崖问题
• 课时6-梯度的幅度
• 课时9-Ada Grad
• 课时3-二阶导
• 课时1-梯度下降法
• 课时8-机器学习的难点
• 课时4-SGD
• 课时10-Adam
• 课时12-Relu
• 章节16-Kmeans聚类：无监督学习，让数据自己说话
• 课时8-数值问题，归一化
• 课时5-kmeans
• 课时6-内聚
• 课时4-寻找中心点代码实现
• 课时1-聚类
• 课时2-打标团队
• 课时10-网络搜索
• 课时3-寻找中心点
• 课时9-归一化
• 课时13-问题答疑（三）
• 课时12-问题答疑（二）
• 课时11-问题答疑
• 课时7-异常点的影响
• 章节53-程序员的数学进阶 逻辑回归和凸函数02
• 课时1-问题答疑
• 课时3-Lerror
• 课时4-凸函数
• 课时2-如果是线性不可分的情况下 逻辑回归的损失函数
• 课时5-如果逻辑回归使用mse做损失函数 还是凸函数吗
• 章节22-多分类函数softmax和学习方法
• 课时9-多层神经元网络（五）
• 课时2-深度学习DNN（二）
• 课时12-softmax
• 课时3-relu
• 课时10-真实类别
• 课时7-学习方法
• 课时8-多层神经元网络（四）
• 课时6-多层神经元网络（三）
• 课时5-多层神经元网络（二）
• 课时1-深度学习DNN
• 课时11-真实类别（二）
• 课时4-多层神经元网络
• 章节8-逻辑回归4让模型看的更准更稳，正则优化
• 课时9-L1和L2的区别（三）
• 课时4-训练集差异
• 课时12-等高线（二）
• 课时14-等高线（四）
• 课时6-逻辑回归损失函数
• 课时3-信息冗余
• 课时11-等高线
• 课时2-分类函数输出概率（二）
• 课时15-等高线（五）
• 课时1-分类函数输出概率
• 课时8-L1和L2的区别（二）
• 课时10-我们想要的测试集效果
• 课时5-逻辑回归损失函数
• 课时7-L1和L2的区别
• 课时13-等高线（三）
• 章节54-程序员的数学进阶 泰勒公式
• 课时5-单层神经网络
• 课时4-泰勒公式（二）
• 课时1-如果逻辑回归使用mse做损失函数 还是凸函数吗
• 课时3-泰勒公式
• 课时7-神经网络输出
• 课时8-一层神经网络神经元足够多可以拟合任意函数
• 课时6-通过神经网络的一层输出是一组序列
• 课时2-是否是凸函数
• 章节41-常见面试题解读02
• 课时5-技术面试的时候注意要点
• 课时2-投递简历
• 课时3-面试邀请
• 课时1-答疑
• 课时4-面试流程
• 章节57-程序员数学进阶 用数学洞穿机器学习的本质
• 课时3-在公司中做项目规则系统必不可少
• 课时2-整数是无穷多的训练集无法覆盖所有范围
• 课时1-NLP自然语言处理难于图像和语音
• 课时4-在公司中做项目规则系统必不可少（二）
• 课时5-通过数学 加深对机器学习的理解
• 章节17-DBscan聚类：kmeans升级，数据更具智能
• 课时2-annoy
• 课时5-DBscan
• 课时6-寻找核心点
• 课时9-反欺诈
• 课时7-聚类的点
• 课时1-kmeans
• 课时3-annoy训练
• 课时8-聚类训练代码实现
• 课时4-annoy训练代码实现
• 章节44-逻辑回归和神经元
• 课时1-HR面
• 课时2-常见面试题解析
• 章节20-编程工具keras讲解和深度学习为什么会有效
• 课时10-自动特征选择器
• 课时12-需要考虑的情况
• 课时13-线性变换+激活
• 课时7-keras惯序模型，函数模型（四）
• 课时5-keras惯序模型，函数模型（二）
• 课时9-图片识别
• 课时1-softmax
• 课时2-GPU
• 课时6-keras惯序模型，函数模型（三）
• 课时3-GPU（二）
• 课时8-神经网络
• 课时4-keras惯序模型，函数模型
• 课时11-自动特征选择器（二）
• 章节45-BP算法原理和训练方法
• 课时1-常见面试题解析
• 课时2-常见逻辑回归怎么做
• 章节2-线性回归1第一个模型，用来进行数值预测
• 课时9-训练集测试集MSE（三）
• 课时2-线性回归
• 课时10-训练集测试集MSE（四）
• 课时5-机器学习在python中的应用
• 课时8-训练集测试集MSE（二）
• 课时12-全量数据（二）
• 课时1-上节课特征的提取
• 课时7-训练集测试集MSE
• 课时6-机器学习在python中的应用（二）
• 课时11-全量数据
• 课时4-有解析解，无解析解
• 课时3-线性回归误差
• 章节38-项目四：CNN识别彩色图像，就那么一会
• 课时6-神经网络识别输入图片
• 课时10-卷积的本质
• 课时5-卷积和激活函数
• 课时9-神经网络识别输入图片（四）
• 课时3-卷积-池化层
• 课时8-神经网络识别输入图片（三）
• 课时2-池化pool，基本形状的强度
• 课时11-CNN本质
• 课时4-卷积
• 课时1-识别图像
• 课时12-卷积概述
• 课时7-神经网络识别输入图片（二）
• 课时13-数字识别和图像识别
• 章节52-程序员的数学进阶 逻辑回归和凸函数01
• 课时2-凸函数相加也为凸函数
• 课时3-当逻辑回归使用KL距离作为损失函数的时候 是凸函数
• 课时4-当线性可分的时候逻辑回归损失函数没有最小值
• 课时5-凸函数
• 课时1-线性可分的逻辑回归
• 章节19-深度学习DNN01深度学习开启人工智能新时代
• 课时7-特征值和特征向量（二）
• 课时8-多分类
• 课时1-学习方法
• 课时2-线性变换
• 课时11-训练集代码实现
• 课时5-二分类
• 课时4-线性变换（三）
• 课时6-特征值和特征向量
• 课时9-二分类
• 课时10-CPU命令集
• 课时3-线性变换（二）
• 48.无监督学习算法-43
• 章节1-聚类系列算法高级
• 课时2-Kmeans聚类亚洲国家队类别可视化
• 课时7-轮廓系数使用
• 课时6-聚类评价指标轮廓系数
• 课时4-聚类算法的划分标准
• 课时3-聚类算法概念介绍
• 课时1-Kmeans聚类亚洲国家队自动划分类别
• 课时5-Kmeans算法原理和流程
• 课时8-聚类评价指标调整兰德系数
• 课时9-Kmeans聚类提取特征图片压缩
• 章节2-聚类系列算法进阶
• 课时6-分层聚类概念原理参数介绍
• 课时3-DBSCAN聚类案例数据创建
• 课时8-分层聚类瑞士卷数据效果
• 课时1-DBSCAN算法介绍
• 课时9-作业介绍和知识点总结
• 课时2-DBSCAN算法原理和参数详解
• 课时7-分层聚类概念原理参数介绍
• 课时4-DBSCAN聚类案例Kmeans算法聚类效果
• 课时5-DBSCAN聚类案例效果
• 章节3-降维系列算法高级
• 课时6-PCA降维算法奇异值分解SVD代码实现
• 课时4-PCA 算法介绍和使用
• 课时2-数据降维概念
• 课时3-数据降维方法介绍
• 课时1-数据相关性概念介绍和代码演示
• 课时5-PCA降维算法特征值分解代码实现
• 章节5-EM算法与GMM高斯混合模型
• 课时5-EM算法入门举例介绍
• 课时1-LLE局部线性嵌入降维法算法原理介绍
• 课时4-极大似然思想
• 课时2-LLE算法使用代码举例
• 课时3-EM算法思想与步骤
• 课时8-Jessen不等式介绍
• 课时7-GMM高斯混合模型聚类使用代码举例
• 课时6-EM算法进阶举例介绍
• 章节4-降维系列算法进阶
• 课时7-LDA算法流程（修正）
• 课时5-LDA算法流程
• 课时6-NMF非负矩阵分解
• 课时2-线性代数之特征值特征向量分解
• 课时4-LDA算法原理
• 课时3-线性代数之SVD奇异值分解
• 课时1-协方差和散度矩阵
• 08.PyTorch深度学习框架-515
• 章节2-dataset和dataloader
• 课时1-使用dataset重构代码
• 课时2-使用DataLoader重构代码
• 课时3-添加校验代码
• 课时4-封装
• 章节1-Pytorch入门
• 课时4-pytorch自动微分
• 课时7-pytorch实现分类问题
• 课时3-pytorch张量基础操作和基础运算
• 课时8-模型的子类写法
• 课时6-pytorch实现线性回归封装写法
• 课时5-pytorch实现原始线性回归
• 课时2-pytorch安装
• 课时1-pytorch介绍
• 章节3-卷积神经网络
• 课时6-vgg16迁移学习
• 课时1-使用pytorch搭建cnn实现手写数字识别
• 课时2-4种天气数据处理
• 课时3-图片预处理
• 课时10-自定义dataset
• 课时8-数据增强
• 课时11-自定义数据集问题解决
• 课时7-学习率衰减
• 课时12-tensorboard的使用
• 课时9-模型参数保存
• 课时4-添加dropout层
• 课时5-添加BN层
• 27.基于YOLOv5的细胞检测项目-856
• 章节1-基于YOLOv5的细胞检测实战
• 课时6-tflite导出类型
• 课时10-快速构建界面之显示视频和摄像头内容
• 课时5-使用训练好的模型预测
• 课时2-细胞数据集介绍
• 课时1-项目介绍
• 课时3-yolov5原理回顾
• 课时9-快速构建界面之显示图片
• 课时4-yolov5源码训练过程
• 课时8-pyqt5快速入门
• 课时7-yolov5安卓部署
• 课时11-分类模型和界面结合
• 36.人工智能（三期）-1160
• 章节44-期货量化交易：策略回测
• 课时5-蒸馏学习
• 课时2-Bert改良
• 课时4-知识图谱信息
• 课时1-Bert怎么用
• 课时3-Ernie
• 章节57-强化学习量化交易应用 1
• 课时2-语音数据增强
• 课时3-HMM模型
• 课时1-语音识别特征
• 章节19-生成模型VAE
• 课时4-实现方法讲解
• 课时1-VAE
• 课时3-Kears损失函数
• 课时5-总结GAN vs VAE
• 课时2-实现方法
• 章节49-深度学习与语音识别技术基础1
• 课时4-高频交易的统计学解释
• 课时8-以C#为核心语言的高频交易系统是如何做到低延迟的
• 课时5-高频交易（二）
• 课时7-市场微观结构 NBBO
• 课时2-高频交易（一）
• 课时1-文化财经 赢智量化交易
• 课时6-市场微观结构 订单薄
• 课时3-CFTC或SEC高频交易定义
• 课时9-高频交易中投资者策略
• 章节27-期货量化交易：远期和期货定价
• 课时6-反证法
• 课时9-已知现金收益的资产
• 课时10-支付已知现金收益资产的远期价值
• 课时11-支付已知现金收益资产的现货远期评价公式和反证法
• 课时4-无收益资产的远期
• 课时3-无收益资产的远期
• 课时13-支付已知收益的资产
• 课时1-知识点回顾
• 课时5-现货远期评价定理
• 课时8-远期价格的期限结构
• 课时14-案例
• 课时12-案例
• 课时7-案例
• 课时2-无收益资产的远期
• 章节45-bert和它的朋友们3
• 课时4-策略部分代码
• 课时3-多因子CTA策略
• 课时1-套利策略
• 课时2-行业轮动的驱动力和风格动量策略
• 章节6-文本分类速览1
• 课时10-迭代训练
• 课时9-Hash特征压缩
• 课时2-短文本分类(1)
• 课时7-AlBert第三个该进点训练方法改进
• 课时6-共享参数
• 课时4-短文本分类(3)
• 课时1-长文本分类
• 课时5-短文本分类(4)
• 课时3-短文本分类(2)
• 课时8-穷or在线任务短文本分类
• 章节47-高频交易：市场微观结构及策略
• 课时3-自回归模型
• 课时7-XLNet模型
• 课时1-RoBERT
• 课时6-GPT3
• 课时8-XLNet模型打乱顺序
• 课时5-GPT2机器翻译
• 课时4-GPT2
• 课时2-自编码模型
• 章节71-端到端语音识别实践
• 课时3-CTC模型
• 课时5-答疑
• 课时2-模型训练GMM阶段
• 课时4-chain模型
• 课时1-数据准备及准备dict，lang目录以及训练语言模型
• 章节40-量化投资：期货策略的实现4
• 课时2-海龟交易策略
• 课时3-趋势策略
• 课时1-常见日内交易策略
• 课时4-套利策略
• 章节2-拉格朗日极值法和泛函分析入门
• 课时1-信息熵
• 课时4-正态分布
• 课时7-线性回归的MSE和MAE
• 课时9-模型效果差
• 课时3-概率分布是连续的P为什么分布时熵最大
• 课时2-离散连续的概率
• 课时8-信息熵和分类的关系
• 课时13-文氏图
• 课时17-机器学习和信息论
• 课时11-作业和X和Y的联合分布
• 课时14-相对熵
• 课时16-衡量差异
• 课时15-KL的距离
• 课时5-线性回归
• 课时12-条件熵
• 课时10-度量特性X好坏的方法
• 课时6-训练样本
• 章节41-bert和它的朋友们1
• 课时2-阿里解决方案4个重要知识点
• 课时1-图模型-电商场景中的面试热点问题
• 章节58-强化学习量化交易应用 2
• 课时1-隐马尔可夫模型
• 课时2-语音信号数字化
• 课时3-HMM模型过程讲解
• 课时4-HMM模型三大问题
• 章节54-语音识别之语音信号基础2
• 课时4-强化学习及量化交易应用铺垫
• 课时1-我国高频交易法律监管现状及存在的问题
• 课时3-根据订单状态预测价格走势
• 课时2-机器学习用到的高频数据和强化学习优化交易执行
• 章节5-矩阵求导术
• 课时6-矩形求导术(6)
• 课时2-矩形求导术(2)
• 课时1-矩形求导术(1)
• 课时11-多分类任务梯度下降法(2)
• 课时5-矩形求导术(5)
• 课时7-公式3(1)
• 课时8-公式3(2)
• 课时12-作业
• 课时9-公式3(3)
• 课时4-矩形求导术(4)
• 课时3-矩形求导术(3)
• 课时10-多分类任务梯度下降法(1)
• 章节24-pagerank算法2
• 课时1-希拉里邮件门
• 课时4-平滑不稳定性
• 课时5-等级沉默
• 课时6-Pagerank的数学原理
• 课时8-答疑
• 课时3-平滑解决方法
• 课时7-信息农场
• 课时2-等级泄露
• 章节17-量化投资5
• 课时2-回顾知识点
• 课时8-最大回撤练习
• 课时9-答疑
• 课时6-如何评价投资的好坏夏普比率
• 课时5-如何评价投资的好坏基础指标
• 课时7-如何评价投资的好坏最大回撤
• 课时10-量化投资的工具交易软件
• 课时4-更广泛的风险案例
• 课时3-量化投资领域风险案例光大乌龙指
• 课时1-基金业协会
• 章节56-高频交易：高频因子挖掘及高频做市策略
• 课时4-语音信号分析图片
• 课时1-语音信号时分析 周期 帧率
• 课时3-语音信号分析 语音编码格式
• 课时2-预加重 分帧 加窗
• 章节1-信息论入门-概率和信息
• 课时12-对于随机变量的最短编码有如下式子
• 课时14-求商的时候不同的底只差一个系数
• 课时11-信息编码长度中Li变量求法
• 课时16-均匀分布
• 课时2-信息论
• 课时1-人工智能课程大纲
• 课时5-变长编码
• 课时4-对于非均匀分布事件可以采用变长编码压缩比特位
• 课时15-信息熵和热力学第一定律 能量守恒定律
• 课时8-信息编码长度(2)
• 课时10-拉格朗日极值总结
• 课时17-作业
• 课时7-信息编码长度(1)
• 课时3-通信的角度出发和均匀分布
• 课时13-香农用熵来衡量信息
• 课时6-信息量
• 课时9-拉格朗日极值法
• 章节8-从数学的角度看embedding特征维度的选取
• 课时4-出战失利与没出息的想法
• 课时11-答疑
• 课时5-在站内的假成功
• 课时8-渣男体质出现端倪
• 课时9-心态
• 课时6-备战前的一个月
• 课时2-为什么学人工智能
• 课时10-经历过的面试
• 课时7-疯狂的以战养战
• 课时1-从小白到学糕
• 课时3-学习过程中的困惑
• 章节53-语音识别之语音信号基础1
• 课时3-高频交易对市场稳定性的影响
• 课时4-美国股票市场闪崩事件
• 课时5-典型高频交易操纵类型
• 课时1-回顾
• 课时7-我国高频交易法律监管现状及存在的问题
• 课时6-高频交易案件
• 课时2-监管对于高频交易的定义和对市场流动性的影响
• 章节52-高频交易：高频交易案例2
• 课时5-端到端语音识别
• 课时4-传统语音识别过程
• 课时2-语音识别评价指标
• 课时7-Transformer结构
• 课时6-端到端语音识别Transformer
• 课时1-语义识别常用数据库
• 课时3-传统语音识别框架
• 章节38-量化投资：期货策略的实现3
• 课时2-艾略特波浪理论
• 课时1-k线图
• 课时3-量价关系理论
• 章节55-语音识别之特征处理及HMM模型
• 课时4-进一步了解采样
• 课时1-课程目录
• 课时3-采样的几点思考
• 课时2-语音信号数字化
• 课时5-语音信号量化
• 章节10-AI架构设计
• 课时6-Tensorflow Serving(1)
• 课时10-Tensorflow Serving(5)
• 课时3-AI模型发展
• 课时5-AI计算
• 课时12-答疑
• 课时7-Tensorflow Serving(2)
• 课时11-Tensorflow Serving(6)
• 课时2-AI应用
• 课时4-AI工作流程
• 课时1-人工智能工程化
• 课时8-Tensorflow Serving(3)
• 课时9-Tensorflow Serving(4)
• 章节23-pagerank算法1
• 课时3-Google的诞生
• 课时1-图是什么
• 课时5-希拉里邮件门
• 课时4-什么样的网站得分高
• 课时2-网站
• 章节7-文本分类速览2
• 课时9-文本分类常用模型
• 课时8-卷积到底在干嘛
• 课时4-LSTM分类
• 课时1-Fasttext
• 课时3-HAN
• 课时6-CNN文本分类
• 课时11-样本量过少
• 课时10-类别数量差异特别大
• 课时2-RNN LSTM GRU模型
• 课时7-DPCNN
• 课时5-LDA
• 章节63-HMM-DNN声学模型
• 课时2-贝叶斯公式
• 课时4-GMM推理过程
• 课时5-几个问题
• 课时1-HMM模型维特比算法
• 课时3-GMM高斯混合模型
• 章节28-期货量化交易：套期保值策略
• 课时8-案例
• 课时6-运用远期（期货）进行套期保值
• 课时4-运用远期（期货）进行套期保值
• 课时9-完美与不完美的套期保值
• 课时10-不完美套期保值的来源
• 课时2-“原油宝”
• 课时13-合约的选择
• 课时11-基差风险
• 课时5-VNPY软件
• 课时14-合约到期日的选择
• 课时7-运用远期（期货）进行套期保值的类型
• 课时1-支付已知收益率的资产3
• 课时3-同一时刻远期(期货)价格与标的资产现货的关系
• 课时12-远期期货套期保值策略
• 章节59-股票量化交易：股票发行1
• 课时1-量化高频文章分享
• 课时3-高频因子挖掘文章分享
• 课时2-蒙玺研究文章分享
• 章节13-量化投资2
• 课时6-量化投资在国外
• 课时8-量化投资在国外LTCM的陨落
• 课时9-答疑
• 课时4-市场异象的存在ST股票摘帽事件
• 课时7-量化投资在国外LTCM
• 课时5-市场异象的存在国债期货假期效应
• 课时2-市场异象的存在小市场值因子
• 课时3-市场异象的存在Sell in May 效应
• 课时1-可以通过交易赚钱吗强有效市场
• 章节29-textrank算法
• 课时6-用Pagerank 抽取摘要的改进点
• 课时4-提取摘要
• 课时2-Textrank应用
• 课时1-Textrank
• 课时3-Textrank如何深度学习进行结合和提取关键词
• 课时5-提取摘要应用
• 章节33-量化投资：交易价格的形成1
• 课时7-答疑
• 课时2-塞题分析
• 课时8-mask
• 课时4-答疑
• 课时1-比赛的赛题
• 课时5-Atteution的算法
• 课时6-中间的注意力
• 课时3-ESIM模型结构
• 章节9-面试指导
• 课时7-知识图谱用于标签抽取
• 课时6-视频推荐系统(2)
• 课时1-面试遇到的问题
• 课时5-视频推荐系统(1)
• 课时2-工资问题
• 课时4-辞职
• 课时8-深度学习VS知识图谱
• 课时3-会问你现在的工资水平
• 章节62-股票量化交易：打新策略及风险衡量 2
• 课时2-基金
• 课时5-风险衡量
• 课时3-如何通过构建基金组合获取打新收益
• 课时4-投资风险
• 课时1-股票推荐的一些网站
• 章节65-股票量化交易：现代投资组合理论 1
• 课时1-风险衡量和风险资产组合
• 课时5-最优风险资产组合
• 课时6-两种风险资产构成的组合的风险和收益
• 课时3-投资理论
• 课时2-股票和债券的长期业绩
• 课时4-资本配置
• 章节36-量化投资：期货策略的实现2
• 课时3-答疑(2)
• 课时2-答疑(1)
• 课时1-tf点gatherAPI
• 章节14-量化投资3
• 课时1-知识点回顾
• 课时4-量化投资在国内量化投资的生态
• 课时2-量化投资入门读物
• 课时6-量化投资在国内交易所
• 课时5-量化投资在国内二级市场
• 课时3-量化投资在国内金融市场
• 章节60-股票量化交易：股票发行2
• 课时3-补充部分知识和推荐学习的文章
• 课时2-强化学习基础部分2
• 课时1-强化学习基础部分1
• 章节11-推荐系统综述
• 课时9-PUSH
• 课时3-流量平台的参与方(1)
• 课时2-核心指标是什么(2)
• 课时5-流量平台的参与方(3)
• 课时6-分层分桶法(1)
• 课时8-分层分桶法(3)
• 课时4-流量平台的参与方(2)
• 课时7-分层分桶法(2)
• 课时1-核心指标是什么(1)
• 章节35-量化投资：期货策略的实现1
• 课时4-MaltSampeDropout
• 课时2-伪标签
• 课时3-F1值
• 课时1-对抗训练
• 课时5-focalLoss
• 章节70-股票量化交易：多因子模型架构
• 课时2-多因子模型主要框架
• 课时1-多因子模型的核心思想
• 课时3-多因子模型数据准备
• 课时4-单因子测试
• 章节50-深度学习与语音识别技术基础2
• 课时3-高频市场广泛存在无风险套利机会
• 课时2-高频交易中投资者策略 推动大象
• 课时1-高频交易中投资者策略
• 课时4-高频交易公司
• 课时5-高频交易专题
• 课时7-高频数据因子基于分钟数
• 课时6-高频因子基础高频数据
• 课时8-高频数据因子基于tick数据与逐笔成交数据
• 章节67-语音识别实战一
• 课时1-均值方差模型均值方差模型均值方差模型
• 课时4-Kaldi的数据准备
• 课时3-Kaldi的安装
• 课时2-Kaldi的架构
• 章节22-量化投资8
• 课时1-实证研究
• 课时4-推荐一些电影和书籍
• 课时6-用视屏了解期货量化投资及量化交易系统
• 课时5-答疑
• 课时9-答疑
• 课时3-用于交易回归
• 课时8-用视频了解交易国债期货
• 课时7-期货
• 课时2-实证结论
• 章节3-联合熵，条件熵，互信息，交叉熵
• 课时5-机器翻译
• 课时3-文本分类
• 课时4-计算语言信息熵的方法总结
• 课时2-小应用
• 课时9-从word2vec的角度计算双词信息熵(2)
• 课时10-在n维空间中任意两个夹角满足概率分布
• 课时7-从数据统计的角度来看问题
• 课时1-NLP中的信息
• 课时6-Word2vec维度确定
• 课时11-在推荐系统中embedding的维度应该如何设
• 课时8-从word2vec的角度计算双词信息熵(1)
• 章节30-node2vec算法
• 课时3-Deepwalk+内容信息
• 课时5-大部分应用场景
• 课时1-Graph embedding
• 课时2-构建图的时候用的购买信息
• 课时4-node2vec
• 章节18-量化投资6
• 课时8-另类数据用于交易使用Twitter情绪交易SP500
• 课时3-量化投资的工具交易系统
• 课时5-AI在量化投资领域的应用工作流程
• 课时9-另类数据用于交易使用新闻交易债券货币商品
• 课时7-另类数据用于交易
• 课时1-答疑
• 课时2-量化投资的工具研究工具
• 课时11-答疑
• 课时10-另类数据用于交易使用卫星图像交易股票
• 课时6-AI字量化投资领域的应用金融应用
• 课时4-AI在量化投资领域的应用兴起的原因
• 章节42-bert和它的朋友们2
• 课时1-归一化
• 课时2-非归一化
• 课时3-二阶相似度
• 章节26-期货量化交易：远期和期货应用
• 课时12-课外读物
• 课时13-用视屏了解贷危机里的难懂的金融术语
• 课时10-思考题
• 课时8-远期合约基本假设
• 课时4-金融远期合约术语
• 课时6-金融远期合约和远期利率协议
• 课时7-连续复利
• 课时11-无套利定价法
• 课时5-远期合约的盈亏
• 课时1-衍生产品的运用
• 课时2-用视屏了解贷危机里的难懂的金融术语
• 课时9-主要符合
• 课时3-金融工程定价方法
• 章节69-股票量化交易：多因子模型理论
• 课时2-多因子模型
• 课时4-多因子模型的理论基础
• 课时3-两类多因子模型
• 课时1-因子模型
• 章节66-股票量化交易：现代投资组合理论 2
• 课时3-均值方差模型
• 课时2-资本资产定价模型CAPM
• 课时1-最优资产组合
• 章节43-期货量化交易：套利策略
• 课时2-word2vec
• 课时4-Bert
• 课时5-Bert训练模型和Bert怎么用
• 课时1-Bert模型作用
• 课时3-ElMo
• 章节48-高频交易：高频数据及因子计算
• 课时7-replace span
• 课时9-T5总结
• 课时5-训练的四个参数
• 课时8-破坏比和破坏长度
• 课时1-解决存在的问题
• 课时3-T5模型
• 课时10-课程总结
• 课时6-Bert-style
• 课时4-NLP主流模型
• 课时2-双流自注意力
• 章节34-量化投资：交易价格的形成2
• 课时1-mask
• 课时3-ESIM
• 课时2-dropout
• 课时4-基于条件laget-nom
• 课时5-Bert
• 章节32-期货量化交易：CTA产品及策略概述
• 课时4-CTA产品的表现
• 课时8-时序策略概述时序动量效果测试
• 课时2-CTA简介
• 课时10-技术分析和基础分析
• 课时5-CTA规模特点
• 课时6-CTA策略分类
• 课时1-CTA的策略关键择时
• 课时9-技术分析理论基础
• 课时3-CTA发展
• 课时12-答疑
• 课时11-技术分析理论基础
• 课时7-时序策略概述
• 章节4-从信息论的角度解读机器学习
• 课时1-二期输入法项目
• 课时4-模型学习过程当中信息是如何变化
• 课时2-信息论与深度学习
• 课时6-矩阵求导术
• 课时5-训练的过程
• 课时3-卷积为什么有效
• 课时7-链式法则
• 章节31-期货量化交易：套期保值计算
• 课时9-套利
• 课时1-回顾知识点
• 课时10-投机
• 课时6-最小方差套期保值比率的有效性
• 课时18-什么是保证金
• 课时3-最小方差套期保值数量N
• 课时20-金融期货
• 课时15-最小方差套期保值比率
• 课时2-最优的套期保值比率与最小方差套期保值比率
• 课时21-利率期货
• 课时19-商品期货
• 课时16-案例
• 课时14-股指期货应用
• 课时7-案例
• 课时11-案例
• 课时5-最小方差套期保值比率的最小二乘估计
• 课时12-股票指数期货概述
• 课时8-运用远期(期货)进行其他类型的套期保值
• 课时17-调整投资组合的系统性风险暴露
• 课时4-最小方差套期保值比率公式
• 课时13-股指期货定价
• 章节39-图模型在推荐系统中的应用2
• 课时3-Boll带通道突破策略和MACD指标策略
• 课时2-均线策略和双均线策略
• 课时1-常用商品期货量化交易策略
• 章节16-生成模型GAN
• 课时8-执行过程
• 课时1-GAN
• 课时14-正态分布两大要素
• 课时12-GAN用在NLP中需要注意什么
• 课时10-GAN缺点
• 课时7-GAN实例(2)
• 课时13-VAE
• 课时4-GAN流程总结
• 课时9-GAN实例(3)
• 课时3-生成器模型
• 课时11-GAN除了生成图像还能干什么
• 课时6-GAN实例(1)
• 课时5-答疑
• 课时2-万物皆正态分布和判别器的训练
• 章节21-量化投资7
• 课时3-模型线性模型
• 课时2-为什么将ML用到资产风险溢价问题中
• 课时6-模型评价样本外R方
• 课时5-答疑
• 课时4-模型非线性
• 课时1-知识点回顾
• 课时7-实证研究
• 章节37-图模型在推荐系统中的应用1
• 课时5-CTA策略分类和技术分析理论基础
• 课时1-保证金
• 课时6-道氏理论和k线图
• 课时3-利率期货和外汇期货
• 课时4-CTA介绍
• 课时2-商品期货和金融期货
• 章节20-GAN背后的秘密
• 课时4-维数灾难
• 课时3-为什么在逻辑回归中仍然可以使用KL距离
• 课时5-KL距离缺点
• 课时1-KL距离
• 课时7-生成器
• 课时8-有效的训练gan
• 课时9-本节课重点总结
• 课时2-KL突变的过程
• 课时6-为什么gan这么难以训练
• 章节25-期货量化交易：远期和期货介绍
• 课时2-金融工程概述
• 课时9-期权
• 课时7-思考题
• 课时11-全球场外衍生品市场按合约分类
• 课时1-回归知识点
• 课时4-远期合约
• 课时8-互换
• 课时12-金融衍生产品按标的分类
• 课时6-期货合约
• 课时3-金融衍生产品定义与本质
• 课时5-远期交易的优缺点
• 课时10-期权的回报(Payoff)非线性
• 章节68-语音识别实战二
• 课时3-模型训练GMM
• 课时1-Kaldi的数据准备
• 课时2-词典和lang目录以及训练语言模型
• 章节61-股票量化交易：打新策略及风险衡量 1
• 课时2-敞口策略
• 课时1-股票量化交易简介
• 课时3-股票的基础知识1
• 课时4-股票的基础知识2
• 章节46-bert和它的朋友们4
• 课时1-策略部分代码实操
• 课时2-高频交易介绍
• 章节64-语言模型及解码
• 课时1-初识Kaldi
• 课时3-Kaldi目录结构及回答提问2
• 课时2-Kaldi目录结构及回答提问1
• 章节51-高频交易：高频交易案例1
• 课时1-基础知识
• 课时6-工程应用角度
• 课时8-国内语音识别现状
• 课时7-语音识别发展史
• 课时5-众多方面的可变性
• 课时9-语音识别开源工具
• 课时4-语音识别
• 课时2-语音基础知识
• 课时3-语音特征提取
• 章节15-量化投资4
• 课时4-量化投资在国内股票
• 课时2-答疑
• 课时7-量化投资在国内策略类型(2)
• 课时9-量化投资领域风险案例骑士资本
• 课时6-量化投资在国内策略类型(1)
• 课时3-量化投资在国内期货
• 课时1-量化投资在国内交易所
• 课时8-特殊的量化投资领域数字货币交易
• 课时5-量化投资在国内参与者
• 章节12-量化投资1
• 课时1-量化投资及AI应用概述
• 课时11-可以通过交易赚钱吗强有效市场
• 课时4-量化投资与主观投资的区别量化的优势
• 课时2-什么是量化投资
• 课时8-可以通过交易赚到钱吗市场有效性理论
• 课时3-什么是量化投资量化交易的流程
• 课时5-量化投资与主观投资的区别主观投资
• 课时9-可以通过交易赚钱吗弱有效市场
• 课时10-可以通过交易赚钱吗半强有效市场
• 课时6-量化投资与主观投资的区别量化投资
• 课时7-金融危机中的量化投资与主观投资
• 09.TensorFlow深度学习框架-108
• 章节1-TensorFlow介绍和环境安装
• 课时2-环境安装
• 课时1-TensorFlow介绍
• 章节8-模型保存和部署
• 课时1-模型保存和部署理论
• 课时6-tflite_interpreter使用
• 课时7-转化为量化tflite
• 课时4-keras_to_concret_function
• 课时8-使用quantized_tflite_interpreter
• 课时5-to_tflite
• 课时3-keras_to_savedmodel
• 课时2-keras保存模型参数和加载模型参数
• 章节6-Tensorflow Estimator使用
• 课时3-交叉特征使用
• 课时2-premake estimator使用
• 课时1-feature_columns使用
• 章节5-Tensorflow dataset使用
• 课时2-生成csv文件
• 课时4-在keras中使用dataset
• 课时1-datasets基础用法
• 课时3-解析csv文件
• 章节3-TensorFlow高阶操作
• 课时6-selu激活函数
• 课时3-正则化
• 课时8-回调函数
• 课时4-dropout
• 课时14-超参数搜索理论
• 课时9-wide&deep模型原理
• 课时5-BN层
• 课时13-多输出wide&deep
• 课时12-多输入wide&deep
• 课时2-标准化处理 softmax和flatten
• 课时1-神经网络计算参数方法啊
• 课时11-子类api写法
• 课时15-手动实现超参数搜索
• 课时7-神经网络实现回归任务
• 课时10-wide&deep模型函数式写法
• 课时16-封装sklearn进行超参数搜索
• 章节7-GPU设置和分布式
• 课时5-设置虚拟GPU
• 课时4-设置GPU可见
• 课时9-estimator模型分布式
• 课时8-keras模型分布式
• 课时2-fashion_minst数据处理
• 课时7-分布式策略
• 课时10-自定义训练过程分布式
• 课时3-设置GPU增长
• 课时6-使用多GPU
• 课时11-自定义训练过程问题解决
• 课时1-GPU设置理论
• 章节2-TensorFlow基础操作
• 课时3-变量操作
• 课时1-常量的操作
• 课时5-tensorflow实现线性回归
• 课时2-sparse tensor
• 课时4-tensorflow运算
• 课时6-tensorflow实现逻辑回归
• 课时7-keras入门
• 章节4-高阶API
• 课时1-自定义损失函数
• 课时4-手动求导
• 课时5-tf.GradientTape
• 课时3-tf.function和auto_graph
• 课时6-手动实现训练过程
• 课时2-自定义layer
• 18.基于CNN的猫狗图片分类项目-829
• 章节1-基于CNN的猫狗图片分类项目
• 课时4-配置网络
• 课时1-项目介绍
• 课时6-数据增强
• 课时3-搭建卷积神经网络
• 课时5-模型训练
• 课时2-读取数据
• 23.基于SSD的口罩佩戴检测项目-854
• 章节1-SSD口罩识别
• 课时7-计算iou值
• 课时13-计算offset
• 课时17-LastModel和最终模型创建
• 课时18-计算损失
• 课时1-项目介绍
• 课时10-模型训练
• 课时15-FirstModel创建
• 课时21-口罩项目源码解读
• 课时20-预测和结果展示
• 课时9-定义模型
• 课时16-MiddleModel创建
• 课时2-SSD算法原理回顾
• 课时6-展示anchors
• 课时11-预测和总结
• 课时14-工具类函数
• 课时3-数据集收集
• 课时12-ssd生成anchor源码编写
• 课时5-生成anchors
• 课时4-自定义数据集
• 课时8-计算target
• 课时19-训练
• 38.人工智能（一期） 未剪辑版-1310
• 章节57-程序员数学进阶 用数学洞穿机器学习的本质
• 课时1-程序员数学进阶 用数学洞穿机器学习的本质
• 章节24-深度学习避坑指南：权重初始化的方法和技巧
• 课时1-深度学习避坑指南：权重初始化的方法和技巧
• 章节29-项目二：以图搜图技术详解实战02
• 课时1-项目二：以图搜图技术详解实战02
• 章节31-word2vec的一些特殊问题和优化方法
• 课时1-word2vec的一些特殊问题和优化方法
• 章节22-多分类函数softmax和学习方法
• 课时1-多分类函数softmax和学习方法
• 章节15-集成学习：企业神器GBDT详解
• 课时1-集成学习：企业神器GBDT详解
• 章节47-图像分类在企业中的应用
• 课时1-图像分类在企业中的应用
• 章节12-SVM2-昔日辉煌，传统方法顶峰详解
• 课时1-SVM2-昔日辉煌，传统方法顶峰详解
• 章节13-分类器背后的秘密和机器学习三大定律
• 课时1-分类器背后的秘密和机器学习三大定律(1)
• 课时2-分类器背后的秘密和机器学习三大定律(2)
• 章节43-NLP技术在推荐搜索中的应用
• 课时1-NLP技术在推荐搜索中的应用
• 章节52-程序员的数学进阶 逻辑回归和凸函数01
• 课时1-程序员的数学进阶 逻辑回归和凸函数01
• 章节2-线性回归1-第一个模型，用来进行数值预测
• 课时1-线性回归1-第一个模型，用来进行数值预测
• 章节1-人工智能概述和特征提取？做人工智能的第一步
• 课时1-人工智能概述和特征提取？做人工智能的第一步
• 章节8-逻辑回归4-让模型看的更准更稳，正则优化
• 课时1-逻辑回归4-让模型看的更准更稳，正则优化
• 章节46-常见激活函数讲解
• 课时1-常见激活函数讲解
• 章节33-项目三：推荐系统整体流程架构解读02
• 课时1-项目三：推荐系统整体流程架构解读02
• 章节45-BP算法原理和训练方法
• 课时1-BP算法原理和训练方法
• 章节18-LDA：文本数据大杀器，揭示文本背后的秘密
• 课时1-LDA：文本数据大杀器，揭示文本背后的秘密
• 章节42-如何写简历，打造更好的自己
• 课时1-如何写简历，打造更好的自己
• 章节28-项目二：以图搜图技术详解实战01
• 课时1-项目二：以图搜图技术详解实战01
• 章节48-卷积的基本思想
• 课时1-卷积的基本思想
• 章节10-传统机器学习概览
• 课时2-传统机器学习概览(2)
• 课时1-传统机器学习概览(1)
• 章节25-集成学习在深度学习中的应用dropout
• 课时1-集成学习在深度学习中的应用dropout
• 章节11-支持向量机SVM1-曾经的分类王者
• 课时1-支持向量机SVM1-曾经的分类王者
• 章节41-常见面试题解读02
• 课时1-常见面试题解读02
• 章节21-深度学习的学习算法，梯度下降法和链式法则
• 课时1-深度学习的学习算法，梯度下降法和链式法则
• 章节49-程序员的数学进阶 导数
• 课时1-程序员的数学进阶 导数
• 章节32-项目三：推荐系统整体流程架构解读01
• 课时1-项目三：推荐系统整体流程架构解读01
• 章节34-项目三：关键词抽取和基于文本的召回算法03
• 课时1-项目三：关键词抽取和基于文本的召回算法03
• 章节58-程序员的数学进阶 机器学习不能做什么？
• 课时1-程序员的数学进阶 机器学习不能做什么？
• 章节44-逻辑回归和神经元
• 课时1-逻辑回归和神经元
• 章节19-深度学习DNN01-深度学习开启人工智能新时代
• 课时1-深度学习DNN01-深度学习开启人工智能新时代
• 章节20-编程工具keras讲解和深度学习为什么会有效
• 课时1-编程工具keras讲解和深度学习为什么会有效
• 章节17-DBscan聚类：kmeans升级，数据更具智能
• 课时1-DBscan聚类：kmeans升级，数据更具智能
• 章节35-项目三：推荐系统04基于行为类的召回算法
• 课时1-项目三：推荐系统04基于行为类的召回算法
• 章节55-程序员的数学进阶 泰勒公式和神经网络01
• 课时1-程序员的数学进阶 泰勒公式和神经网络01
• 章节56-程序员的数学进阶 泰勒公式和神经网络02
• 课时1-程序员的数学进阶 泰勒公式和神经网络02
• 章节50-程序员的数学进阶 最值和极值
• 课时1-程序员的数学进阶 最值和极值
• 章节36-项目三：推荐系统05 Airbnb优秀论文解读
• 课时1-项目三：推荐系统05 Airbnb优秀论文解读
• 章节3-线性回归2-从傻瓜到智能，梯度下降法学习法
• 课时1-线性回归2-从傻瓜到智能，梯度下降法学习法
• 章节4-线性回归3-突破瓶颈，模型效果的提升
• 课时1-线性回归3-突破瓶颈，模型效果的提升
• 章节53-程序员的数学进阶 逻辑回归和凸函数02
• 课时1-程序员的数学进阶 逻辑回归和凸函数02
• 章节37-CNN：计算机视觉标配，给AI一双慧眼
• 课时1-CNN：计算机视觉标配，给AI一双慧眼
• 章节40-常见面试题解读01
• 课时1-常见面试题解读01
• 章节27-项目一：数字图像识别，让机器具有一双眼睛
• 课时1-项目一：数字图像识别，让机器具有一双眼睛
• 章节16-Kmeans聚类：无监督学习，让数据自己说话
• 课时2-Kmeans聚类：无监督学习，让数据自己说话(2)
• 课时1-Kmeans聚类：无监督学习，让数据自己说话(1)
• 章节38-项目四：CNN识别彩色图像，就那么一会
• 课时1-项目四：CNN识别彩色图像，就那么一会
• 章节30-开始深度学习在自然语言处理领域的时代
• 课时1-开始深度学习在自然语言处理领域的时代
• 章节39-一期课程内容总结
• 课时1-一期课程内容总结
• 章节6-逻辑回归2-损失函数推到解析和特征选择优化
• 课时1-逻辑回归2-损失函数推到解析和特征选择优化
• 章节26-梯度下降法的优化和一些先进的学习技术
• 课时1-梯度下降法的优化和一些先进的学习技术
• 章节7-逻辑回归3-到底好不好？模型评价指标讲解(1)
• 课时2-逻辑回归3-到底好不好？模型评价指标讲解(2)
• 课时1-逻辑回归3-到底好不好？模型评价指标讲解(1)
• 章节54-程序员的数学进阶 泰勒公式
• 课时1-程序员的数学进阶 泰勒公式
• 章节51-程序员的数学进阶 二阶导数和凸函数
• 课时1-程序员的数学进阶 二阶导数和凸函数
• 章节14-集成学习：三个臭皮匠顶一个诸葛亮-决策树和随机森林
• 课时1-集成学习：三个臭皮匠顶一个诸葛亮-决策树和随机森林
• 章节5-逻辑回归1-猛将起于卒伍，工业环境下的分类模型
• 课时1-逻辑回归1-猛将起于卒伍，工业环境下的分类模型
• 章节9-逻辑回归5-让学习更高效，数值优化和一只看不见的手
• 课时1-逻辑回归5-让学习更高效，数值优化和一只看不见的手
• 15.机器视觉之OpenCV-129
• 章节8-图像轮廓
• 课时6-外接矩形
• 课时1-查找轮廓
• 课时3-计算轮廓面积和周长
• 课时5-凸包
• 课时2-绘制轮廓
• 课时4-多边形逼近
• 章节20-文档扫描ocr和光流估计
• 课时2-光流估计
• 课时1-文档ocr扫描识别
• 章节18-目标追踪
• 课时2-OpenCV目标追踪算法介绍
• 课时4-OpenCV中使用深度学习模型
• 课时3-目标追踪实战
• 课时1-目标追踪介绍
• 章节15-信用卡数字识别
• 课时1-模板匹配
• 课时4-处理模板图片
• 课时7-使用argparse接收用户输入
• 课时6-数字轮廓获取和匹配
• 课时5-数字模板处理和信用卡图片形态学操作
• 课时2-匹配多个对象
• 课时3-ostu算法
• 章节17-人脸检测和车牌识别
• 课时2-人眼检测
• 课时1-人脸检测
• 课时3-车牌识别
• 章节10-图像直方图
• 课时3-绘制直方图
• 课时4-使用掩膜的直方图
• 课时5-直方图均衡化
• 课时2-使用OpenCV统计直方图
• 课时1-图像直方图基本概念
• 章节4-OpenCV的运算
• 课时4-为图像添加水印
• 课时1-图形的加减乘除运算
• 课时2-图形的融合
• 课时3-OpenCV的位运算
• 章节14-虚拟计算器项目
• 课时4-虚拟计算器bug修复和重复点击问题解决
• 课时2-打开摄像头和创建Button类
• 课时1-虚拟计算器项目介绍
• 课时3-点击操作
• 章节19-答题卡识别判卷
• 课时1-图片预处理和四个角点坐标排序
• 课时2-轮廓排序和计分功能
• 章节3-OpenCV绘制图形
• 课时5-绘制文本
• 课时2-绘制矩形和圆
• 课时4-绘制多边形
• 课时3-绘制椭圆
• 课时6-实现鼠标绘制基本图形
• 课时1-绘制直线
• 章节1-图片和视频的加载和显示
• 课时8-从摄像头采集视频
• 课时7-读取摄像头和视频帧
• 课时4-创建显示窗口
• 课时10-TrackBar控件
• 课时3-环境搭建
• 课时2-OpenCV介绍
• 课时9-控制鼠标
• 课时6-保存文件
• 课时1-机器视觉介绍
• 课时5-加载显示图片
• 章节9-图像金字塔
• 课时2-拉普拉斯金字塔
• 课时1-高斯金字塔
• 章节16-图像分割与修复
• 课时2-分水岭算法实战
• 课时8-图片修复
• 课时3-分水岭算法抠图以及和Canny findContourns的对比
• 课时7-视频前后景分离
• 课时1-分水岭算法理论讲解
• 课时4-grabcut原理和使用
• 课时5-交互式grabcut程序
• 课时6-meanshift
• 章节6-滤波器
• 课时8-高通滤波之Laplacian算子
• 课时1-卷积概念
• 课时3-高斯滤波
• 课时4-中值滤波
• 课时6-高通滤波之Sobel算子
• 课时2-方盒滤波和均值滤波
• 课时7-高通滤波之Scharr算子
• 课时5-双边滤波
• 课时9-边缘检测Canny
• 章节5-图形基本变换
• 课时4-变换矩阵
• 课时1-图像的放大与缩小
• 课时3-图像的平移
• 课时2-图像的翻转和旋转
• 课时5-OpenCV的透视变换
• 章节11-车辆统计项目
• 课时2-判断是否是车辆
• 课时1-项目介绍和视频背景分离
• 课时4-显示车辆计数信息
• 课时3-车辆计数逻辑
• 章节7-形态学
• 课时3-腐蚀操作
• 课时8-形态学梯度
• 课时5-膨胀操作
• 课时4-获取形态学卷积核
• 课时6-开运算
• 课时2-自适应阈值二值化
• 课时7-闭运算
• 课时9-顶帽操作
• 课时10-黑帽操作
• 课时1-图像全局二值化
• 章节2-OpenCV基础知识
• 课时2-HSV HSL和YUV
• 课时4-OpenCV的重要数据结构Mat及深浅拷贝
• 课时3-实战色彩空间转换
• 课时5-图像通道的分割与合并
• 课时1-RGB和BGR
• 章节13-图像查找和图像拼接
• 课时1-图像查找
• 课时2-图像拼接
• 章节12-特征点检测和匹配
• 课时1-特征检测基本概念
• 课时9-ORB算法
• 课时6-sift算法原理
• 课时5-shi-tomasi角点检测
• 课时7-sift算法使用
• 课时4-harris角点检测应用
• 课时10-暴力特征匹配
• 课时8-SURF算法
• 课时3-harris角点检测数学原理2
• 课时11-FLANN特征匹配
• 课时2-harris角点检测数学原理1
• 22.基于OpenCV的虚拟计算器项目-823
• 章节1-虚拟计算器
• 课时1-虚拟计算器项目介绍
• 课时3-点击操作
• 课时4-bug修复和重复点击问题解决
• 课时2-打开摄像头和创建Button类
• 47.图解Python语法-508
• 章节12-找对象不积极思想有问题
• 课时5-类属性_类方法_静态方法的使用方式
• 课时6-动态绑定属性和方法
• 课时4-对象的创建
• 课时1-编程的两大思想_面向过程_面向对象
• 课时2-类与对象
• 课时3-定义Python中的类
• 章节4-往哪走
• 课时6-分支结构_嵌套if的使用
• 课时4-分支结构_双分支结构
• 课时7-条件表达式
• 课时5-分支结构_多分支结构
• 课时3-分支结构_单分支结构
• 课时2-对象的布尔值
• 课时8-pass语句
• 课时1-程序的组织结构_顺序结构
• 章节2-七十二变
• 课时5-Python中常见的数据类型
• 课时8-数据类型_布尔类型
• 课时10-类型转换_str函数与int函数
• 课时2-Python中的标识符和保留字
• 课时4-变量的多次赋值
• 课时1-二进制与字符编码
• 课时11-类型转换_float函数
• 课时6-数据类型-整数类型
• 课时9-数据类型_字符串类型
• 课时3-变量的定义和使用
• 课时7-数据类型_浮点类型
• 课时12-Python中的注释
• 章节11-全民来找茬
• 课时4-Bug的常见类型-思路不清导致的部题
• 课时6-try-except-else结构与try-except-else-finally结构
• 课时8-traceback模块的使用
• 课时2-Bug的常见类型_粗心导致的错误
• 课时1-Bug的由来
• 课时5-Bug的常见类型-被动掉坑-try-except
• 课时9-Pycharm的程序调试
• 课时7-Python中常见的异常类型
• 课时3-Bug的常见类型_错误点不熟悉导致错误
• 章节9-一串连一串
• 课时11-字符串的编码与解码
• 课时10-格式化字符串
• 课时8-字符串的比较操作
• 课时4-字符串的常用操作_字符串内容对齐操作的方法
• 课时7-字符串的常用操作_替换与合并
• 课时6-字符串的常用操作_字符串判断的相关方法
• 课时1-字符串的创建与驻留机制
• 课时5-字符串的常用操作_字符串的劈分
• 课时9-字符串的切片操作
• 课时3-字符串的常用操作_字符串的大小写转换操作方法
• 课时2-字符串的常用操作_字符串的查询操作
• 章节1-出使Python国
• 课时4-集成开发环境Pycharm的安装及设置模板
• 课时3-Python开发环境的安装
• 课时2-Python简介
• 课时1-Python的自述
• 课时5-输出函数print
• 课时6-转义字符与原字符
• 章节14-百宝箱
• 课时5-Python中常用的内容模块
• 课时6-第三方模块的安装与使用
• 课时2-模块的导入
• 课时1-什么叫模块_模块化编程的好处
• 课时4-Python中的包
• 课时3-以主程序方式运行
• 章节5-转圈圈
• 课时4-for_in循环
• 课时5-for_in练习题_100到999之间的水仙花数
• 课时9-嵌套循环
• 课时6-流程控制语句break
• 课时1-range函数的使用
• 课时10-二重循环中的break与continue
• 课时7-流程控制语句continue
• 课时2-while循环
• 课时3-whil练习题_1到100之间的偶数和
• 课时8-else语句
• 章节17-实操案例
• 课时17-实操案例十
• 课时3-实操案例二
• 课时20-实操案例十三
• 课时14-实操案例八
• 课时6-实操案例三
• 课时16-实操案例九
• 课时13-实操案例七
• 课时23-实操案例十五
• 课时7-实操案例四
• 课时4-实操案例二
• 课时21-实操案例十四
• 课时24-实操案例十五
• 课时15-实操案例八
• 课时5-实操案例三
• 课时11-实操案例六
• 课时2-实操案例一
• 课时9-实操案例五
• 课时10-实操案例六
• 课时18-实操案例十一
• 课时8-实操案例五
• 课时1-实操案例一
• 课时22-实操案例十四
• 课时12-实操案例七
• 课时19-实操案例十二
• 章节10-水晶球不调不动
• 课时5-函数参数定义_默认值参数
• 课时7-函数的参数总结
• 课时2-函数调用的参数传递_位置实参_关键字实参
• 课时8-变量的作用域
• 课时4-函数的返回值
• 课时10-斐波那契数列_本章总结
• 课时3-函数参数传递的内存分析
• 课时6-函数参数定义_个数可变的位置形参_个数可变的关键字形参
• 课时9-递归函数
• 课时1-函数的定义与调用
• 章节15-大宝藏
• 课时4-文件对象的常用方法
• 课时6-os模块的常用函数
• 课时7-os.path模块的常用方法_课堂案例
• 课时5-with语句
• 课时1-编码格式的介绍
• 课时3-常用的文件打开模式
• 课时2-文件读写的原理_读取磁盘文件中的内容
• 章节6-一次排开
• 课时2-列表对象的创建
• 课时12-列表生成式
• 课时7-列表元素的判断及遍历
• 课时5-获取列表中指定的元素
• 课时1-为什么需要列表
• 课时4-获取指定元素的索引
• 课时9-列表元素的删除操作
• 课时6-获取列表中的多个元素_切片操作
• 课时3-列表的特点
• 课时8-列表元素的添加操作
• 课时10-列表元素的修改操作
• 课时11-列表元素的排序操作
• 章节8-是排还是散
• 课时4-元组的遍历
• 课时5-集合的概述与创建
• 课时2-元组的创建方式
• 课时1-什么是元组
• 课时3-为什么要将元组设计成不可变序列
• 课时9-集合生成式
• 课时6-集合的相关操作
• 课时8-集合的数据操作
• 课时7-集合间的关系
• 章节16-大显身手
• 课时4-学生信息管理系统-录入学生信息功能
• 课时11-学生信息管理系统-项目打包生成exe可执行文件
• 课时9-学生信息管理系统-显示所有学生信息功能
• 课时5-学生信息管理系统-删除学生信息功能
• 课时7-学生信息管理系统-查找学生信息功能
• 课时2-学生信息管理系统-系统设计
• 课时10-学生信息管理系统-排序模块设计
• 课时6-学生信息管理系统-修改学生信息功能
• 课时3-学生信息管理系统-主函数设计
• 课时8-学生信息管理系统-统计学生总人数
• 课时1-学生信息管理系统-需求分析
• 章节3-算你赢
• 课时2-input函数的高级使用
• 课时3-运算符_算术运算符
• 课时1-input函数的使用
• 课时6-运算符_布尔运算符
• 课时4-运算符_赋值运算符
• 课时8-运算符的优先级
• 课时7-运算符_位运算
• 课时5-运算符_比较运算符
• 章节13-接着找对象
• 课时10-深拷贝
• 课时8-__new__与__init__演示创建对象的过程
• 课时3-方法重写
• 课时7-特殊方法
• 课时1-面向对象的三大特征_封装的实现方式
• 课时2-继承及其实现方式
• 课时9-类的赋值与浅拷贝
• 课时5-多态的实现
• 课时4-object类
• 课时6-特殊属性
• 章节7-夫妻站
• 课时8-字典的特点
• 课时2-字典的实现原理
• 课时5-字典元素的增_删_改操作
• 课时9-字典生成式
• 课时3-字典的创建
• 课时4-字典元素的获取
• 课时1-什么是字典
• 课时7-字典元素的遍历
• 课时6-获取字典视图
• 13.电商项目–用户评论情感分析-1360
• 章节1-用户评价情感分析
• 课时3-京东天猫用户评价情感分析-多层神经网络
• 课时5-京东天猫用户评价情感分析-结巴分词
• 课时4-京东天猫用户评价情感分析-神经网络代码实现
• 课时2-京东天猫用户评价情感分析-激活函数
• 课时1-京东天猫用户评价情感分析-单层神经网网络
• 课时6-京东天猫用户评价情感分析-文本向量化
• 课时7-京东天猫用户评价情感分析-深度学习建模预测
• 11.程序员的数学-819
• 章节4-多元函数微分学
• 课时2-偏导数
• 课时5-雅可比矩阵
• 课时3-高阶偏导数
• 课时1-多元函数定义
• 课时6-Hessian 矩阵
• 课时8-二次型
• 课时4-梯度
• 课时7-极值判别法则
• 章节3-线性代数高级
• 课时3-特征值与行列式
• 课时5-特征值分解意义
• 课时6-矩阵和向量的求导公式
• 课时13-SVD 进行协同过滤
• 课时2-满秩矩阵
• 课时8-奇异值分解计算方式
• 课时4-特征值分解定义与操作
• 课时11-SVD 进行 PCA 降维
• 课时1-特征值与特征向量概念
• 课时7-奇异值分解（SVD）
• 课时9-奇异值分解性质
• 课时10-SVD 进行数据压缩
• 课时12-SVD 进行矩阵求逆
• 章节6-最优化
• 课时8-牛顿法求解最优化代码演示
• 课时13-凸集
• 课时18-拉格朗日对偶
• 课时11-数值优化算法瓶颈
• 课时14-凸函数
• 课时9-拟牛顿法介绍
• 课时3-梯度下降法公式推导
• 课时1-最优化概念
• 课时2-求导与迭代求解
• 课时7-牛顿法求解最优化问题
• 课时5-牛顿法解方程原理
• 课时12-凸优化问题
• 课时16-拉格朗日乘数法
• 课时4-梯度下降代码演示
• 课时6-牛顿法解方程代码演示
• 课时15-凸函数表达形式
• 课时17-KKT 条件
• 课时10-坐标下降法
• 章节5-概率论
• 课时4-随机事件的独立性
• 课时7-方差
• 课时1-概率论与机器学习
• 课时8-数学期望与方差重要公式
• 课时9-随机向量
• 课时3-条件概率和贝叶斯公式
• 课时12-机器学习中常见分布
• 课时6-期望
• 课时5-随机变量
• 课时13-最大似然估计
• 课时11-协方差
• 课时2-随机事件
• 课时10-随机变量独立性
• 章节1-微积分基础
• 课时13-导数与函数凹凸性
• 课时12-极值定理
• 课时6-复合函数求导法则
• 课时9-神经网络激活函数Softmax求导
• 课时2-左右导数与可导函数
• 课时3-导数的几何与物理意义
• 课时8-神经网络激活函数Tanh求导
• 课时5-导数四则运算法则
• 课时1-导数的定义与作用
• 课时4-基本函数求导公式
• 课时7-神经网络激活函数Sigmoid求导
• 课时14-一元函数泰勒展开
• 课时10-高阶导数
• 课时11-导数与函数单调性
• 章节2-线性代数基础
• 课时8-矩阵运算
• 课时5-特殊向量
• 课时4-向量的范数
• 课时6-矩阵是什么
• 课时9-逆矩阵
• 课时2-行向量和列向量
• 课时7-常见矩阵
• 课时3-向量运算
• 课时10-行列式
• 课时1-向量是什么
• 课时11-伴随矩阵
• 43.深度学习-目标检测经典模型实战-12
• 章节1-目标检测基础知识
• 课时4-mAP计算
• 课时1-目标检测前言
• 课时3-COCO数据集介绍
• 课时2-PASCAL VOC数据集介绍
• 课时5-制作自己的数据集
• 章节3-目标检测Fast R-CNN模型
• 课时2-FPN网络
• 课时1-Fast-R-CNN网络
• 章节5-Faster R-CNN源码解读
• 课时13-更换backbone(不带fpn)
• 课时12-预测结果映射回原尺度
• 课时14-更换backbone(带fpn)
• 课时7-计算RPN损失
• 课时8-ROI Head
• 课时4-GeneralizedRCNNTransform
• 课时11-预测结果后处理
• 课时6-生成proposals
• 课时2-自定义数据集
• 课时10-计算Fast R-CNN损失
• 课时9-Fast R-CNN正负样本划分
• 课时3-Faster R-CNN框架源码解读
• 课时5-AnchorsGenerator和RPNHead
• 课时1-Faster-R-CNN源码总体说明
• 章节2-目标检测RCNN模型
• 课时1-R-CNN网络
• 章节6-目标检测mask R-CNN模型
• 课时1-mask R-CNN模型介绍
• 课时10-mask分支损失和预测
• 课时11-预测mask映射回原图
• 课时5-mask分支损失和预测
• 课时3-双线性插值
• 课时8-预测脚本
• 课时6-源码项目介绍
• 课时7-train脚本详解和执行训练
• 课时9-mask分支和roi align前向传播
• 课时4-mask分支
• 课时2-ROI Align
• 章节4-Faster R-CNN模型
• 课时1-Faster-R-CNN网络
• 44.数据结构和算法-1
• 章节2-顺序表
• 课时3-03.顺序表02
• 课时1-01.数据结构引入
• 课时2-02.顺序表01
• 课时4-04.顺序表03
• 章节1-算法引入
• 课时2-02.时间复杂度1
• 课时1-01.算法引入
• 课时5-05-列表与字典的时间复杂度
• 课时4-04-timeit模块使用
• 课时3-03.时间复杂度2
• 章节4-栈和队列
• 课时1-01-栈引入
• 课时4-04-队列实现
• 课时5-05-循环队列
• 课时2-02-栈实现
• 课时3-03-课后作业
• 课时6-06-双端队列
• 章节6-树
• 课时2-02.树的广度优先遍历
• 课时4-04.根据前序遍历与中序遍历确定树
• 课时1-01.树&二叉树
• 课时3-03.树的深度优先遍历
• 章节3-链表
• 课时8-08-单向循环链表02
• 课时9-09-双向链表01
• 课时3-03-单向链表实现-搭建框架与add方法
• 课时10-10-双向链表02
• 课时7-07-单向循环链表的遍历 添加
• 课时5-05-实现insert方法
• 课时4-04-实现append与nodes_list方法
• 课时6-06-单向链表的删除 修改与查找
• 课时2-02-单向链表-思路
• 课时1-01-链表概述
• 章节5-排序
• 课时11-11.二分查找
• 课时9-09.桶排序
• 课时2-02.选择排序
• 课时1-01.排序算法稳定性&冒泡排序
• 课时7-07.快速排序-实现
• 课时6-06.快速排序-思路
• 课时10-10.哈希表
• 课时8-08.归并排序
• 课时5-05.希尔排序-实现
• 课时4-04.希尔排序-概念
• 课时3-03.插入排序
• 07.Python数据科学计算库-159
• 章节6-数据可视化入门
• 课时2-图形绘制
• 课时1-Matplotlib概述
• 课时7-子视图
• 课时3-坐标轴刻度标签标题
• 课时5-脊柱移动
• 课时6-风格样式
• 课时4-图例
• 章节8-数据可视化进阶
• 课时1-柱状图带文本
• 课时7-3D图像绘制
• 课时6-蜘蛛图
• 课时4-箱式图散点图饼图
• 课时3-直方图
• 课时2-极坐标绘制
• 课时5-热力图
• 课时10-seaborn热力图
• 课时8-seaborn快速上手
• 课时9-seaborn线形图
• 章节1-NumPy入门
• 课时5-NumPy数据保存和数据类型
• 课时4-NumPy数组查看
• 课时2-NumPy数组引出
• 课时1-开发环境安装与配置
• 课时3-NumPy数组创建
• 课时6-NumPy数组运算
• 课时7-NumPy索引与切片
• 章节7-数据可视化高级
• 课时1-双轴布局
• 课时3-箭头
• 课时5-折线图
• 课时2-文本操作
• 课时4-注释
• 章节5-pandas进阶
• 课时3-数学和统计指标
• 课时2-数据重塑
• 课时6-分组聚合
• 课时5-分箱操作
• 课时7-pandas数据可视化
• 课时4-数据排序
• 课时1-作业介绍与数据重塑
• 章节4-pandas高级
• 课时5-数据清洗
• 课时3-数据集成insert操作
• 课时2-数据集成concat操作
• 课时6-数据转换之变形金刚
• 课时4-数据集成merge操作
• 课时1-数据筛选与赋值
• 课时7-数据转换apply操作
• 章节3-pandas入门
• 课时3-数据分析库安装与数据结构
• 课时2-蓝色妖姬制作
• 课时4-数据查看与读写
• 课时1-NumPy高级操作展示
• 课时5-数据选择
• 章节2-NumPy高级
• 课时1-NumPy综合运用展示
• 课时2-数据形状改变
• 课时4-通用函数
• 课时3-广播机制
• 课时5-矩阵运算
• 10.程序员的数学-369
• 章节2-程序员的数学-距离度量（二）
• 课时2-程序员的数学9-2
• 课时5-程序员的数学10
• 课时4-程序员的数学9-4
• 课时1-程序员的数学9-1
• 课时3-程序员的数学9-3
• 章节6-程序员的数学-概率（三）
• 课时6-程序员的数学-概率26
• 课时8-程序员的数学-概率28
• 课时10-程序员的数学-概率30
• 课时7-程序员的数学-概率27
• 课时1-程序员的数学-概率21
• 课时3-程序员的数学-概率23
• 课时4-程序员的数学-概率24
• 课时9-程序员的数学-概率29
• 课时2-程序员的数学-概率22
• 课时5-程序员的数学-概率25
• 章节10-程序员的数学-逻辑（二）
• 课时2-程序员的数学-逻辑12
• 课时5-程序员的数学-逻辑15
• 课时4-程序员的数学-逻辑14
• 课时3-程序员的数学-逻辑13
• 课时1-程序员的数学-逻辑11
• 章节8-程序员的数学-概率（五）
• 课时4-程序员的数学-概率44
• 课时3-程序员的数学-概率43
• 课时7-程序员的数学-概率47
• 课时5-程序员的数学-概率45
• 课时6-程序员的数学-概率46
• 课时2-程序员的数学-概率42
• 课时1-程序员的数学-概率41
• 章节7-程序员的数学-概率（四）
• 课时10-程序员的数学-概率40
• 课时7-程序员的数学-概率37
• 课时4-程序员的数学-概率34
• 课时6-程序员的数学-概率36
• 课时9-程序员的数学-概率39
• 课时2-程序员的数学-概率32
• 课时3-程序员的数学-概率33
• 课时5-程序员的数学-概率35
• 课时8-程序员的数学-概率38
• 课时1-程序员的数学-概率31
• 章节11-程序员的数学进阶
• 课时8-勒公式和神经网络02
• 课时9-用数学洞穿机器学习的本质
• 课时5-逻辑回归和凸函数2
• 课时1-导数
• 课时3-二阶导数和凸函数
• 课时4-逻辑回归和凸函数1
• 课时6-泰勒公式
• 课时2-最值和极值
• 课时7-泰勒公式和神经网络01
• 章节1-程序员的数学-距离度量（一）
• 课时3-程序员的数学3
• 课时4-程序员的数学4
• 课时1-程序员的数学1
• 课时5-程序员的数学5
• 课时2-程序员的数学2
• 课时6-程序员的数学6
• 课时8-程序员的数学7-2
• 课时9-程序员的数学8
• 课时7-程序员的数学7-1
• 章节3-程序员的数学-距离度量（三）
• 课时1-程序员的数学11-1
• 课时2-程序员的数学11-2
• 章节5-程序员的数学-概率（二）
• 课时1-程序员的数学-概率11
• 课时4-程序员的数学-概率14
• 课时10-程序员的数学-概率20
• 课时9-程序员的数学-概率19
• 课时8-程序员的数学-概率18
• 课时7-程序员的数学-概率17
• 课时6-程序员的数学-概率16
• 课时3-程序员的数学-概率13
• 课时2-程序员的数学-概率12
• 课时5-程序员的数学-概率15
• 章节9-程序员的数学-逻辑（一）
• 课时2-程序员的数学-逻辑2
• 课时4-程序员的数学-逻辑4
• 课时7-程序员的数学-逻辑7
• 课时1-程序员的数学-逻辑1
• 课时10-程序员的数学-逻辑10
• 课时6-程序员的数学-逻辑6
• 课时3-程序员的数学-逻辑3
• 课时5-程序员的数学-逻辑5
• 课时8-程序员的数学-逻辑8
• 课时9-程序员的数学-逻辑9
• 章节4-程序员的数学-概率（一）
• 课时6-程序员的数学-概率6
• 课时2-程序员的数学-概率2
• 课时9-程序员的数学-概率9
• 课时10-程序员的数学-概率10
• 课时5-程序员的数学-概率5
• 课时1-程序员的数学-概率1
• 课时8-程序员的数学-概率8
• 课时3-程序员的数学-概率3
• 课时7-程序员的数学-概率7
• 课时4-程序员的数学-概率4
• 05.Python面试突击班-1548
• 章节5-Python面试突击班（五）
• 课时1-堆排序涉及到的概念
• 课时3-最大堆删除堆顶节点后的自我调整
• 课时2-为什么要用大根堆和小根堆排序
• 课时4-构建最大堆
• 课时5-堆排序算法代码实现
• 章节2-Python面试突击班（二）
• 课时12-学生答疑
• 课时4-缓存后端
• 课时3-缓存的数据
• 课时7-缓存视图函数
• 课时10-缓存普通对象
• 课时9-缓存有参函数
• 课时6-使用缓存
• 课时11-核心装饰器和函数说明
• 课时2-缓存架构
• 课时1-什么是缓存
• 课时5-Flask-caching处理缓存
• 课时8-缓存其他函数
• 章节4-Python面试突击班（四）
• 课时1-面试总结介绍
• 课时6-说说Python中字典的底层是怎么实现的
• 课时2-生成器是什么
• 课时3-最简单的生成器
• 课时7-学生答疑
• 课时4-在函数中使yield关键字
• 课时5-闭包是什么，你怎么理解闭包
• 章节7-Python面试突击班（七）
• 课时6-Python里面如何拷贝一个对象
• 课时3-垃圾回收
• 课时10-学生答疑
• 课时1-课前互动
• 课时4-Python的内存池
• 课时9-字符串转换成整型
• 课时5-怎么优化内存管理
• 课时8-怎么反转一个整数
• 课时7-is和==有什么区别
• 课时2-对象的引用计数机制
• 章节3-Python面试突击班（三）
• 课时6-怎么理解快速排序的时间复杂度
• 课时1-时间复杂度
• 课时5-怎么理解选择排序的时间复杂度
• 课时3-实现一个特殊的栈，在基本功能上的基础上，再实现返回栈中最小元素功能
• 课时4-代码实现
• 课时2-常数时间
• 课时7-学生答疑
• 章节1-Python面试突击班（一）
• 课时6-基于new函数实现单例
• 课时3-元类的定义
• 课时4-使用函数来定义一个元素
• 课时5-使用类的方式定义一个类
• 课时7-基于元类来实现单例
• 课时1-类和对象
• 课时2-Type类
• 章节6-Python面试突击班（六）
• 课时8-超级丑数代码实现
• 课时1-课前互动
• 课时4-解题思路
• 课时2-复习堆排序算法
• 课时3-Python笔试面试题之算法（一）
• 课时5-中位数案例代码实现
• 课时6-Python笔试面试题之算法（二）
• 课时7-解题思路
• 30.决策树系列算法-216
• 章节3-决策树回归算法
• 课时4-决策回归树原理未分裂mse计算
• 课时2-决策回归树原理概述
• 课时3-决策回归树算法示例演示
• 课时7-作业-归一化对不同算法有何影响
• 课时1-决策树与不同算法综合对比
• 课时6-决策回归树最佳裂分条件计算
• 课时5-决策回归树原理根节点裂分mse计算
• 章节9-Adaboost提升树二分类算法进阶
• 课时7-Adaboost弱学习器聚合
• 课时3-Adaboost代码构建第一课树拆分条件计算
• 课时2-Adaboost数据建模以及可视化
• 课时1-Adaboost二分类算法流程讲解
• 课时4-Adaboost代码构建第一棵树弱学习器权重计算以及样本权重更新
• 课时5-Adaboost代码构建第二棵决策树
• 课时6-Adaboost代码构建第三棵决策树
• 章节10-Adaboost提升树多分类算法与回归算法
• 课时5-Adaboost多分类代码构建第三棵树
• 课时4-Adaboost多分类代码构建第二棵树
• 课时3-Adaboost多分类代码构建第一棵树
• 课时2-Adaboost提升树多分类建模预测
• 课时6-Adaboost多分类概率代码演示计算
• 课时1-Adaboost二分类概率代码演示计算
• 章节11-Xgboost算法与实战
• 课时3-XGBoost算法介绍
• 课时4-XGBoost树结构
• 课时7-XGBoost目标函数优化
• 课时2-Adaboost回归树算法原理代码构建
• 课时1-Adaboost回归算法建模和算法流程
• 课时11-XGBoost实战超参数选择
• 课时12-XGBoost实战最佳参数测试验证
• 课时5-XGBoost目标函数方程
• 课时8-XGBoost叶节点权重计算公式推导
• 课时9-XGBoost三种建模方式介绍
• 课时10-XGBoost实战建模与二分类评价指标ROC-AUC介绍
• 课时6-XBGoost目标函数泰勒展开
• 章节4-集成算法
• 课时1-归一化对不同算法影响
• 课时5-极限森林原理和应用
• 课时4-随机森林原理和应用
• 课时2-决策回归树VS线性回归
• 课时3-集成算法原理概述
• 章节6-GBDT梯度提升分类树进阶
• 课时9-GBDT叶节点预测值公式推导
• 课时3-GBDT原理剖析代码拟合第三棵树
• 课时10-GBDT二分类算法步骤总结
• 课时6-GBDT交叉熵损失函数化简
• 课时4-GBDT原理剖析代码计算概率
• 课时1-GBDT原理剖析代码拟合第一棵树
• 课时8-GBDT初始值F0的推导过程
• 课时2-GBDT原理剖析代码拟合第二棵树
• 课时7-GBDT交叉熵损失函数求导
• 课时5-GBDT交叉熵损失函数介绍
• 章节1-决策树分类算法原理
• 课时7-手写代码计算信息熵对比不同属性信息增益
• 课时6-手写代码计算信息熵
• 课时1-决策树概述示例一（债务偿还）
• 课时8-作业-手写代码计算Gini系数
• 课时3-决策树的应用和可视化
• 课时2-决策树概述示例二（找对象）
• 课时4-决策树graphviz安装与可视化
• 课时5-信息熵和信息增益概念和公式
• 章节7-GBDT梯度提升回归树
• 课时1-集成算法概述
• 课时5-GBDT梯度提升回归树原理
• 课时4-GBDT梯度提升回归树应用
• 课时3-GBDT梯度提升回归树概述
• 课时6-GBDT梯度提升回归树最佳裂分条件计算
• 课时2-bagging集成算法代码演示
• 章节8-Adaboost提升树二分类算法高级
• 课时3-Adaboost算法应用多分类案例
• 课时1-Adaboost算法原理概述
• 课时2-Adaboost算法应用乳腺癌案例
• 课时4-Adaboost算法应用多分类数据清洗案例
• 章节5-GBDT梯度提升分类树高级
• 课时6-GBDT算例建模与可视化
• 课时4-GBDT梯度提升分类树使用
• 课时3-交叉熵原理概述
• 课时1-极限森林随机性之所在
• 课时2-信息熵
• 课时5-GBDT梯度提升分类树数学公式
• 章节2-决策树分类算法进阶
• 课时1-决策树原理：代码筛选决策树的根节点
• 课时2-决策树分类指标详解
• 课时3-决策树鸢尾花分类案例
• 课时6-决策树作业葡萄酒分类不同算法比较
• 课时5-决策树超参数选择
• 课时4-决策树剪枝详解
• 资料