01-1课程内容和理念
18:09
01-2初识机器学习
14:32
01-3课程使用的技术栈
14:41
02-1本章总览
未上传
02-2数据长什么样：常见数据集、典型实例、如何使用
未上传
02-3研究哪些问题：分类、回归等
未上传
02-4如何分门别类：监督、无监督、强化学习等
未上传
02-5机器学习的七大常见误区和局限
未上传
03-10numpy数组矩阵运算：一元运算、二元运算与矩阵运算
未上传
03-11numpy数组统计运算：常用的都在这儿了
未上传
03-12numpy数组arg运算和排序
未上传
03-13numpy数组神奇索引和布尔索引
未上传
03-14matplotlib数据可视化：基础绘制与设置
未上传
03-1本章总览：相互关系与学习路线
未上传
03-2anaconda图形化操作
未上传
03-3anaconda命令行操作
未上传
03-4jupyternotebook基础使用
未上传
03-5jupyternotebook高级使用：常用魔法命令
未上传
03-6numpy基础：安装与性能对比
未上传
03-7numpy数组创建：特定数组、等差数组、随机数组
未上传
03-8numpy数组基础索引：索引和切片
未上传
03-9numpy非常重要的数组合并与拆分操作
未上传
04-1本章总览
未上传
04-2knn算法核心思想和原理
未上传
04-3knn分类任务代码实现
未上传
04-4数据集划分：训练集与预测集
未上传
04-5模型评价
未上传
04-6超参数
未上传
04-7特征归一化
未上传
04-8knn回归任务代码实现
未上传
04-9knn优缺点和适用条件
未上传
05-10复杂逻辑回归及代码实现
未上传
05-11线性算法优缺点和适用条件
未上传
05-1本章总览
未上传
05-2线性回归核心思想和原理
未上传
05-3逻辑回归核心思想和原理
未上传
05-4线性回归代码实现
未上传
05-5模型评价：mse、rmse、mae和r方
未上传
05-6多项式回归代码实现
未上传
05-7逻辑回归算法
未上传
05-8线性逻辑回归代码实现
未上传
05-9多分类策略
未上传
06-10lasso和岭回归代码实现
未上传
06-11模型泛化
未上传
06-12评价指标：混淆矩阵、精准率和召回率
未上传
06-13评价指标：roc曲线
未上传
06-1本章总览
未上传
06-2损失函数
未上传
06-3梯度下降
未上传
06-4决策边界
未上传
06-5过拟合与欠拟合
未上传
06-6学习曲线
未上传
06-7交叉验证
未上传
06-8模型误差
未上传
06-9正则化
未上传
07-1本章总览
未上传
07-2决策树核心思想和原理
未上传
07-3信息熵
未上传
07-4决策树分类任务代码实现
未上传
07-5基尼系数
未上传
07-6决策树剪枝
未上传
07-7决策树回归任务代码实现
未上传
07-8决策树优缺点和适用条件
未上传
08-1本章总览
未上传
08-2神经网络核心思想和原理
未上传
08-3激活函数
未上传
08-4正向传播与反向传播
未上传
08-5梯度下降优化算法
未上传
08-6神经网络简单代码实现
未上传
08-7梯度消失和梯度爆炸
未上传
08-8模型选择
未上传
08-9神经网络优缺点和适用条件
未上传
09-10svm优缺点和适用条件
未上传
09-1本章总览
未上传
09-2svm核心思想和原理
未上传
09-3硬间隔svm
未上传
09-4svm软间隔
未上传
09-5线性svm分类任务代码实现
未上传
09-6非线性svm：核技巧
未上传
09-7svm核函数
未上传
09-8非线性svm代码实现
未上传
09-9svm回归任务代码实现
未上传
10-1本章总览
未上传
10-2贝叶斯方法核心思想和原理
未上传
10-3朴素贝叶斯分类
未上传
10-4朴素贝叶斯的代码实现
未上传
10-5多项式朴素贝叶斯代码实现
未上传
10-6贝叶斯方法优缺点和适用条件
未上传
11-1本章总览
未上传
11-2集成学习核心思想和原理
未上传
11-3集成学习代码实现
未上传
11-4并行策略：bagging、oob等方法
未上传
11-5并行策略：随机森林
未上传
11-6串行策略：boosting
未上传
11-7结合策略：stacking方法
未上传
11-8集成学习优缺点和适用条件
未上传
12-1本章总览
未上传
12-2聚类算法核心思想和原理
未上传
12-3k-means和分层聚类
未上传
12-4聚类算法代码实现
未上传
12-5聚类评估代码实现
未上传
12-6聚类算法优缺点和适用条件
未上传
13-1本章总览
未上传
13-2pca核心思想和原理
未上传
13-3pca求解算法
未上传
13-4pca算法代码实现
未上传
13-5降维任务代码实现
未上传
13-6pca在数据降噪中的应用
未上传
13-7pca在人脸识别中的应用
未上传
13-8主成分分析优缺点和适用条件
未上传
14-1本章总览
未上传
14-2概率图模型核心思想和原理
未上传
14-3em算法参数估计
未上传
14-4隐马尔可夫模型代码实现
未上传
14-5概率图模型优缺点和适用条件
未上传
15-1本章总览
未上传
15-2泰坦尼克生还预测
未上传
15-3房价预测
未上传
15-4交易反欺诈代码实现
未上传
15-5如何深入研究机器学习
未上传
1_10-1-基于模型的强化学习核心思想和原理
未上传
1_11-1模仿学习
未上传
1_1-1-课程内容和理念
未上传
1_12-1-项目实战：gym游戏
未上传
1_2-1-线性代数
未上传
1_3-1-cuda+anaconda深度学习环境配置
未上传
1_4-1-序列建模与概率图模型
未上传
1_5-1-动态回归核心思想和原理
未上传
1_6-1-蒙特卡洛方法
未上传
1_7-1-深度q网络核心思想和原理
未上传
1_8-1-策略梯度核心思想和原理
未上传
1_9-1-演员评论家算法核心思想和原理
未上传
2_10-2-dyna-q算法
未上传
2_11-2-博弈论与强化学习
未上传
2_12-2-项目实战：大模型rlhf
未上传
2_1-2-认识强化学习
未上传
2_2-2-微积分
未上传
2_3-2-conda使用命令
未上传
2_4-2-马尔可夫观测过程：学会“看”
未上传
2_5-2-策略迭代
未上传
2_6-2-时序差分方法
未上传
2_7-2-dqn-代码实现
未上传
2_8-2-蒙特卡洛策略梯度
未上传
2_9-2-改进型演员评论家算法
未上传
3_10-3-dyna-q算法代码实现
未上传
3_11-3-多智能体强化学习
未上传
3_12-3-强化学习最新发展趋势
未上传
3_1-3-课程使用的技术栈
未上传
3_2-3-概率
未上传
3_3-3-jupyter-notebook快速上手
未上传
3_4-3-马尔可夫决策过程：试着-“干”
未上传
3_5-3-价值迭代
未上传
3_6-3-蒙特卡洛方法和时序差分代码实现
未上传
3_7-3-常见问题改进和扩展
未上传
3_8-3-策略梯度方法代码实现
未上传
3_9-3-演员评论家算法代码实现
未上传
4_10-4-基于模型的策略优化
未上传
4_11-4-maddp的代码实现
未上传
4_12-4-下一步的学习建议
未上传
4_3-4-仿真环境gym安装
未上传
4_4-4-马尔可夫奖励过程：懂得“想”
未上传
4_5-4-动态规划代码实现
未上传
4_6-4-广义策略迭代
未上传
4_7-4-dqn改进算法代码实现
未上传
4_8-4-近端策略优化算法
未上传
4_9-4-深度确定性策略梯度
未上传
5_10-5-mbpo的代码实现
未上传
5_11-5-alphastar系统
未上传
5_3-5-深度学习库pytorch的安装
未上传
5_4-5-贝尔曼方程：迭代求解价值函数
未上传
5_6-5-q-learning算法
未上传
5_8-5-近端策略优化（ppo）代码实现
未上传
5_9-5-ddpg算法代码实现
未上传
6_11-6-基于人类反馈大强化学习
未上传
6_4-6-模型分类与选择
未上传
6_6-6-sarsa算法
未上传
6_9-6-软性演员评论家算法
未上传
7_4-7-常见问题解析
未上传
7_6-7-q-learning&sarsa代码实现
未上传
7_9-7-sac代码实现
未上传
8_4-8-马尔可夫过程代码实现
未上传
001.1-1 课程内容和理念
未上传
002.1-2 初识深度学习
未上传
003.1-3 课程使用的技术栈
未上传
004.2-1 线性代数
未上传
005.2-2 微积分
未上传
006.2-3 概率
未上传
007.3-1 cuda+anaconda深度学习环境搭建
未上传
008.3-2 conda实用命令
未上传
009.3-3 jupyter notebook快速上手
未上传
010.3-4 深度学习库pytorch安装
未上传
011.4-1 神经网络原理
未上传
012.4-2 多层感知机
未上传
013.4-3 前向传播和反向传播
未上传
014.4-4 多层感知机代码实现
未上传
015.4-5 回归问题
未上传
016.4-6 线性回归代码实现
未上传
017.4-7 分类问题
未上传
018.4-8 多分类问题代码实现
未上传
019.5-1 训练的常见问题
未上传
020.5-2 过拟合欠拟合应对策略
未上传
021.5-3 过拟合和欠拟合示例
未上传
022.5-4 正则化
未上传
023.5-5 dropout
未上传
024.5-6 dropout代码实现
未上传
025.5-7 梯度消失和梯度爆炸
未上传
026.5-8 模型文件的读写
未上传
027.6-1 最优化与深度学习
未上传
028.6-2 损失函数
未上传
029.6-3 损失函数性质
未上传
030.6-4 梯度下降
未上传
031.6-5 随机梯度下降法
未上传
032.6-6 小批量梯度下降法
未上传
033.6-7 动量法
未上传
034.6-8 adagrad算法
未上传
035.6-9 rmsprop_adadelta算法
未上传
036.6-10 adam算法
未上传
037.6-11 梯度下降代码实现
未上传
038.6-12 学习率调节器
未上传
039.7-1 全连接层问题
未上传
040.7-2 图像卷积
未上传
041.7-3 卷积层
未上传
042.7-4 卷积层常见操作
未上传
043.7-5 池化层pooling
未上传
044.7-6 卷积神经网络代码实现（lenet）
未上传
045.8-1 alexnet
未上传
046.8-2 vggnet
未上传
047.8-3 批量规范化
未上传
048.8-4 googlenet
未上传
049.8-5 resnet
未上传
050.8-6 densenet
未上传
051.9-1 序列建模
未上传
052.9-2 文本数据预处理
未上传
053.9-3 循环神经网络
未上传
054.9-4 随时间反向传播算法
未上传
055.9-5 循环神经网络代码实现
未上传
056.9-6 rnn的长期依赖问题
未上传
057.10-1 深度循环神经网络
未上传
058.10-2 双向循环神经网络
未上传
059.10-3 门控循环单元
未上传
060.10-4 长短期记忆网络
未上传
061.10-5 复杂循环神经网络代码实现
未上传
062.10-6 编码器-解码器网络
未上传
063.10-7 序列到序列模型代码实现
未上传
064.10-8 束搜索算法
未上传
065.10-9 机器翻译简单代码实现
未上传
066.11-1 什么是注意力机制
未上传
067.11-2 注意力的计算
未上传
068.11-3 键值对注意力和多头注意力
未上传
069.11-4 自注意力机制
未上传
070.11-5 注意力池化及代码实现
未上传
071.11-6 transformer模型
未上传
072.11-7 transformer代码实现
未上传
073.12-1bert模型
未上传
074.12-2 gpt系列模型
未上传
075.12-3 t5模型
未上传
076.12-4 vit模型
未上传
077.12-5 swin transformer模型
未上传
078.12-6 gpt模型代码实现
未上传
079.13-1 蒙特卡洛方法
未上传
080.13-2 变分推断
未上传
081.13-3 变分自编码器
未上传
082.13-4 生成对抗网络
未上传
083.13-5 diffusion扩散模型
未上传
084.13-6 图像生成
未上传
085.14-1 自定义数据加载
未上传
086.14-2 图像数据增强
未上传
087.14-3 迁移学习
未上传
088.14-4 经典视觉数据集
未上传
089.14-5 项目实战：猫狗大战
未上传
090.15-1 词嵌入和word2vec
未上传
091.15-2 词义搜索和句意表示
未上传
092.15-3 预训练模型
未上传
093.15-4 hugging face库介绍
未上传
094.15-5 经典nlp数据集
未上传
095.15-6 项目实战：电影评论情感分析
未上传
096.16-1 instructgpt模型
未上传
097.16-2 clip模型
未上传
098.16-3 dall-e模型
未上传
099.16-4 深度学习最新发展趋势分析
未上传
100.16-5 下一步学习的建议
未上传