AI算法工程师就业班：掌握全面知识，迈向高薪领域

哭笑不再痴

发布时间：

2025-12-21 03:08:12
文件大小：

共计 904 个文件，合计：96.15GB
资源来源：

夸克网盘
资源售价：

10积分
资源标签：

AI算法工程师机器学习深度学习编程课程
收藏

・本站会员获取资源无需消耗积分。
・获取资源后可以在「个人中心」24 小时内无理由退积分。
・为防止资源链接失效，请及时转存文件。

夸克网盘 AI算法工程师实战就业班：Python+机器学习+深度学习+项目源码全解析
这套AI算法工程师实战就业班课程，围绕从零基础到算法岗位就业的完整学习路径展开，内容覆盖人工智能基础、Python编程、科学计算、高等数学强化、机器学习、深度学习以及多个实战项目，并配有源码课件，适合希望系统掌握AI算法开发全流程的学员。课程内容结构清晰，循序渐进人工智能基础与Python入门：从人工智能就业前景、应用领域讲起，逐步过渡到Python开发环境搭建、基础语法、控制语句、函数、面向对象编程等内容，帮助零基础学员建立编程思维。科学计算与数据分析：涵盖Numpy、Matplotlib、Pandas三大核心模块，讲解数组操作、数据可视化、数据清洗与合并等技能，为后续算法学习打下数据…...
fy400051
4
0
AI算法工程师 Python编程机器学习
夸克网盘 CSDN会员电子书合集1000本，涵盖编程、AI、数据库等主流技术领域
这是一套来自CSDN会员专享的电子书合集，总计约1000本，覆盖了当前IT技术领域的主流方向。无论你是刚入门的编程新手，还是寻求进阶的资深开发者，都能从中找到适合自己的学习资料。资源内容概览：编程语言：包含Java、Python、C++、C#、PHP、Go等主流语言的入门与进阶书籍，如《Java编程思想（第4版）》、《利用Python进行数据分析（原书第2版）》、《Go语言从入门到进阶实战》等。人工智能与机器学习：涵盖深度学习、TensorFlow、PyTorch、机器学习实战等热门方向，包括《深度学习之美》、《百面机器学习》、《TensorFlow实战Google深度学习框架》等。数…...
安如***入梦
7
0
CSDN会员人工智能数据库
夸克网盘机器学习高薪实战课：从零基础到企业级项目专家
机器学习高薪实战课——从零基础到企业级项目专家 120+小时超丰富内容体系，覆盖AI领域最核心、最实用的技能栈。本课程专为希望快速提升竞争力、进入AI高薪岗位（如算法工程师、数据科学家、AI产品经理）的学员设计，已帮助超过5000名学员成功入职腾讯、阿里、字节跳动、华为、美团等一线大厂，平均薪资涨幅达65%。完整体系：从理论到实战，打通机器学习全链路课程不再停留在“公式推导”和“玩具数据集”，而是构建“经典机器学习 → 集成学习 → 时序建模 → 特征工程 → 超参优化 → 模型融合 → 企业级落地”的完整闭环。每一模块均结合真实业务场景，带你亲手复现工业级项目，如：电商用户流失预测系统…...
yanyihua
6
0
AI高薪就业企业级项目实战机器学习课程
夸克网盘 AI大模型全栈工程师培养计划（第3期）——系统实战课程，打通大模型应用开发全链路
全球AI产业正以每年超40%的速度扩张，大模型技术已从实验室走向金融、医疗、教育、制造等核心行业。据麦肯锡2024年报告，到2026年，全球对具备大模型开发与部署能力的AI工程师需求将增长300%，而合格人才缺口超百万。如果您渴望成为这场技术革命的中坚力量，而非旁观者——本课程正是为您量身打造。为什么选择第3期？全面升级，直击行业痛点相较于前两期，第3期课程全面升级为“全栈实战+就业护航”双引擎模式，融合最新技术栈与真实企业项目，涵盖：主流大模型深度解析：深入Llama 3、Qwen 2、Gemma、ChatGLM4等开源模型架构，掌握提示工程（Prompt Engineering）、R…...
wowoboy
19
0
AI大模型 LangChain 全栈工程师
夸克网盘 2023年AI行业深度研究报告与工具包（391份精选资料，涵盖AIGC、ChatGPT等多领域）
本资料集聚焦2023年AI行业，带来深度研究报告与实用工具包，是AI领域不可多得的资源宝库。资料共391份，覆盖面极为广泛，囊括AIGC、AI大模型、AI工具变现、AI绘画、AI技术、ChatGPT、机构行业研究及机器人研究等重要领域。在AIGC方面，有众多权威报告剖析其行业趋势、应用场景及投资机会等，是了解AIGC发展的优质参考。AI大模型部分包含市场研究、技术分析等资料，助您洞悉大模型的关键要素。对于想通过AI工具实现变现的人士，资料集中的AI工具变现板块提供了实战案例、工具清单与书籍等内容。AI绘画资料则涵盖Midjourney、Stable Diffusion等工具的教程与关键词库，助…...
3628427860
21
0
AIGC AI行业 ChatGPT
夸克网盘图灵程序设计丛书230+册合集：从入门到进阶的编程学习宝库
对于每一位程序员来说，一套系统、权威且覆盖全面的技术书籍，是职业成长道路上不可或缺的伙伴。这份合集汇聚了图灵程序设计丛书中的230余册经典著作，横跨编程语言、前端开发、移动开发、大数据、人工智能、架构设计等多个核心领域，堪称一座移动的编程图书馆。经典语言深入剖析，夯实编程根基无论你是刚踏入编程世界的新手，还是寻求突破的资深开发者，都能在这里找到适合自己的读物。对于入门者而言，《Python编程：从入门到实践》以平实的语言和丰富的实例，是踏上Python之路的理想起点；而《JavaScript基础教程.第9版》则能帮你扎实掌握这一Web开发核心语言的基础语法与DOM操作。若想深入语言底层，《…...
乔乔若汐
10
0
JavaScript Python编程图灵程序设计丛书
夸克网盘 Python3入门人工智能：从机器学习到深度学习实战教程
本套教程专为希望系统掌握人工智能核心技术的学习者设计，以Python3为编程语言，从基础工具包使用到机器学习、深度学习模型构建，逐步深入。课程内容覆盖线性回归、逻辑回归、聚类、决策树、异常检测、主成分分析等经典机器学习算法，并延伸至多层感知器、卷积神经网络、循环神经网络等深度学习模型，最后通过迁移学习与混合模型实战，帮助学习者建立完整的AI知识体系。课程特色：从零开始，环境配置与Python语法实操结合，降低入门门槛。每个算法均配有实战案例，如房价预测、考试通过预测、芯片检测、股价预测、文本生成等，强化动手能力。涵盖模型评价与优化技巧，包括过拟合处理、混淆矩阵、模型调优等，提升实际应用…...
未满的神
5
0
Python3 人工智能教程机器学习
夸克网盘 Python学习书籍合集[PDF]
本合集收录了从入门到进阶、从基础语法到项目实战的Python学习书籍，覆盖Web开发、数据分析、网络爬虫、机器学习、网络安全等多个热门方向，适合不同阶段的Python学习者系统阅读与参考。入门启蒙对于零基础读者，合集提供了多本广受好评的入门书籍，如《Python编程从入门到实践》《笨办法学Python（第三版）》《零基础入门学习Python》《看漫画学Python》《编程小白的第一本Python入门书》等，以通俗易懂的方式讲解基础语法与编程思维，帮助初学者快速建立知识框架。此外，《A Byte of Python》《简明Python教程》等经典读物同样适合作为第一本Python书籍。核…...
好听**字哎
16
0
Python入门 Python编程 Python进阶
夸克网盘《得到快刀广播站2026年(含2024+2025)-AI学习圈》音频合集
《得到快刀广播站》AI学习圈是一档聚焦人工智能前沿动态与实战应用的日更音频栏目，由得到团队打造。该合集完整收录2024年至2026年的全部内容，以每日一期的节奏，持续追踪AI领域的技术突破、商业落地与行业趋势，适合希望系统跟进AI发展的学习者长期收听。栏目内容覆盖广泛，紧贴AI一线动态技术前沿解读：第一时间跟进OpenAI、谷歌、英伟达、微软等头部机构的新模型与新发布，用通俗语言拆解技术要点，如Sora视频模型、GPT-4o、Kimi长上下文等热点事件均有深度分析。行业应用案例：涵盖AI在医疗、制造、教育、金融、零售、体育等领域的真实落地案例，包括骨科治疗辅助、无人驾驶环卫车、AI球探、…...
pianzenan54
11
0
AI学习圈 AI应用案例人工智能课程
百度网盘深度之眼全球AI大赛年度会员：22套Kaggle新赛实战课程合集
深度之眼全球AI大赛年度会员课程，聚焦22套Kaggle新赛，覆盖NLP、CV、数据挖掘、金融风控、医疗影像等多个前沿领域。课程从实战出发，带领学员完整经历从赛题解析、Baseline搭建到模型优化、Top方案复现的全过程，适合不同层次的AI学习者和竞赛爱好者。课程核心特色：覆盖热门竞赛方向：包含酶稳定性预测、有毒评论识别、美国专利短语相似度、肠胃道图像分割、德甲足球事件检测、信用违约预测、议论文评分等22个真实Kaggle新赛，横跨文本分类、目标检测、图像分割、序列模型、推荐算法等核心技术。系统化教学体系：每套竞赛均配备从开发环境搭建、赛题分析、Baseline代码讲解，到模型调参、集…...
maken370
8
0
AI竞赛课程 Kaggle实战深度学习教程
夸克网盘 AI学习圈·得到快刀广播站2026年合集（含2024+2025完整版）
这是一份为所有渴望紧跟AI时代步伐的学习者量身打造的珍贵资源合集。内容源自得到App王牌栏目“AI学习圈”中的“快刀广播站”，由资深主理人快刀青衣每日更新，以敏锐的视角和通俗的语言，为你拆解全球AI领域的最新动态、前沿技术、商业应用与深度思考。本合集完整收录了2024年、2025年以及2026年的全部广播内容，时间跨度长，信息密度极高。从OpenAI的每一次重大发布，到谷歌、微软、苹果等巨头的战略布局；从Sora、GPT-4o等模型的深度解读，到AI在医疗、教育、制造、体育等行业的落地案例；从吴恩达、李飞飞等顶尖学者的洞见，到普通创业者、职场人如何利用AI提效的真实故事——你都能在这里找到第…...
忽而霜降
22
0
AI学习圈 AI教程人工智能
夸克网盘浙江大学研究生机器学习课程：系统掌握核心算法与前沿应用
浙江大学推出的研究生机器学习课程，是一套系统全面、理论实践并重的专业教学资源。课程内容覆盖机器学习领域的核心知识体系，从经典算法到前沿技术均有深入讲解，适合计算机及相关专业的研究生、高年级本科生，以及希望系统提升算法能力的工程师和科研人员学习。课程结构清晰，循序渐进。开篇部分介绍了课程安排、教科书选用以及机器学习的基本概念，并深入探讨了“没有免费午餐定理”这一重要理论基础，帮助学习者建立正确的算法认知框架。随后，课程以大量篇幅详细讲解了支持向量机（SVM），从线性模型到非线性模型，从数学描述到图像展示，再到原问题与对偶问题的转化、核函数的引入，以及兵王问题、ROC曲线、多类分类等实际应用场景…...
蛙牛乐园
11
0
强化学习机器学习课程浙江大学
夸克网盘进击算法工程师：深度学习全栈实战课程，从数学基础到GPT前沿模型
这是一套面向算法工程师与AI研究人员的深度学习系统课程，内容横跨从基础理论到前沿模型的全链路知识体系。课程设计兼顾数学原理与工程实践，帮助学习者建立扎实的深度学习功底，并紧跟大模型时代的技术浪潮。课程前半部分从必备的数学基础讲起，涵盖线性代数、微积分与概率论，随后手把手指导CUDA、Anaconda环境搭建及PyTorch安装，确保学习路径零障碍。在核心算法模块中，深入拆解神经网络原理、多层感知机、前向与反向传播，并通过回归、分类等实战代码演练，夯实基本功。针对训练中的常见痛点，课程系统讲解了过拟合、欠拟合、正则化、Dropout、梯度消失与爆炸等问题的应对策略，并完整梳理了从梯度下降到动量法…...
吊儿郎当的我
8
0
AI实战 Pytorch Transformer
夸克网盘 AI全栈开发实战营：从模型训练到业务闭环的完整技能进阶
本课程是一套系统化的AI全栈开发实战资源，围绕“模型训练-工程优化-工业部署-业务闭环”这一核心链路展开，旨在帮助开发者突破单一技术领域的局限，构建覆盖AI应用全生命周期的综合能力体系。课程内容紧贴产业实际，通过真实场景的沉浸式项目训练，让学习者不仅掌握理论，更能将技术落地为可运行的业务解决方案。课程体系设计严谨，从基础理论到前沿应用层层递进。前几章系统讲解机器学习与深度学习核心概念，涵盖监督学习、非监督学习、神经网络架构及主流深度学习框架，为后续学习打下扎实基础。随后深入大模型技术领域，详细拆解Transformer架构、注意力机制、位置编码等关键技术，并专题剖析DeepSeek的发展现状…...
lxrb
43
0
AI全栈开发 DeepSeek实战 MCP协议
夸克网盘人工智能深度学习系统班第七期：从机器学习基础到CV与NLP实战全攻略
人工智能深度学习系统班第七期：全面掌握AI核心技术本套《人工智能深度学习系统班第七期》课程专为希望系统掌握人工智能核心技术的学习者打造，内容覆盖从机器学习基础到前沿深度学习应用的完整知识体系。课程采用“理论+实战”双轮驱动模式，通过大量真实项目案例深入浅出地讲解算法原理与工程实现，真正做到通俗易懂、接地气，确保零基础学员也能稳步入门，进阶学员快速提升。课程内容全面覆盖AI主流方向课程内容紧跟行业发展趋势，系统涵盖以下四大核心模块：机器学习基础：包括线性回归、逻辑回归、决策树、支持向量机、集成学习等经典算法，夯实AI入门根基；深度学习核心：深入讲解神经网络、卷积神经网络（CNN）、循环…...
小倩回来呀
13
0
人工智能课程机器学习深度学习

本课程专为有志成为AI算法工程师的学习者打造。课程内容丰富全面，从人工智能基础讲起，涵盖Python编程、数据处理等基础知识，为后续深入学习筑牢根基。在机器学习和深度学习板块，详细讲解了各类算法和框架，如TensorFlow和PyTorch等，让学员掌握核心技术。

课程的一大特色是注重理论与实践结合，设有Kaggle竞赛、推荐系统开发等实战项目。学员不仅能学到AI算法的核心理论，还能通过实际操作积累经验，提升解决复杂问题的能力。无论是想入门人工智能领域的初学者，还是希望进一步提升技能的在职者，都能从本课程中收获颇丰。通过系统学习，学员将为进入高薪的AI领域奠定坚实基础，开启职业发展的新篇章。

AI算法工程师就业班：掌握全面知识，迈向高薪领域

📢 以下文件由夸克网盘用户于2025-02-05分享（文件数量过多时仅展示部分文件）

AI算法工程师就业班96.15GB

01、人工智能基础-快速入门268.87MB

1：人工智能就业前景与薪资.mp433.78MB

2：人工智能适合人群与必备技能.mp421.04MB

3：人工智能时代是发展的必然.mp416.72MB

4：人工智能在各领域的应用.mp441.82MB

5：人工智能常见流程.mp436.38MB

6：机器学习不同的学习方式.mp431.23MB

7：深度学习比传统机器学习有优势.mp433.52MB

8：有监督机器学习任务与本质.mp423.25MB

9：无监督机器学习任务与本质.mp431.13MB

02、人工智能基础-Python基础1006.81MB

章节1：Python开发环境搭建234.87MB

1：下载Miniconda运行环境.mp431.42MB

2：Miniconda安装和测试.mp436.64MB

3：Pycharm安装和代码运行.mp430.29MB

4：Jupyter安装和代码运行.mp424.92MB

5：Jupyter常用快捷键.mp420.73MB

6：Conda虚拟环境创建与Python模块安装.mp447.66MB

7：关联虚拟环境运行代码.mp426.32MB

人工智能-第1阶段Python基础.pdf9.37MB

人工智能-第1阶段python进阶和高级编程.pdf7.52MB

章节2：Python基础语法771.94MB

8：Python是强类型的动态脚本语言.mp427.23MB

9：Python_控制语句_单双分支.mp439.27MB

10：Python_控制语句_多分支_三元条件运算符.mp421.39MB

11：Python_控制语句_while循环.mp416.32MB

12：Python_控制语句_for循环.mp418.68MB

13：Python_控制语句_嵌套循环.mp427.86MB

14：Python_控制语句_break_continue.mp416.39MB

15：Python_切片操作.mp430.52MB

16：Python_数据类型.mp420.88MB

17：Python_集合操作_列表.mp424.1MB

18：Python_集合操作_列表的基本操作.mp435.13MB

19：Python_集合操作_列表的常用方法.mp426.62MB

20：Python_集合操作_元组.mp429.08MB

21：Python_集合操作_字典和常见操作.mp425.76MB

22：Python_集合操作_字典keys方法_enumerate函数.mp418.07MB

23：Python_os模块_shutil模块.mp436.75MB

24：Python_打开并读取文件_中文编码问题.mp438.72MB

25：Python_函数_定义_调用_返回值_注释.mp418.23MB

26：Python_函数_局部变量_全局变量.mp423.5MB

27：Python_函数_默认参数_可变参数.mp418.06MB

28：Python_函数_递归.mp418.2MB

29：Python_函数式编程_高阶函数.mp417.71MB

30：Python_函数式编程_map_reduce_filter_匿名函数.mp426.94MB

31：Python_函数_闭包.mp427.49MB

32：Python_函数_装饰器.mp419.34MB

33：Python_类对象_定义与实例化对象.mp436.96MB

34：Python_类对象_实例属性和方法_类属性和方法.mp426.21MB

35：Python_类对象_内置方法.mp419.39MB

36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp426.22MB

37：Python_类对象_面向对象三大特性_类的继承.mp420.15MB

38：Python_类对象_子类复用父类构造器和方法_方法重写.mp420.79MB

03、人工智能基础-Python科学计算和可视化532.5MB

章节1：科学计算模型Numpy232.91MB

1：Numpy_概述_安装_创建数组_获取shape形状.mp430.3MB

2：Numpy_array_arange.mp423.56MB

3：Numpy_random随机数生成.mp435.81MB

4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp432.59MB

5：NumPy_reshape_切片操作_copy函数.mp422.7MB

6：Numpy_改变数组维度_数组的拼接.mp430.4MB

7：Numpy_数组的切分和转置.mp419.19MB

8：Numpy_算术运算_向上向下取整.mp423.03MB

9：Numpy_聚合函数.mp415.33MB

章节2：数据可视化模块139.01MB

10：Matplotlib_概述_绘制直线图.mp428.64MB

11：Matplotlib_绘制正余弦曲线_散点图_添加图例.mp423.68MB

12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp434.98MB

13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp421.29MB

14：Matplotlib_绘制等高线图_绘制三维图像.mp424.37MB

人工智能-第1阶段数据分析（含办公自动化分析）.pdf6.04MB

章节3：数据处理分析模块Pandas160.59MB

15：Python_Pandas_Series对象创建.mp422.96MB

16：Python_Pandas_DataFrame对象创建.mp424.82MB

17：Python_Pandas_获取Series对象的值.mp415.52MB

18：Python_Pandas_获取DataFrame对象的值.mp418.85MB

19：Python_Pandas_条件过滤.mp417.28MB

20：Python_Pandas_空值的删除与填充.mp433.25MB

21：Python_Pandas_拼接和合并.mp427.91MB

04、人工智能基础-高等数学知识强化1.02GB

1：人工智能学习数学的必要性_微积分知识点.mp418.97MB

2：线性代数_概率论知识点.mp417.26MB

3：最优化知识_数学内容学习重点.mp425.9MB

4：导数的定义_左导数和右导数.mp420.1MB

5：导数的几何意义和物理意义.mp410.21MB

6：常见函数的求导公式.mp415.8MB

7：导数求解的四则运算法则.mp418.96MB

8：复合函数求导法则.mp411.79MB

9：推导激活函数的导函数.mp423.54MB

10：高阶导数_导数判断单调性_导数与极值.mp415.3MB

11：导数判断凹凸性_导数用于泰勒展开.mp431.49MB

12：向量的意义_n维欧式空间空间.mp415.35MB

13：行向量列向量_转置_数乘_加减乘除.mp414.17MB

14：向量的内积_向量运算法则.mp414.38MB

15：学习向量计算的用途举例.mp416.84MB

16：向量的范数_范数与正则项的关系.mp423.52MB

17：特殊的向量.mp419.38MB

18：矩阵_方阵_对称阵_单位阵_对角阵.mp413.47MB

19：矩阵的运算_加减法_转置.mp417.35MB

20：矩阵相乘.mp414.36MB

21：矩阵的逆矩阵.mp427.58MB

22：矩阵的行列式.mp414.61MB

23：多元函数求偏导.mp416.34MB

24：高阶偏导数_梯度.mp419.74MB

25：雅可比矩阵_在神经网络中应用.mp426.04MB

26：Hessian矩阵.mp422.55MB

27：二次型.mp418.55MB

28：补充关于正定负定的理解.mp413.06MB

29：特征值和特征向量(1).mp419.45MB

30：特征值和特征向量(2).mp418.01MB

31：特征值分解.mp426.18MB

32：多元函数的泰勒展开_矩阵和向量的求导.mp430.5MB

33：奇异值分解定义.mp416.37MB

34：求解奇异值分解中的UΣV矩阵.mp434.04MB

35：奇异值分解性质_数据压缩.mp423.36MB

36：SVD用于PCA降维.mp417.58MB

37：SVD用于协同过滤_求逆矩阵.mp423.76MB

38：概率论_随机事件与随机事件概率.mp414.04MB

39：条件概率_贝叶斯公式.mp421.97MB

40：随机变量.mp417.17MB

41：数学期望和方差.mp416.18MB

42：常用随机变量服从的分布.mp414.64MB

43：随机向量_独立性_协方差_随机向量的正太分布.mp422.95MB

44：最大似然估计思想.mp416.62MB

45：最优化的基本概念.mp423.95MB

46：迭代求解的原因.mp412.99MB

47：梯度下降法思路.mp419.41MB

48：梯度下降法的推导.mp431.39MB

49：牛顿法公式推导以及优缺点.mp430.04MB

50：坐标下降法_数值优化面临的问题.mp417.05MB

51：凸集.mp414.02MB

52：凸函数.mp412.35MB

53：凸优化的性质_一般表达形式.mp414.81MB

54：拉格朗日函数.mp419.74MB

数学.pdf1.5MB

05、机器学习-线性回归1.18GB

章节1：多元线性回归428.22MB

1：理解简单线性回归.mp421.25MB

2：最优解_损失函数_MSE.mp419.54MB

3：扩展到多元线性回归.mp414.47MB

4：理解多元线性回归表达式几种写法的原因.mp416.21MB

5：理解维度这个概念.mp421.22MB

6：理解回归一词_中心极限定理_正太分布和做预测.mp428.17MB

7：假设误差服从正太分布_最大似然估计MLE.mp421.44MB

8：引入正太分布的概率密度函数.mp414.86MB

9：明确目标通过最大总似然求解θ.mp414.53MB

10：对数似然函数_推导出损失函数MSE.mp423.06MB

11：把目标函数按照线性代数的方式去表达.mp414.44MB

12：推导出目标函数的导函数形式.mp423.33MB

13：θ解析解的公式_是否要考虑损失函数是凸函数.mp427.93MB

14：Python开发环境版本的选择及下载.mp423.08MB

15：Anaconda环境安装_Pycharm环境安装.mp426.51MB

16：Pycharm创建脚本并测试python开发环境.mp417.38MB

17：解析解的方式求解多元线性回归_数据Xy.mp416.74MB

18：解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp419.95MB

19：解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp414.08MB

20：Scikit-learn模块的介绍.mp416.91MB

21：调用Scikit-learn中的多元线性回归求解模型(上).mp413.17MB

22：调用Scikit-learn中的多元线性回归求解模型(下).mp417.24MB

第一阶段_手把手教你透彻掌握线性回归算法.pdf2.71MB

章节2：梯度下降法312.32MB

23：梯度下降法产生的目的和原因以及思想.mp428.12MB

24：梯度下降法公式.mp428.41MB

25：学习率设置的学问_全局最优解.mp426.42MB

26：梯度下降法迭代流程总结.mp415.17MB

27：多元线性回归下的梯度下降法.mp421.8MB

28：全量梯度下降.mp430.6MB

29：随机梯度下降_小批量梯度下降.mp426.32MB

30：对应梯度下降法的问题和挑战.mp422.61MB

31：轮次和批次.mp426.67MB

32：代码实现全量梯度下降第1步和第2步.mp412.82MB

33：代码实现全量梯度下降第3步和第4步.mp414.09MB

34：代码实现随机梯度下降.mp412.28MB

35：代码实现小批量梯度下降.mp411.67MB

36：代码改进保证训练数据全都能被随机取到.mp416.08MB

37：代码改进实现随着迭代增加动态调整学习率.mp416.67MB

第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf2.59MB

章节3：归一化99.9MB

38：归一化的目的_维度之间数量级不同产生的矛盾.mp430.26MB

39：归一化的目的_举例子来理解做归一化和不做归一化的区别.mp417.01MB

40：归一化的副产品_有可能会提高模型的精度.mp412.57MB

41：最大值最小值归一化.mp414.09MB

42：标准归一化.mp425.97MB

章节4：正则化129.91MB

43：代码完成标准归一化.mp421.69MB

44：正则化的目的防止过拟合.mp416.5MB

45：正则化通过损失函数加入惩罚项使得W越小越好.mp419.21MB

46：常用的L1和L2正则项以及数学意义.mp420.13MB

47：L1稀疏性和L2平滑性.mp426.03MB

48：通过L1和L2的导函数理解区别的本质原因.mp426.35MB

章节5：Lasso回归_Ridge回归_多项式回归236.23MB

49：代码调用Ridge岭回归.mp426.07MB

50：代码调用Lasso回归.mp412.59MB

51：代码调用ElasticNet回归.mp418.07MB

52：升维的意义_多项式回归.mp422.22MB

53：多项式升维代码实战_传入不同超参数对比.mp421.3MB

54：多项式升维代码实战_训练模型和评估.mp415.88MB

55：实战保险花销预测_数据介绍和加载数据.mp418.58MB

56：实战保险花销预测_数据预处理.mp419.64MB

57：实战保险花销预测_模型训练和评估_选择非线性算法改进.mp435.56MB

58：实战保险花销预测_特征选择思路.mp416.51MB

59：实战保险花销预测_特征工程.mp49.32MB

60：实战保险花销预测_模型训练和评估.mp420.51MB

06、机器学习-线性分类1.33GB

章节1：逻辑回归257.39MB

1：逻辑回归_Sigmoid函数.mp410.76MB

2：sigmoid函数作用.mp421.37MB

3：逻辑回归为什么用sigmoid函数_预备知识.mp418.66MB

4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp423.51MB

5：回想多元线性回归公式其实也是从广义线性回归推导出来的.mp44.31MB

6：推导逻辑回归损失函数_得到总似然的公式.mp415.43MB

7：推导逻辑回归损失函数_得到最终形式.mp47.85MB

8：绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数.mp425.03MB

9：绘制逻辑回归损失函数_探索单个参数和损失的关系.mp414.07MB

10：绘制逻辑回归损失函数_探索两个参数和损失函数变换关系.mp417.81MB

11：绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度.mp416.9MB

12：对逻辑回归函数进行求导_结论在后面会用到.mp411.25MB

13：对逻辑回归的损失函数求导_推导出导函数的形式.mp421.28MB

14：实战逻辑回归对鸢尾花数据集进行二分类.mp417.78MB

15：OneVsRest将多分类问题转化成多个二分类问题.mp412.09MB

16：实战逻辑回归对鸢尾花数据集进行多分类.mp418.2MB

第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf1.09MB

章节2：Softmax回归216.65MB

17：证明多项式分布属于指数族分布一种.mp414.67MB

18：从广义线性回归的η推导出来Softmax的公式.mp49.91MB

19：有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本.mp416.55MB

20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp415.21MB

21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp47.58MB

22：逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp421.45MB

23：实战音乐分类器_讲解需求和读取数据.mp414.06MB

24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp420.2MB

25：实战音乐分类器_傅里叶变换可以帮助我们做什么.mp412.88MB

26：实战音乐分类器_代码使用傅里叶变换将混音文件进行投影.mp416.92MB

27：实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果.mp421.18MB

28：实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型.mp417.08MB

29：实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题.mp428.95MB

章节3：SVM支持向量机算法518.25MB

30：SVM与感知机关系_几何距离与函数距离.mp477.74MB

31：SVM的思想.mp435.91MB

32：几种SVM_SVM的损失函数.mp447.92MB

33：数学预备知识_拉格朗日函数.mp472.17MB

34：硬间隔SVM的两步优化.mp464.89MB

35：总结硬间隔SVM.mp423.25MB

36：软间隔SVM和总结流程.mp476.87MB

37：非线性SVM.mp436.91MB

38：SVM在sklearn中的使用_超参数.mp480.08MB

SVM算法.pdf2.52MB

章节4：SMO优化算法368.89MB

39：SVM算法流程总结.mp431.71MB

40：SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp435.51MB

41：SMO将交给它的目标函数变成二元函数进一步变成一元函数.mp432.63MB

42：对一元函数求极值点_推导出旧的α和新的α的关系.mp426.41MB

43：将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp443.47MB

44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp417.78MB

45：启发式选择两个α.mp49.68MB

46：如何计算阈值b.mp419.48MB

47：SVM的SMO实现读取数据和计算fx与Ei.mp443.99MB

48：SVM的SMO实现判断违背条件的α1.mp410.02MB

49：SVM的SMO实现应用公式计算alphas和b.mp412.37MB

50：SVM绘制已有数据点和超平面以及边界.mp49.49MB

51：关于sklearn中的SVM封装的类和超参.mp411.81MB

52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp441.37MB

53：OVR和OVO多分类_算法小结_对比逻辑回归.mp423.17MB

07、机器学习-无监督学习1.54GB

章节1：聚类系列算法630.94MB

1：KMeans聚类流程_距离测度欧式距离和余弦距离.mp491.94MB

2：距离测度欧式距离和余弦距离的场景_TFIDF.mp478.44MB

3：KMeans的一些变形_KMeans的损失函数推导及假设.mp486.57MB

4：mini-batchKMeans_Canopy聚类_聚类评估指标.mp4117.54MB

5：KMeans代码测试不同情况下的聚类效果.mp497.13MB

6：层次聚类_密度聚类_谱聚类.mp4156.59MB

聚类.pdf2.74MB

章节2：EM算法和GMM高斯混合模型569.6MB

7：单个高斯分布GM的参数估计.mp472.12MB

8：理解GMM高斯混合分布的对数似然函数.mp459.3MB

9：GMM参数估计Πμσ的流程.mp463.98MB

10：Jensen不等式的应用.mp489MB

11：将EM算法应用到GMM中并且推导出了μ和Σ的公式.mp493.56MB

12：将EM算法应用到GMM中并且推导出Π的公式.mp426.95MB

13：GMM前景背景分离.mp413.41MB

14：通过声音文件利用GMM算法识别性别.mp4110.81MB

15：通过声音文件利用GMM算法识别是谁.mp439.76MB

EM算法与GMM模型.pdf725.2KB

章节3：PCA降维算法374.02MB

16：特征选择与特征映射.mp440.6MB

17：PCA的最大投影方差思路.mp4114.36MB

18：最大投影方差推导_最小投影距离思路.mp493.96MB

19：SVD其实就可以去实现PCA了.mp478.14MB

20：PCA的几种应用.mp446.12MB

PCA降维与SVD.pdf864.92KB

08、机器学习-决策树系列2.57GB

章节1：决策树600.75MB

1：决策树模型的特点.mp435.9MB

2：决策树的数学表达.mp437.57MB

3：如何构建一颗决策树.mp433.05MB

4：什么是更好的一次划分.mp426.87MB

5：Gini系数.mp450.14MB

6：信息增益.mp435.48MB

7：熵与Gini系数关系_信息增益率.mp449.75MB

8：预剪枝以及相关超参数.mp467.96MB

9：代码实战决策树对鸢尾花数据集分类.mp440.61MB

10：绘制决策树模型_寻找最优树深度.mp452.69MB

11：代码训练回归树拟合SineWave.mp441.16MB

12：后剪枝的意义.mp428.32MB

13：CCP代价复杂度后剪枝.mp470.83MB

14：CCP代价复杂度剪枝_α超参数设定.mp430.41MB

章节2：集成学习和随机森林355.65MB

15：不同聚合方式_生成不同弱学习器方式.mp443.72MB

16：Bagging_Boosting_Stacking.mp432.58MB

17：随机森林.mp446.3MB

18：代码实战随机森林对鸢尾花数据集分类.mp449.28MB

19：OOB袋外数据.mp451.72MB

20：Adaboost算法思路.mp447.04MB

21：调整数据权重让权重正确率达到50%.mp436.06MB

22：Adaboost如何调整样本权重和求基模型权重.mp448.95MB

章节3：GBDT1.05GB

23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp431.79MB

24：GBDT令每个弱学习器f(x)去拟合负梯度(1).mp448.21MB

24：GBDT令每个弱学习器f(x)去拟合负梯度.mp448.21MB

25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树(1).mp443.03MB

25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp443.03MB

26：GBDT应用于回归问题.mp447.05MB

27：GBDT回归举例_总结.mp445.6MB

28：GBDT应用于二分类问题.mp438.77MB

29：GBDT二分类拟合的负梯度依然是残差.mp446.05MB

30：GBDT中shrinkage学习率和最优树权重ρ可以共存(1).mp434.44MB

30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp434.44MB

31：GBDT应用于多分类任务.mp434.17MB

32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp432.69MB

33：GBDT多分类流程.mp439.29MB

34：对比GBDT回归、二分类、多分类相同点与不同点.mp427.63MB

35：GBDT二分类叶子节点分值计算推导.mp440.64MB

36：GBDT多分类叶子节点分值计算.mp429.43MB

37：GBDT二分类举例详解.mp439.43MB

38：GBDT多分类举例详解.mp441.29MB

39：计算特征重要度进行特征选择.mp426.62MB

40：GBDT用于特征组合降维(1).mp423.35MB

40：GBDT用于特征组合降维.mp423.35MB

41：特征组合降维在GBDT+LR架构应用(1).mp428.63MB

41：特征组合降维在GBDT+LR架构应用.mp428.63MB

42：GBDT在sklearn中源码剖析_初始化F(x).mp443.2MB

43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算.mp438.69MB

44：GBDT+LR架构训练模型代码实现.mp446.16MB

45：GBDT+LR架构预测评估代码实现(1).mp433.95MB

45：GBDT+LR架构预测评估代码实现.mp433.95MB

章节4：XGBoost607.93MB

46：回顾有监督机器学习三要素.mp441.77MB

47：Bias_Variance_Trade-off.mp434.34MB

48：基于树集成学习4个优点.mp440.85MB

49：回顾基于树集成学习的模型和参数并举例说明.mp441.64MB

50：通过目标函数Obj来达到准确率和复杂度平衡.mp423.73MB

51：Objective_vs_Heuristic.mp431.41MB

52：得出XGBoost最开始的Obj目标函数.mp441.54MB

53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp425.78MB

54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp434.3MB

55：重新定义树ft和树的复杂度Ω.mp435.02MB

56：由每个叶子节点重组目标函数Obj.mp430.39MB

57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp431.89MB

58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp446.88MB

59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp432.75MB

60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp431.75MB

61：样本权重对于模型学习的影响.mp427.68MB

62：总结XGBoost的特性_包括缺失值的处理策略.mp456.21MB

09、机器学习-概率图模型1.25GB

章节1：贝叶斯分类493.46MB

1：朴素贝叶斯分类算法.mp4116MB

2：TF-IDF.mp449.47MB

3：NB代码实现解析.mp499.87MB

4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4101.38MB

5：语言模型的设计目的_MLE的作用进行参数估计.mp494.28MB

6：贝叶斯网络_马尔可夫链.mp431.65MB

NB_HMM.pdf826.78KB

章节2：HMM算法347.52MB

7：HMM隐马的定义.mp432.9MB

8：HMM隐马的三组参数_三个基本问题.mp456.02MB

9：HMM预测问题使用前向算法.mp435.97MB

10：HMM预测问题使用维特比算法.mp426.12MB

11：HMM复习_明确概率计算问题要解决的目标.mp464.56MB

12：前向算法来解决概率计算问题.mp427.36MB

13：Viterbi算法案例详解.mp471.72MB

14：Viterbi算法代码实现.mp432.88MB

章节3：CRF算法435.65MB

15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp484.69MB

16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp440.02MB

17：了解CRF层添加的好处.mp462.98MB

18：EmissionScore_TransitionScore.mp451.66MB

19：CRF的目标函数.mp414.34MB

20：计算CRF真实路径的分数.mp444.32MB

21：计算CRF所有可能路径的总分数.mp486.34MB

22：通过模型来预测新的句子的序列标签.mp450.15MB

CRF_NER.pdf1.17MB

10、机器学习与大数据-Kaggle竞赛实战492.18MB

章节1：药店销量预测案例168.94MB

1：Rossmann药店销量预测_kaggle的介绍.mp412.98MB

2：对数据字段的介绍_导包.mp48.63MB

3：自定义损失函数.mp49.44MB

4：对数据里面的目标变量sales的一个分析.mp416.91MB

5：数据的预处理.mp444.16MB

6：模型的训练_评估.mp423.62MB

7：kaggle竞赛网站学习.mp453.2MB

章节2：网页分类案例323.25MB

8：Kaggle网页分类竞赛介绍.mp411.17MB

9：评估指标ROC和AUC.mp422.35MB

10：评估指标ROC和AUC.mp420.69MB

11：竞赛其他相关提交成绩排行榜.mp419.99MB

12：数据导入.mp423.63MB

13：MLlib对网页分类竞赛数据预处理.mp438.72MB

14：MLlib对网页分类竞赛数据预处理_模型训练.mp428.04MB

15：MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数.mp425.53MB

16：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01.mp437.65MB

17：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02.mp436.02MB

18：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03.mp428.96MB

19：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04.mp430.51MB

11-机器学习与大数据-海量数据挖掘工具1.88GB

章节1：Spark计算框架基础321.93MB

1：Spark特性_01.mp425.08MB

2：Spark特性_02.mp417.4MB

3：Spark对比hadoop优势.mp412.38MB

4：回顾hadoop讲解shuffle.mp419.97MB

5：分布式计算框架Shuffle的原理_01.mp425.51MB

6：分布式计算框架Shuffle的原理_02.mp425.73MB

7：分布式计算框架Shuffle的原理_03.mp417.39MB

8：Spark的RDD特性_01.mp419.34MB

9：Spark的RDD特性_02.mp421.87MB

10：分布式计算所需进程.mp415.58MB

11：两种算子操作本质区别.mp426.08MB

12：Spark算子操作实战讲解_代码实战WordCount_01.mp431.67MB

13：Spark算子操作实战讲解_代码实战WordCount_02.mp425.9MB

14：Spark算子操作实战讲解_代码实战WordCount_03.mp420.19MB

15：Spark算子操作实战讲解_代码实战WordCount_04.mp417.85MB

章节2：Spark计算框架深入394.15MB

16：Spark数据缓存机制.mp429.16MB

17：Spark宽依赖和窄依赖_01.mp424.86MB

18：Spark宽依赖和窄依赖_02.mp422.51MB

19：Spark宽依赖和窄依赖_03.mp415.81MB

20：Spark术语总结.mp440.14MB

21：分布式文件系统Block块的大小配置.mp444.18MB

22：Spark程序启动运行流程详解_01.mp419.59MB

23：Spark程序启动运行流程详解_02.mp428.61MB

24：Spark程序启动运行流程详解_03.mp419.88MB

25：讲解构建稀疏和稠密向量_01.mp433.93MB

26：讲解构建稀疏和稠密向量_01.mp436.24MB

27：构建LabeledPoint.mp444.27MB

28：介绍SparkMLlib模块中实现的算法和调用.mp434.98MB

章节3：Spark机器学习MLlib和ML模块1.18GB

29：SparkMLlib对于逻辑回归算法的调用.mp449.29MB

30：SparkMLlib调用逻辑回归_自定义阈值.mp452.43MB

31：SparkMLlib调用逻辑回归_自定义阈值.mp447.11MB

32：SparkMLlib调用逻辑回归_使用标准归一化.mp438.63MB

33：SparkMLlib调用逻辑回归_使用标准归一化.mp465.62MB

34：SparkMLlib调用逻辑回归_使用标准归一化.mp433.14MB

35：SparkMLlib调用逻辑回归_使用标准归一化_4.mp443.6MB

36：SparkMLlib调用KMeans聚类_调用决策树(1).mp437.79MB

37：SparkMLlib调用KMeans聚类_调用决策树(1).mp447.15MB

38：SparkMLlib调用KMeans聚类_调用决策树(1).mp440.95MB

39：使用逻辑回归和随机森林对股票Stock预测案例实战.mp443.42MB

40：使用逻辑回归和随机森林对股票Stock预测案例实战.mp434.88MB

41：使用逻辑回归和随机森林对股票Stock预测案例实战.mp434.72MB

42：从数据转化到训练集的构建.mp463.43MB

43：模型的训练以及评估和调超参.mp435.13MB

44：模型的训练以及评估和调超参.mp432.2MB

45：模型的训练以及评估和调超参.mp443.15MB

46：SparkML机器学习库概念讲解.mp459.65MB

47：SparkML机器学习库概念讲解.mp453.66MB

48：SparkML机器学习库代码实战讲解.mp461.17MB

49：SparkML机器学习库代码实战讲解.mp463.52MB

50：SparkML网页分类案例代码实战续（1）.mp462.9MB

51：SparkML网页分类案例代码实战续（1）.mp460.75MB

52：SparkML网页分类案例代码实战续（2）.mp457.53MB

53：SparkML网页分类案例代码实战续（2）.mp444.96MB

54：SparkML网页分类案例代码实战续（3）.mp43.98MB

12-机器学习与大数据-推荐系统项目实战1.5GB

章节1：推荐系统--流程与架构482.04MB

1：推荐系统_隐式用户反馈.mp444.96MB

2：推荐系统_隐式用户反馈.mp449.06MB

3：推荐系统_协同过滤.mp429.26MB

4：推荐系统_协同过滤.mp428.44MB

5：推荐系统_协同过滤.mp428.65MB

6：推荐系统_协同过滤_4.mp429.76MB

7：推荐系统架构_实时_离线.mp441.81MB

8：推荐系统架构_实时_离线.mp441.79MB

9：推荐系统列表_关联特征权重_基本特征权重的计算.mp437.58MB

10：推荐系统列表_关联特征权重_基本特征权重的计算.mp443.64MB

11：推荐系统列表_关联特征权重_基本特征权重的计算.mp441.91MB

12：推荐系统_数据源.mp433.87MB

13：推荐系统_数据源.mp431.31MB

章节2：推荐系统--数据预处理和模型构建评估实战570.96MB

14：HQL语句_python脚本构建中间结果.mp448.91MB

15：HQL语句_python脚本构建中间结果.mp446.79MB

16：HQL语句_python脚本构建中间结果.mp443.99MB

17：HQL语句_python脚本构建中间结果_4.mp447.18MB

18：推荐系统_数据预处理_spark构建特征索引_标签列.mp443.8MB

19：spark构建特征索引_标签列.mp443.31MB

20：spark构建特征索引_标签列.mp442.32MB

21：spark构建特征索引_标签列_4.mp439.89MB

22：MLlib调用算法计算模型文件并存储.mp440.21MB

23：MLlib调用算法计算模型文件并存储.mp437.77MB

24：MLlib调用算法计算模型文件并存储.mp443.55MB

25：ACC准确率和AUC面积的计算以及意义.mp493.24MB

章节3：推荐系统--模型使用和推荐服务484.87MB

26：推荐模型文件使用思路.mp425.82MB

27：Redis数据库安装及其使用.mp416.62MB

28：实时在线推荐列表计算逻辑代码讲解.mp450.63MB

29：实时在线推荐列表计算逻辑代码讲解.mp440.17MB

30：实时在线推荐列表计算逻辑代码讲解.mp436.75MB

31：实时在线推荐列表计算逻辑代码讲解_4.mp436.51MB

32：使用Dubbo将推荐系统做成服务.mp441.3MB

33：使用Dubbo将推荐系统做成服务.mp441.4MB

34：使用Dubbo将推荐系统做成服务.mp445.74MB

35：Dubbo推荐服务演示_SparkMLlib介绍.mp451.29MB

36：Dubbo推荐服务演示_SparkMLlib介绍.mp447.92MB

37：Dubbo推荐服务演示_SparkMLlib介绍.mp450.71MB

13-深度学习-原理和进阶1.58GB

章节1：神经网络算法524.4MB

1：神经网络是有监督的算法_生物神经元到人工神经元.mp463.3MB

2：三种常见的激活函数_网络拓扑介绍_优化算法.mp433.55MB

3：单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类.mp445.44MB

4：用神经网络理解Softmax回归.mp444.38MB

5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp469.11MB

6：多节点网络输出_sklearn中NN模块的介绍.mp453.02MB

7：sklearn中NN模型的代码使用.mp469.28MB

8：隐藏层激活函数必须是非线性的.mp413.69MB

9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4132.12MB

神经网络.pdf518.13KB

章节2：TensorFlow深度学习工具666.41MB

10：CUDA下载地址_CUDA显卡白名单地址.mp457.91MB

11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp460.71MB

12：Tensorflow代码运行机制_TF基础的代码.mp498.16MB

13：TF实现线性回归解析解的方式_TF实现线性回归梯度下降的方式.mp4106.23MB

14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4130.43MB

15：TF实现Softmax回归来识别MNIST手写数字.mp4108.49MB

16：TF实现DNN来识别MNIST手写数字.mp4104.48MB

章节3：反向传播推导_Python代码实现神经网络431.97MB

17：反向传播_链式求导法则.mp456.13MB

18：反向传播推导(一).mp491.08MB

19：反向传播推导(二)从输出层到最后一个隐藏层.mp478.81MB

20：反向传播推导(三)从输出层到最后一个隐藏层Softmax多分类为例.mp465.08MB

21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp425.06MB

22：python实现神经网络训练代码讲解(一).mp450.79MB

23：python实现神经网络正向反向传播训练.mp465.01MB

14-深度学习-图像识别原理4.04GB

章节1：卷积神经网络原理497.11MB

1：回顾深度神经网络_卷积层是局部连接.mp481.89MB

2：单通道卷积的计算.mp465.27MB

3：彩色图片卷积的计算.mp436.33MB

4：卷积层权值共享.mp437.06MB

5：卷积的补充与Padding填充模式.mp456.33MB

6：卷积的计算TF中的API操作与参数.mp476.76MB

7：池化的概念和TF中的API的操作与参数.mp452.54MB

8：经典的CNN架构和LeNet5.mp490.93MB

章节2：卷积神经网络优化709.59MB

9：AlexNet网络结构_连续使用小的卷积核好处.mp460.49MB

10：Dropout技术点思想和运用.mp472.22MB

11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp462.59MB

12：CNN对MNIST数据集分类_全连接层以及训练代码.mp475.35MB

13：深度学习网络对应ACC准确率忽然下降的思考点.mp463.34MB

14：减轻梯度消失问题中激活函数发挥的作用.mp425.71MB

15：减轻梯度消失问题中参数初始化发挥的作用.mp454.56MB

16：VGG网络结构_以及1乘1的卷积核的作用和好处.mp476.57MB

17：Optimizer_SGD_Momentum.mp459.32MB

18：Optimizer_Adagrad_Adadelta_RMSprop.mp479.54MB

19：Optimizer_Adam.mp479.91MB

章节3：经典卷积网络算法1.71GB

20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境(1).mp478MB

20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp478MB

21：VGG16_Fine-tuning_对MNIST做手写数字识别(1).mp489.69MB

21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp489.69MB

22：InceptionV1_V2(1).mp4131.69MB

22：InceptionV1_V2.mp4131.69MB

23：InceptionV3_以及InceptionV3对皮肤癌图片识别(1).mp4124.68MB

23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4124.68MB

24：ResNet残差单元_BottlenetBlocK(1).mp472.33MB

24：ResNet残差单元_BottlenetBlocK.mp472.33MB

25：DenseNet和Keras里面的实现(1).mp4116.93MB

25：DenseNet和Keras里面的实现.mp4116.93MB

26：DenseNet在Keras里面的代码实现(1).mp452.49MB

26：DenseNet在Keras里面的代码实现.mp452.49MB

27：BatchNormalization(1).mp484.12MB

27：BatchNormalization.mp484.12MB

28：Mobilenet网络架构(1).mp4123.63MB

28：Mobilenet网络架构.mp4123.63MB

章节4：古典目标检测378.49MB

29：图像识别任务_古典目标检测.mp4121.49MB

30：使用OpenCV调用分类器找到目标框.mp473.92MB

31：IOU以及python计算的代码.mp418.51MB

32：R-CNN和SPP-net.mp468.4MB

33：从FastRCNN引入FasterRCNN.mp493.8MB

目标检测.pdf2.36MB

章节5：现代目标检测之FasterRCNN809.48MB

34：回顾RCNN_SPPnet_Fast-RCNN.mp496.32MB

35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4152.24MB

36：NMS代码实现流程_mAP目标检测平均指标.mp4105.18MB

37：FasterRCNN论文讲解_从介绍到RPN的loss.mp4198.76MB

38：FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4250.49MB

FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf6.49MB

15-深度学习-图像识别项目实战1.12GB

章节1：车牌识别129.4MB

1：基于CascadeClassifier来提取目标框做车牌识别代码详解_01.mp431.79MB

2：基于CascadeClassifier来提取目标框做车牌识别代码详解_02.mp433.64MB

3：基于CascadeClassifier来提取目标框做车牌识别代码详解_03.mp418.45MB

4：基于CascadeClassifier来提取目标框做车牌识别代码详解_04.mp428.08MB

5：车牌识别项目关于目标检测的问题.mp417.44MB

章节2：自然场景下的目标检测及源码分析878MB

6：FasterRCNN项目代码_环境说明_数据集详解_项目结构说明.mp446.53MB

7：FasterRCNN项目代码_数据加载.mp439.94MB

8：FasterRCNN项目代码_数据增强.mp431.37MB

9：FasterRCNN项目代码_数据初始化.mp430.31MB

10：FasterRCNN项目代码_模型的训练.mp417.61MB

11：回归整体训练流程_详解读取数据blob_01.mp433.04MB

12：回归整体训练流程_详解读取数据blob_02.mp431.64MB

13：回归整体训练流程_详解读取数据blob_03.mp418.48MB

14：回归整体训练流程_详解读取数据blob_04.mp427.24MB

15：FasterRCNN代码_构建head.mp425.91MB

16：FasterRCNN代码_构建RPN网络_01.mp449.33MB

17：FasterRCNN代码_构建RPN网络_02.mp439.32MB

18：FasterRCNN代码_根据RPN网络得到校正后的预测的框_01.mp437.69MB

19：FasterRCNN代码_根据RPN网络得到校正后的预测的框_02.mp448MB

20：FasterRCNN代码_bbox剪裁_NMS非极大值抑制.mp446.08MB

21：FasterRCNN代码_给RPN准备正负例样本_01.mp440.86MB

22：FasterRCNN代码_给RPN准备正负例样本_02.mp462.3MB

23：FasterRCNN代码_给RPN准备正负例样本_03.mp422.05MB

24：FasterRCNN代码_给RPN准备正负例样本_04.mp419.13MB

25：FasterRCNN代码_给RPN准备正负例样本_05.mp429.94MB

26：FasterRCNN代码_给RPN准备正负例样本_06.mp442.6MB

27：FasterRCNN代码_给RPN准备正负例样本_07.mp437.95MB

28：FasterRCNN代码_给RPN准备正负例样本_08.mp421.93MB

29：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_01.mp426.51MB

30：FasterRCNN代码_给最终RCNN准备正负例样本_ROI池化_02.mp425.42MB

31：FasterRCNN代码_添加Loss损失_smoothL1loss.mp426.83MB

章节3：图像风格迁移137.82MB

32：图片风格融合项目_架构_代码实现要点.mp430.54MB

33：图片风格融合项目_架构_代码实现要点.mp435.38MB

34：图片风格融合项目_架构_代码实现要点.mp434.81MB

35：图片风格融合项目_架构_代码实现要点_4.mp437.08MB

16-深度学习-目标检测YOLO(V1-V4全版本)实战3.01GB

章节1：YOLOv1详解561.67MB

1：YOLOv1论文详解_算法特点介绍.mp4143.16MB

2：YOLOv1论文详解_网络架构_思想.mp4163.33MB

3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4192.72MB

4：YOLOv1论文详解_NMS_局限性.mp462.47MB

章节2：YOLOv2详解619.35MB

5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4138.74MB

6：YOLOv2论文详解_mAP更better的一些点.mp4212.94MB

7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4120.92MB

8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4146.75MB

章节3：YOLOv3详解623.81MB

9：YOLOv3论文详解_每个框都要预测多个类别概率.mp464.54MB

10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4109.35MB

11：YOLOv3论文详解_总结_FocalLoss.mp4100.58MB

12：YOLOv4论文概述_介绍.mp496.28MB

13：YOLOv4论文概述_BOS_BOF.mp4253.06MB

章节4：YOLOv3代码实战705.88MB

14：YOLOv3代码剖析_项目介绍.mp495.01MB

15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4144.47MB

16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4138.41MB

17：YOLOv3代码剖析_使用model预测的其余代码.mp454.57MB

18：YOLOv3代码剖析_weights到h5模型的转换.mp483.7MB

19：YOLOv3代码剖析_模型的训练部分详解.mp4189.72MB

章节5：YOLOv4详解568.71MB

20：YOLOv4_BOF_DropBlock_FocalLoss.mp4159.22MB

21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp472.25MB

22：YOLOv4_BOS_ASPP_SAM_SoftNMS_Mish.mp4163.21MB

23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4174.03MB

17-深度学习-语义分割原理和实战1.22GB

章节1：上采样_双线性插值_转置卷积464.64MB

1：前言.mp414.47MB

2：上采样_repeat.mp416.98MB

3：线性插值.mp423.87MB

4：双线性插值.mp466.03MB

5：转置卷积_以及TF的API.mp462.74MB

6：双线性插值作为转置卷积核的初始参数.mp483.64MB

7：ROIAlign.mp447.15MB

8：FPN思想与网络结构.mp448.2MB

9：FPN应用于FasterRCNN_ResNetFPN.mp4101.57MB

章节2：医疗图像UNet语义分割119.73MB

10：语义分割的基本概念.mp414.13MB

11：FCN全卷积网络做语义分割.mp428.3MB

12：UNet网络结构.mp417.9MB

13：UNet网络医疗图像的语义分割.mp459.4MB

章节3：蒙版弹幕MaskRCNN语义分割661.65MB

14：MaskRCNN网络结构.mp454.01MB

15：MaskRCNN的项目展示.mp4117.07MB

16：MaskRCNN网络架构回顾.mp474.84MB

17：MaskRCNN根据文档和论文总结重要的知识点.mp4191.29MB

18：MaskRCNN项目关于运行代码环境的说明.mp434.35MB

19：MaskRCNN源码config和model.mp4190.09MB

18-深度学习-人脸识别项目实战897.01MB

章节1：人脸识别897.01MB

1：人脸识别任务种类_具体做法思路.mp426.65MB

2：开源的FaceNet项目介绍.mp429.12MB

3：人脸识别项目代码整体结构.mp423.36MB

4：MTCNN论文_摘要和介绍.mp462.24MB

5：MTCNN论文_网络整体架构.mp466.92MB

6：PRelu_每阶段输出多分支意义.mp435.08MB

7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp457.33MB

8：训练数据的准备_每一阶段训练的流程.mp453.05MB

9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp451.73MB

10：人脸识别项目代码_加载MTCNN模型.mp453.2MB

11：人脸识别项目代码_读取图片带入MTCNN网络给出人脸候选框.mp448.88MB

12：FaceNet论文_摘要和前情介绍.mp458.45MB

13：FaceNet论文_相关的介绍.mp442.19MB

14：FaceNet论文_TripleLoss思路来源和目标.mp448.45MB

15：FaceNet论文_TripleLoss损失函数.mp453.82MB

16：FaceNet论文_TripleSelection很至关重要.mp462.93MB

17：FaceNet论文_ZF和Inception对比_总结.mp457.56MB

18：人脸识别项目代码_FaceNet模型加载和使用.mp435.74MB

19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp430.32MB

19-深度学习-NLP自然语言处理原理和进阶1.61GB

章节1：词向量与词嵌入540.19MB

1：N-gram语言模型.mp4100.9MB

2：NPLM神经网络语言模型.mp491.13MB

3：词向量的作用.mp436.29MB

4：CBOW模型思想和计算过程.mp4100.15MB

5：Skip-gram模型思想和计算过程.mp433.2MB

6：Huffman树_分层Softmax的思想.mp466.23MB

7：分层Softmax应用到CBOW模型上.mp451.31MB

8：负采样和负采样应用到CBOW模型上.mp459.08MB

Word2Vec.pdf1.89MB

章节2：循环神经网络原理与优化480.89MB

9：理解RNN循环神经网络拓扑结构.mp474.59MB

10：理解RNN循环神经网络计算流程.mp429.87MB

11：利用RNN循环神经网络对MNIST手写数字识别.mp496.49MB

12：理解LSTM长短时记忆_记住Topo和公式.mp4104.73MB

13：VanillaRNN的回顾复习.mp472.4MB

14：补充讲一下为什么RNN中链越长越容易梯度消失.mp427.92MB

15：LSTM的回顾复习_LSTM手写数字识别.mp426.32MB

16：双向RNN_LSTM.mp430.09MB

17：RNN里面应用的Topology结构.mp415.64MB

RNN_Attention机制.pdf2.83MB

章节3：从Attention机制到Transformer359.03MB

18：Seq2Seq中Attention注意力机制(1).mp439.99MB

18：Seq2Seq中Attention注意力机制.mp439.99MB

19：Transformer_Self-Attention_Multi-head(1).mp479.26MB

19：Transformer_Self-Attention_Multi-head.mp479.26MB

20：Transformer_Positional_使用逻辑_网络结构总结(1).mp455.1MB

20：Transformer_Positional_使用逻辑_网络结构总结.mp455.1MB

RNN_Attention机制(1).pdf5.16MB

RNN_Attention机制.pdf5.16MB

章节4：ELMO_BERT_GPT268.92MB

21：ELMO(1).mp433.25MB

21：ELMO.mp433.25MB

22：BERT理论(1).mp452.58MB

22：BERT理论.mp452.58MB

23：ERNIE_GPT(1).mp443.47MB

23：ERNIE_GPT.mp443.47MB

RNN_Attention机制(1).pdf5.16MB

RNN_Attention机制.pdf5.16MB

20-深度学习-NLP自然语言处理项目实战1.82GB

章节1：词向量399.76MB

1：回顾了词向量里面训练的Topology.mp491.34MB

2：Word2Vec项目代码_加载数据_构建字典.mp475.49MB

3：Word2Vec项目代码_构建一个个批次数据.mp465.4MB

4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp480.94MB

5：Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp468.29MB

6：Word2Vec项目代码_总结串讲.mp418.31MB

章节2：自然语言处理--情感分析208.85MB

7：Keras实战RNN以及词嵌入来做情感分析.mp428.82MB

8：数据预处理_01.mp433.19MB

9：数据预处理_02.mp424.32MB

10：代码讲解_01.mp424.56MB

11：代码讲解_02.mp427.78MB

12：代码讲解_03.mp424.5MB

13：代码讲解_04.mp426.34MB

14：代码讲解_05.mp419.33MB

章节3：AI写唐诗330.02MB

15：AI写唐诗_数据的读取_字典的构建_文本的索引化.mp489.26MB

16：AI写唐诗_训练数据的构建.mp444.78MB

17：MultiRNNCell单元.mp422.27MB

18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp452.61MB

19：AI写唐诗_损失的计算_梯度的求解截断和更新_最终的训练代码.mp448.59MB

20：AI写唐诗_模型的使用_增加随机性.mp472.51MB

章节4：Seq2Seq聊天机器人214.56MB

21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp469.51MB

22：Seq2Seq版Chatbot的数据预处理.mp475.2MB

23：Seq2Seq版Chatbot训练和模型使用.mp469.86MB

章节5：实战NER命名实体识别项目586.69MB

24：回顾了一下CRF训练和使用过程.mp456.68MB

25：介绍了代码目录结构.mp419.69MB

26：NER代码读取数据和预处理.mp485.89MB

27：feature进入BiLSTM进行正向传播的过程.mp468.89MB

28：通过CRF层来计算Loss损失以及训练.mp466.03MB

29：BiLSTM-CRF模型的预测代码.mp460.45MB

30：CRF中的特征函数们.mp487.83MB

31：对比逻辑回归_相比HMM优势.mp483.05MB

32：补充标注偏置问题_HMM做分词代码结构.mp458.18MB

章节6：BERT新浪新闻10分类项目90.17MB

33：BERT新浪新闻10分类项目.mp490.17MB

章节7：GPT2聊天机器人37.61MB

34：GPT2闲聊机器人.mp437.61MB

21-深度学习-OCR文本识别1.04GB

章节1：深度学习-OCR文本识别1.04GB

1：传统OCR识别_深度学习OCR识别.mp4130.34MB

2：OCR识别本质就是文字检测和文字识别.mp480.13MB

3：OCR识别的CTC损失思想.mp495.96MB

4：总结理解深度学习文字识别架构.mp434.81MB

5：CTC损失函数的理解.mp4130.26MB

6：CTC损失函数前向后向算法推导_梯度求导公式推导.mp485.53MB

7：CTC前向后向算法代码.mp486.6MB

8：GreedySearch和BeamSearch解码的方式与代码逻辑.mp4116.48MB

9：CPTN项目代码剖析.mp4173.24MB

10：CRNN项目代码剖析.mp4127.07MB

24-【加课】Pytorch项目实战984.81MB

章节1：PyTorch运行环境安装_运行环境测试124.5MB

1：PyTorch概述.mp426.67MB

2：PyTorch的安装.mp445.81MB

3：Pycharm关联PyTorch运行环境.mp424.03MB

4：Jupyter关联PyTorch运行环境.mp427.99MB

章节2：PyTorch基础_Tensor张量运算177.16MB

5：Tensor的创建.mp442.45MB

6：修改Tensor的形状_索引操作.mp456.59MB

7：广播机制_逐元素操作.mp433.45MB

8：归并操作_比较操作_矩阵操作.mp444.67MB

章节3：PyTorch卷积神经网络_实战CIFAR10347.44MB

9：PyTorch实战CIFAR10数据_读取和展示.mp458.48MB

10：PyTorch实战CIFAR10_构建网络_打印网络层次.mp438.92MB

11：PyTorch实战CIFAR10_训练模型_测试模型.mp433.5MB

12：PyTorch实战CIFAR10_分类别打印模型准确率.mp419.94MB

13：使用全局平均池化_使用LeNet模型.mp426.73MB

14：使用集成学习思想训练识别模型.mp453.92MB

15：使用VGG16模型提供准确率.mp433.35MB

16：torchvision里面的预训练模型.mp420.28MB

17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp438.81MB

18：PyTorch代码实战加入数据增强.mp423.49MB

章节4：PyTorch循环神经网络_词性标注78.59MB

19：PyTorch词性标注_构建数据和词索引号.mp416.72MB

20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp426.98MB

21：PyTorch词性标注_构建数据索引化和训练模型代码.mp427.12MB

22：PyTorch词性标注_测试模型效果.mp47.78MB

章节5：PyTorch编码器解码器_机器翻译257.12MB

23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp431.67MB

24：PyTorch中英文翻译_数据预处理.mp424.46MB

25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp431.36MB

26：PyTorch中英文翻译_构建训练函数之Encoder计算.mp432.85MB

27：PyTorch中英文翻译_构建带Attention注意力机制的Decoder解码器.mp443.18MB

28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp438.5MB

29：PyTorch中英文翻译_评估模型函数.mp434.22MB

30：PyTorch中英文翻译_绘制Attentions注意力权重.mp420.88MB

25、【加课】百度飞桨PaddlePaddle实战【新增】1.31GB

章节1：PaddlePaddle框架安装_波士顿房价预测168.31MB

1：安装PaddlePaddle.mp436.77MB

2：Pycharm运行出现mkl-service或DLL找不到的问题.mp428.19MB

3：PaddlePaddle求解线性模型.mp435.67MB

4：预测波士顿房价_数据读取_正向传播.mp438MB

5：预测波士顿房价_反向传播_模型保存_模型测试.mp429.68MB

章节2：PaddlePaddle卷积网络_病理性近视识别193.48MB

6：预测病理性近视_图片数据读取.mp445.49MB

7：预测病理性近视_模型训练.mp440.78MB

8：预测病理性近视_定义模型结构_评估模型.mp440.92MB

9：预测病理性近视_调用经典卷积神经网络.mp466.29MB

章节3：PaddleDetection工具_PCB电路板缺陷检测270.61MB

10：PaddleDetection_项目配置.mp442.14MB

11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp431.05MB

12：PCB电路板缺陷检测_Images和Annotations.mp429.76MB

13：PCB电路板缺陷检测_前期数据的分析.mp455.99MB

14：PCB电路板缺陷检测_项目配置文件.mp427.18MB

15：PCB电路板缺陷检测_模型训练.mp443.74MB

16：PCB电路板缺陷检测_模型预测.mp440.76MB

章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)257.49MB

17：PaddleOCR_项目配置_CCPD数据集介绍.mp447.4MB

18：车牌识别项目_详解数据准备阶段代码.mp428.73MB

19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp437.23MB

20：车牌识别项目_车牌目标框检测模型训练.mp444.2MB

21：车牌识别项目_车牌字符识别模型训练.mp445.18MB

22：车牌识别项目_车牌识别模型导出及预测.mp454.75MB

章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）301.88MB

代码0B

null0B

23：PaddleNLP_项目配置.mp430.94MB

24：PaddleNLP_物流信息提取项目介绍.mp432.51MB

25：物流信息提取项目_解决导包显示找不到nul问题.mp442.22MB

26：PaddleNLP_物流信息提取项目_加载数据构建DataSet.mp438.36MB

27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp437.31MB

28：PaddleNLP_物流信息提取项目_构建网络模型.mp432.75MB

29：PaddleNLP_物流信息提取项目_模型训练.mp435.53MB

30：PaddleNLP_物流信息提取项目_合并结果并展示_使用预训练的词向量提升效果.mp452.25MB

章节6：PaddleNLP模块_物流信息提取（ERNIE版）144.77MB

31：PaddleNLP_物流信息提取项目_ERNIE实战_加载数据集构建Dataset.mp434.05MB

32：PaddleNLP_物流信息提取项目_ERNIE实战_详解Tokenizer作用.mp439.05MB

33：PaddleNLP_物流信息提取项目_ERNIE实战_讲解模型训练和评估代码.mp434.16MB

34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp437.51MB

26-【加课】Linux环境编程基础402.46MB

章节1：Linux402.46MB

1：Linux_课程介绍.mp42.93MB

2：Linux_Linux简介.mp413MB

3：Linux_VMWare安装及使用.mp413.59MB

4：Linux_安装Linux.mp425.92MB

5：Linux_目录介绍.mp413.24MB

6：Linux_Linux中的路径.mp413MB

7：Linux_常用命令_pwd命令.mp44.74MB

8：Linux_常用命令_cd命令.mp46.05MB

9：Linux_常用命令_ls与ll命令.mp422.63MB

10：Linux_常用命令_clear、touch、cat命令.mp46.87MB

11：Linux_常用命令more、head、tail命令.mp411.7MB

12：Linux_常用命令_mkdir命令.mp47.43MB

13：Linux_常用命令_cp命令.mp410.7MB

14：Linux_常用命令_rm、mv命令.mp419.97MB

15：Linux_常用命令_vi、vim.mp422.86MB

16：Linux_常用命令_reboot、halt.mp44MB

17：Linux_常用配置_设置时区.mp418.87MB

18：Linux_常用配置_启动网络.mp411.22MB

19：Linux_常用配置_修改网段.mp48.25MB

20：Linux_常用配置_设置网络类型.mp418.89MB

21：Linux_常用配置_快照与克隆.mp410.7MB

22：Linux_Xshell的安装与使用.mp414.02MB

23：Linux_上传与下载_Xftp的使用.mp412.71MB

24：Linux_上传与下载_lrzsz工具.mp429.88MB

25：Linux_文件的压缩与解压缩处理.mp428.41MB

26：Linux_安装MySQL.mp450.87MB

27-【加课】算法与数据结构863.99MB

章节1：算法与数据结构863.99MB

1：数据结构与算法简介.mp417.13MB

2：大O表示法.mp411.28MB

3：线性结构.mp424.15MB

4：单线链表1.mp427.68MB

5：单链表2.mp458.44MB

6：双链表.mp446.43MB

7：队列(链式).mp433.77MB

8：队列(线式).mp417.69MB

9：栈与双端队列.mp413.03MB

10：哈希表的基本结构.mp426.05MB

11：哈希表冲突问题.mp436.72MB

12：哈希表冲突问题2.mp429.16MB

13：哈希扩容.mp442MB

14：递归与栈.mp423.2MB

15：线性查找.mp427.16MB

16：二分查找.mp425.22MB

17：冒泡排序.mp426.39MB

18：选择排序.mp422.71MB

19：插入排序.mp415.87MB

20：归并排序.mp440.51MB

21：快速排序.mp418.97MB

22：树结构.mp442.81MB

23：树结构的遍历.mp427.72MB

24：最大堆的增加操作.mp436.15MB

25：最大堆的删除操作.mp435.13MB

26：二叉树的查找.mp441.76MB

27：二叉树获取最小值.mp411.16MB

28：二叉树的添加.mp430.56MB

29：二叉树的删除.mp455.15MB

31、【加课】强化学习【新增】2.55GB

章节1：Q-Learning与SARSA算法493.43MB

1：强化学习通过智能体与环境交互进行学习.mp444.67MB

2：引入马尔科夫链和价值评估的Q值与V值.mp435.03MB

3：详解Q值和V值以及它们之间关系.mp448.04MB

4：蒙特卡洛采样回溯计算V值.mp441.14MB

5：蒙特卡洛和时序差分估算状态V值.mp444.02MB

6：SARSA算法和Q-learning算法.mp439.56MB

7：理解Q-table_创建maze交互环境.mp440.23MB

8：代码实战Q-Learning_Agent和Env整体交互.mp430.03MB

9：代码实战Q-Learning智能体选择行为.mp433.94MB

10：代码实战Q-Learning智能体训练模型.mp435.49MB

11：代码实战Sarsa_Agent和Env整体交互.mp426.78MB

12：代码实战Sarsa_Agent选择行为和训练模型.mp437.68MB

13：代码实战SarsaLambda_训练模型.mp436.83MB

章节2：DeepQ-LearningNetwork639.12MB

14：DQN算法思想.mp435.24MB

15：DQN算法具体流程.mp431.71MB

16：ε-greedy_ReplayBuffer_FixedQ-targets.mp454.99MB

17：代码实战DQN_Agent和Env整体交互.mp446.11MB

18：代码实战DQN_构建Q网络.mp441.08MB

19：代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp450.96MB

20：代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp447.86MB

21：代码实战DQN_训练阶段最小化损失_记录loss方便展示_随着learn的越多选择action随机性减小.mp452.26MB

22：DQN会over-estimate的本质原因.mp440.26MB

23：DoubleDQN缓解over-estimate.mp439.29MB

24：DoubleDQN代码实战.mp439.68MB

25：DuelingDQN.mp447.48MB

26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp449.05MB

27：计算Action的方差避免风险.mp428.8MB

28：Rainbow_DQN如何计算连续型的Actions.mp434.36MB

章节3：PolicyGradient策略梯度331.55MB

29：策略梯度PG_对比基于值和基于策略网络的区别.mp436.1MB

30：策略梯度PG_明确目标函数和导函数.mp433.85MB

31：策略梯度PG_简化导函数的公式推导.mp433.34MB

32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp430.01MB

33：策略梯度PG_讲解CartPole环境.mp431.95MB

34：代码实战_策略梯度PG和CartPole交互.mp444.45MB

35：代码实战_策略梯度PG网络构建.mp428.63MB

36：代码实战_策略梯度PG选择行为和参数训练.mp432.87MB

37：策略梯度PG_对TotalReward进行均值归一化.mp429.71MB

38：策略梯度PG_同一个回合中不同的action回溯不同的TotalReward_代码实战.mp430.66MB

章节4：ActorCritic(A3C)559.85MB

39：ActorCritic原理_把PG和QLearning结合起来.mp450.02MB

40：AdvantageActorCritic_共享参数和修改reward技巧.mp444.69MB

41：代码实战_ActorCritic与环境交互.mp448.29MB

42：代码实战_Actor网络构建及训练.mp433.46MB

43：代码实战_详解Critic网络构建及训练.mp450.74MB

44：A3C架构和训练流程.mp437.52MB

45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp444.49MB

46：代码实战_A3C_讲解Coordinator调度多线程运算.mp427.84MB

47：代码实战_A3C_定义Worker计算loss的逻辑_针对连续型的action提高actor探索性.mp432.62MB

48：代码实战_A3C_增加actor探索性用到熵_定义worker正太分布抽样和求梯度的逻辑.mp432.1MB

49：代码实战_A3C_定义AC网络结构_定义worker拉取参数和更新全局网络参数的逻辑.mp435.52MB

50：代码实战_A3C_结合流程图分三点总结前面讲的代码.mp435.8MB

51：代码实战_A3C_讲解线程中worker和环境交互.mp445.16MB

52：代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp441.57MB

章节5：DDPG、PPO、DPPO算法585.66MB

53：DDPG解决DQN不能输出连续型动作的问题_DDPG如何训练Actor和Critic.mp443.4MB

54：代码实战_DDPG_构建Actor和Critic四个网络_定义Critic求loss和求梯度的逻辑.mp445.45MB

55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp450.11MB

56：代码实战_DDPG_与环境之间的互动_AC训练调整参数_效果展示.mp438.76MB

57：TD3_使用DoubleNetwork优化DDPG.mp457.07MB

58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp434.69MB

59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp432.08MB

60：PPO_重要性采样的问题_期望矫正但是方差还是不同带来的问题.mp434.49MB

61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp432.5MB

62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp428.52MB

63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp436.15MB

64：代码实战_剖析PPO代码中如何体现Off-Policy的学习方式_效果展示.mp434.44MB

65：DPPO分布式PPO.mp436.43MB

66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp433.08MB

67：代码实战_DPPO_GlobalPPO和Workers交替执行.mp448.49MB

课件.zip59.26GB

共904个文件，合计：96.15GB

资源评论 AUP主 M管理员

评分

{{ rating }}分

1

即梦Seedance2.0新版5套保姆级教程手把手教你做高质量AI短视频
2

有声书《学习之道》乔希·维茨金作品 48集明晨播音
3

2026高三高考数学撸题侠一轮领航班（培优）函数专题精讲
4

小红书零基础电商高级实操课含案例分析从开店到爆单全流程
5

高中全科电子课本合集：多版本PDF下载
6

零基础手机Vlog变现课：从拍摄到剪辑，轻松上手短视频创作
7

《怪物数学小分队》幼儿数学启蒙动画全50集趣味学数学
8

黄导家庭教育课程自动自发系列2025全套资源
9

2026版初中必刷题上分卷 7年级上册（语数地道史）网盘资源
10

宠物狗训练视频教程：从基础到高级全方位指导

{{userData.name}}已认证

AI算法工程师就业班：掌握全面知识，迈向高薪领域