【百战程序员】AI算法工程师就业班 - 带源码课件夸克网盘资源_网盘资源_夸克网盘资源搜索_全盘搜

• file:课件.zip
• file:3：人工智能时代是发展的必然.mp4
• file:6：机器学习不同的学习方式.mp4
• file:9：无监督机器学习任务与本质.mp4
• file:2：人工智能适合人群与必备技能.mp4
• file:7：深度学习比传统机器学习有优势.mp4
• file:46：迭代求解的原因.mp4
• file:47：梯度下降法思路.mp4
• file:45：最优化的基本概念.mp4
• file:42：常用随机变量服从的分布.mp4
• file:15：学习向量计算的用途举例.mp4
• file:17：特殊的向量.mp4
• file:24：高阶偏导数_梯度.mp4
• file:29：特征值和特征向量(1).mp4
• file:16：向量的范数_范数与正则项的关系.mp4
• file:32：多元函数的泰勒展开_矩阵和向量的求导.mp4
• file:28：补充关于正定负定的理解.mp4
• file:2：线性代数_概率论知识点.mp4
• file:4：导数的定义_左导数和右导数.mp4
• file:19：矩阵的运算_加减法_转置.mp4
• file:25：雅可比矩阵_在神经网络中应用.mp4
• file:1：人工智能学习数学的必要性_微积分知识点.mp4
• file:26：Hessian矩阵.mp4
• file:20：矩阵相乘.mp4
• file:18：矩阵_方阵_对称阵_单位阵_对角阵.mp4
• file:6：常见函数的求导公式.mp4
• file:50：坐标下降法_数值优化面临的问题.mp4
• file:17：解析解的方式求解多元线性回归_数据Xy.mp4
• file: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.mp4
• file:第一阶段_手把手教你透彻掌握线性回归算法.pdf
• file:11：把目标函数按照线性代数的方式去表达.mp4
• file:1：理解简单线性回归.mp4
• file:21：调用Scikit-learn中的多元线性回归求解模型(上).mp4
• file:15：Anaconda环境安装_Pycharm环境安装.mp4
• file:12：推导出目标函数的导函数形式.mp4
• file:10：对数似然函数_推导出损失函数MSE.mp4
• file:14：Python开发环境版本的选择及下载.mp4
• file:16：Pycharm创建脚本并测试python开发环境.mp4
• file:13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4
• file:6：理解回归一词_中心极限定理_正太分布和做预测.mp4
• file:20：Scikit-learn模块的介绍.mp4
• file:2：最优解_损失函数_MSE.mp4
• file:4：理解多元线性回归表达式几种写法的原因.mp4
• file:7：假设误差服从正太分布_最大似然估计MLE.mp4
• file:8：引入正太分布的概率密度函数.mp4
• file:9：明确目标通过最大总似然求解θ.mp4
• file:35：代码实现小批量梯度下降.mp4
• file:36：代码改进保证训练数据全都能被随机取到.mp4
• file:31：轮次和批次.mp4
• file:30：对应梯度下降法的问题和挑战.mp4
• file:37：代码改进实现随着迭代增加动态调整学习率.mp4
• file:27：多元线性回归下的梯度下降法.mp4
• file:第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
• file:23：梯度下降法产生的目的和原因以及思想.mp4
• file:25：学习率设置的学问_全局最优解.mp4
• file:46：常用的L1和L2正则项以及数学意义.mp4
• file:43：代码完成标准归一化.mp4
• file:48：通过L1和L2的导函数理解区别的本质原因.mp4
• file:45：正则化通过损失函数加入惩罚项使得W越小越好.mp4
• file:44：正则化的目的防止过拟合.mp4
• file:47：L1稀疏性和L2平滑性.mp4
• file:40：归一化的副产品_有可能会提高模型的精度.mp4
• file: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.mp4
• file:38：归一化的目的_维度之间数量级不同产生的矛盾.mp4
• file:60：实战保险花销预测_模型训练和评估.mp4
• file:52：升维的意义_多项式回归.mp4
• file:51：代码调用ElasticNet回归.mp4
• file:54：多项式升维代码实战_训练模型和评估.mp4
• file:47：SVM的SMO实现读取数据和计算fx与Ei.mp4
• file:52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4
• file:39：SVM算法流程总结.mp4
• file: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.mp4
• file:49：SVM的SMO实现应用公式计算alphas和b.mp4
• file:50：SVM绘制已有数据点和超平面以及边界.mp4
• file:51：关于sklearn中的SVM封装的类和超参.mp4
• file:53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4
• file:44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp4
• file: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.mp4
• file:42：对一元函数求极值点_推导出旧的α和新的α的关系.mp4
• file: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.mp4
• file:45：启发式选择两个α.mp4
• file:21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4
• file: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.mp4
• file: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.mp4
• file: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.mp4
• file:24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4
• file: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.mp4
• file:18：从广义线性回归的η推导出来Softmax的公式.mp4
• file:17：证明多项式分布属于指数族分布一种.mp4
• file:23：实战音乐分类器_讲解需求和读取数据.mp4
• file: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.mp4
• file: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.mp4
• file:9：绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4
• file: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.mp4
• file:6：推导逻辑回归损失函数_得到总似然的公式.mp4
• file:4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4
• file: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.mp4
• file:16：实战逻辑回归对鸢尾花数据集进行多分类.mp4
• file:第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf
• file:12：对逻辑回归函数进行求导_结论在后面会用到.mp4
• file:13：对逻辑回归的损失函数求导_推导出导函数的形式.mp4
• file:15：OneVsRest将多分类问题转化成多个二分类问题.mp4
• file:1：逻辑回归_Sigmoid函数.mp4
• file: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.mp4
• file:34：硬间隔SVM的两步优化.mp4
• file:33：数学预备知识_拉格朗日函数.mp4
• file:38：SVM在sklearn中的使用_超参数.mp4
• file:32：几种SVM_SVM的损失函数.mp4
• file:SVM算法.pdf
• file:30：SVM与感知机关系_几何距离与函数距离.mp4
• file:7：每一个阶段每个分支的Loss损失_整合每个分支的Loss.mp4
• file:13：FaceNet论文_相关的介绍.mp4
• file:17：FaceNet论文_ZF和Inception对比_总结.mp4
• file:2：开源的FaceNet项目介绍.mp4
• file:4：MTCNN论文_摘要和介绍.mp4
• file:15：FaceNet论文_TripleLoss损失函数.mp4
• file:3：人脸识别项目代码整体结构.mp4
• file:6：PRelu_每阶段输出多分支意义.mp4
• file:10：人脸识别项目代码_加载MTCNN模型.mp4
• file:9：总结MTCNN_缩放因子_注意3阶段网络里面的全连接.mp4
• file:8：训练数据的准备_每一阶段训练的流程.mp4
• file:19：人脸识别项目代码_人脸匹配以及最后的绘图展示.mp4
• file:1：人脸识别任务种类_具体做法思路.mp4
• file:29：BiLSTM-CRF模型的预测代码.mp4
• file:27：feature进入BiLSTM进行正向传播的过程.mp4
• file:24：回顾了一下CRF训练和使用过程.mp4
• file:26：NER代码读取数据和预处理.mp4
• file:30：CRF中的特征函数们.mp4
• file:31：对比逻辑回归_相比HMM优势.mp4
• file:32：补充标注偏置问题_HMM做分词代码结构.mp4
• file:28：通过CRF层来计算Loss损失以及训练.mp4
• file:25：介绍了代码目录结构.mp4
• file:17：MultiRNNCell单元.mp4
• file: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.mp4
• file:18：AI写唐诗_从词嵌入到构建RNN再到输出层概率输出.mp4
• file:15：AI写唐诗_数据的读取_字典的构建_文本的索引化.mp4
• file:16：AI写唐诗_训练数据的构建.mp4
• file:20：AI写唐诗_模型的使用_增加随机性.mp4
• file:34：GPT2闲聊机器人.mp4
• file:33：BERT新浪新闻10分类项目.mp4
• file:23：Seq2Seq版Chatbot训练和模型使用.mp4
• file:21：从AI写唐诗到Seq2Seq再到Encoder-Decoder.mp4
• file:12：代码讲解_03.mp4
• file:8：数据预处理_01.mp4
• file:7：Keras实战RNN以及词嵌入来做情感分析.mp4
• file:5：Word2Vec项目代码_评估比较相似度_最后的训练绘图.mp4
• file:1：回顾了词向量里面训练的Topology.mp4
• file:6：Word2Vec项目代码_总结串讲.mp4
• file:4：Word2Vec项目代码_正向传播的Graph构建_NCE损失的计算本质.mp4
• file:FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf
• file:37：FasterRCNN论文讲解_从介绍到RPN的loss.mp4
• file:34：回顾RCNN_SPPnet_Fast-RCNN.mp4
• file:36：NMS代码实现流程_mAP目标检测平均指标.mp4
• file:35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4
• file:26：DenseNet在Keras里面的代码实现.mp4
• file:27：BatchNormalization.mp4
• file:22：InceptionV1_V2.mp4
• file:21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp4
• file:24：ResNet残差单元_BottlenetBlocK.mp4
• file:23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4
• file:20：Keras介绍_以及不同项目调用不同的python环境和CUDA环境.mp4
• file:28：Mobilenet网络架构.mp4
• file:32：R-CNN和SPP-net.mp4
• file:31：IOU以及python计算的代码.mp4
• file:33：从FastRCNN引入FasterRCNN.mp4
• file:30：使用OpenCV调用分类器找到目标框.mp4
• file:29：图像识别任务_古典目标检测.mp4
• file:2：单通道卷积的计算.mp4
• file:8：经典的CNN架构和LeNet5.mp4
• file:6：卷积的计算TF中的API操作与参数.mp4
• file:4：卷积层权值共享.mp4
• file:5：卷积的补充与Padding填充模式.mp4
• file:1：回顾深度神经网络_卷积层是局部连接.mp4
• file:18：Optimizer_Adagrad_Adadelta_RMSprop.mp4
• file:16：VGG网络结构_以及1乘1的卷积核的作用和好处.mp4
• file:10：Dropout技术点思想和运用.mp4
• file:11：数据增强技术点_CNN对MNIST数据集分类_卷积池化代码.mp4
• file:14：减轻梯度消失问题中激活函数发挥的作用.mp4
• file:19：Optimizer_Adam.mp4
• file:9：AlexNet网络结构_连续使用小的卷积核好处.mp4
• file:12：CNN对MNIST数据集分类_全连接层以及训练代码.mp4
• file:13：深度学习网络对应ACC准确率忽然下降的思考点.mp4
• file:2：决策树的数学表达.mp4
• file:4：什么是更好的一次划分.mp4
• file:13：CCP代价复杂度后剪枝.mp4
• file:11：代码训练回归树拟合SineWave.mp4
• file:5：Gini系数.mp4
• file:10：绘制决策树模型_寻找最优树深度.mp4
• file:8：预剪枝以及相关超参数.mp4
• file:7：熵与Gini系数关系_信息增益率.mp4
• file:3：如何构建一颗决策树.mp4
• file:22：Adaboost如何调整样本权重和求基模型权重.mp4
• file:21：调整数据权重让权重正确率达到50%.mp4
• file:20：Adaboost算法思路.mp4
• file:15：不同聚合方式_生成不同弱学习器方式.mp4
• file:16：Bagging_Boosting_Stacking.mp4
• file:19：OOB袋外数据.mp4
• file:38：GBDT多分类举例详解.mp4
• file:35：GBDT二分类叶子节点分值计算推导.mp4
• file:40：GBDT用于特征组合降维.mp4
• file:25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树.mp4
• file:23：GBDT试图使用有监督最优化算法梯度下降求解F(x).mp4
• file:42：GBDT在sklearn中源码剖析_初始化F(x).mp4
• file:44：GBDT+LR架构训练模型代码实现.mp4
• file:41：特征组合降维在GBDT+LR架构应用.mp4
• file:32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度.mp4
• file:29：GBDT二分类拟合的负梯度依然是残差.mp4
• file:30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• file:24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4
• file:39：计算特征重要度进行特征选择.mp4
• file:34：对比GBDT回归、二分类、多分类相同点与不同点.mp4
• file:53：推导XGBoost对Loss二阶泰勒展开之后的Obj.mp4
• file:49：回顾基于树集成学习的模型和参数并举例说明.mp4
• file:60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.mp4
• file:51：Objective_vs_Heuristic.mp4
• file:46：回顾有监督机器学习三要素.mp4
• file:59：举例说明从连续型和离散型变量中寻找最佳分裂条件.mp4
• file:56：由每个叶子节点重组目标函数Obj.mp4
• file:62：总结XGBoost的特性_包括缺失值的处理策略.mp4
• file:57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj.mp4
• file:55：重新定义树ft和树的复杂度Ω.mp4
• file:58：根据Obj收益指导每一次分裂从而学习一棵树结构.mp4
• file:48：基于树集成学习4个优点.mp4
• file:61：样本权重对于模型学习的影响.mp4
• file:52：得出XGBoost最开始的Obj目标函数.mp4
• file:50：通过目标函数Obj来达到准确率和复杂度平衡.mp4
• file:47：Bias_Variance_Trade-off.mp4
• file:54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi.mp4
• file:59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.mp4
• file:65：DPPO分布式PPO.mp4
• file:62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4
• file: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.mp4
• file: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.mp4
• file: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.mp4
• file:66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4
• file:55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4
• file:57：TD3_使用DoubleNetwork优化DDPG.mp4
• file:58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4
• file:63：代码实战_定义PPO1和PPO2不同版本Actor的Loss计算逻辑.mp4
• file: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.mp4
• file:61：PPO_PPO1、TRPO、PPO2三种不同的方式解决两个分布不同的问题.mp4
• file: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.mp4
• file:41：代码实战_ActorCritic与环境交互.mp4
• file:40：AdvantageActorCritic_共享参数和修改reward技巧.mp4
• file: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.mp4
• file:52：代码实战_A3C_讲解线程中worker和GlobalNet交互_代码运行效果展示.mp4
• file:46：代码实战_A3C_讲解Coordinator调度多线程运算.mp4
• file:39：ActorCritic原理_把PG和QLearning结合起来.mp4
• file:45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4
• file:50：代码实战_A3C_结合流程图分三点总结前面讲的代码.mp4
• file: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.mp4
• file:44：A3C架构和训练流程.mp4
• file: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.mp4
• file:13：代码实战SarsaLambda_训练模型.mp4
• file:3：详解Q值和V值以及它们之间关系.mp4
• file:4：蒙特卡洛采样回溯计算V值.mp4
• file:2：引入马尔科夫链和价值评估的Q值与V值.mp4
• file:9：代码实战Q-Learning智能体选择行为.mp4
• file:11：代码实战Sarsa_Agent和Env整体交互.mp4
• file:1：强化学习通过智能体与环境交互进行学习.mp4
• file:6：SARSA算法和Q-learning算法.mp4
• file:7：理解Q-table_创建maze交互环境.mp4
• file: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.mp4
• file:33：策略梯度PG_讲解CartPole环境.mp4
• file:37：策略梯度PG_对TotalReward进行均值归一化.mp4
• file:30：策略梯度PG_明确目标函数和导函数.mp4
• file:36：代码实战_策略梯度PG选择行为和参数训练.mp4
• file:32：策略梯度PG_总结整体流程_对比交叉熵损失函数求导.mp4
• file:29：策略梯度PG_对比基于值和基于策略网络的区别.mp4
• file:19：代码实战DQN_定义损失函数_构建Target网络更新逻辑.mp4
• file:20：代码实战DQN_训练阶段得到Q网络的预测值和真实值.mp4
• file:15：DQN算法具体流程.mp4
• file:18：代码实战DQN_构建Q网络.mp4
• file:26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.mp4
• file:22：DQN会over-estimate的本质原因.mp4
• file: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.mp4
• file:25：DuelingDQN.mp4
• file:24：DoubleDQN代码实战.mp4
• file:16：ε-greedy_ReplayBuffer_FixedQ-targets.mp4
• file:28：Rainbow_DQN如何计算连续型的Actions.mp4
• file:27：计算Action的方差避免风险.mp4
• file:2：PyTorch的安装.mp4
• file:4：Jupyter关联PyTorch运行环境.mp4
• file:22：PyTorch词性标注_测试模型效果.mp4
• file:20：PyTorch词性标注_构建词嵌入层LSTM层和词性输出层.mp4
• file:18：PyTorch代码实战加入数据增强.mp4
• file:13：使用全局平均池化_使用LeNet模型.mp4
• file:15：使用VGG16模型提供准确率.mp4
• file:14：使用集成学习思想训练识别模型.mp4
• file:12：PyTorch实战CIFAR10_分类别打印模型准确率.mp4
• file:17：迁移学习_PyTorch代码实战冻结预训练模型参数.mp4
• file:16：torchvision里面的预训练模型.mp4
• file:28：PyTorch中英文翻译_构建训练函数之Decoder计算.mp4
• file:25：PyTorch中英文翻译_索引化数据_转化成Tensor张量_构建Encoder编码器.mp4
• file:30：PyTorch中英文翻译_绘制Attentions注意力权重.mp4
• file:23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4
• file:6：修改Tensor的形状_索引操作.mp4
• file:7：广播机制_逐元素操作.mp4
• file:8：归并操作_比较操作_矩阵操作.mp4
• file:27：Redis数据库安装及其使用.mp4
• file:26：推荐模型文件使用思路.mp4
• file:28：实时在线推荐列表计算逻辑代码讲解.mp4
• file:32：使用Dubbo将推荐系统做成服务.mp4
• file:36：Dubbo推荐服务演示_SparkMLlib介绍.mp4
• file:1：推荐系统_隐式用户反馈.mp4
• file:10：推荐系统列表_关联特征权重_基本特征权重的计算.mp4
• file:18：推荐系统_数据预处理_spark构建特征索引_标签列.mp4
• file:25：ACC准确率和AUC面积的计算以及意义.mp4
• file:16：HQL语句_python脚本构建中间结果.mp4
• file:23：MLlib调用算法计算模型文件并存储.mp4
• file:52：SparkML网页分类案例代码实战续（2）.mp4
• file:36：SparkMLlib调用KMeans聚类_调用决策树(1).mp4
• file:31：SparkMLlib调用逻辑回归_自定义阈值.mp4
• file:40：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4
• file:47：SparkML机器学习库概念讲解.mp4
• file:44：模型的训练以及评估和调超参.mp4
• file:42：从数据转化到训练集的构建.mp4
• file:4：回顾hadoop讲解shuffle.mp4
• file:9：Spark的RDD特性_02.mp4
• file:14：Spark算子操作实战讲解_代码实战WordCount_03.mp4
• file:6：分布式计算框架Shuffle的原理_02.mp4
• file:3：Spark对比hadoop优势.mp4
• file:11：两种算子操作本质区别.mp4
• file:10：分布式计算所需进程.mp4
• file:28：介绍SparkMLlib模块中实现的算法和调用.mp4
• file:16：Spark数据缓存机制.mp4
• file:27：构建LabeledPoint.mp4
• file:21：分布式文件系统Block块的大小配置.mp4
• file:22：Spark程序启动运行流程详解_01.mp4
• file:25：讲解构建稀疏和稠密向量_01.mp4
• folder:【百战程序员】AI算法工程师就业班 - 带源码课件
• folder:05、机器学习-线性回归
• folder:18-深度学习-人脸识别项目实战
• folder:31、【加课】强化学习【新增】
• folder:24-【加课】Pytorch项目实战
• folder:12-机器学习与大数据-推荐系统项目实战
• folder:03、人工智能基础-Python科学计算和可视化
• folder:26-【加课】Linux环境编程基础
• folder:16-深度学习-目标检测YOLO(V1-V4全版本)实战
• folder:25、【加课】百度飞桨PaddlePaddle实战【新增】
• folder:21-深度学习-OCR文本识别
• folder:27-【加课】算法与数据结构
• folder:19-深度学习-NLP自然语言处理原理和进阶
• folder:01、人工智能基础-快速入门
• folder:章节1：多元线性回归
• folder:章节2：梯度下降法
• folder:章节5：Lasso回归_Ridge回归_多项式回归
• folder:章节2：Softmax回归
• folder:章节3：SVM支持向量机算法
• folder:章节5：实战NER命名实体识别项目
• folder:章节7：GPT2聊天机器人
• folder:章节2：自然语言处理--情感分析
• folder:章节5：现代目标检测之FasterRCNN
• folder:章节4：古典目标检测
• folder:章节1：卷积神经网络原理
• folder:章节2：集成学习和随机森林
• folder:章节5：DDPG、PPO、DPPO算法
• folder:章节4：ActorCritic(A3C)
• folder:章节1：Q-Learning与SARSA算法
• folder:章节3：PolicyGradient策略梯度
• folder:章节2：DeepQ-LearningNetwork
• folder:章节1：PyTorch运行环境安装_运行环境测试
• folder:章节4：PyTorch循环神经网络_词性标注
• folder:章节2：PyTorch基础_Tensor张量运算
• folder:章节3：推荐系统--模型使用和推荐服务
• folder:章节2：推荐系统--数据预处理和模型构建评估实战
• folder:章节3：Spark机器学习MLlib和ML模块
• folder:章节1：Spark计算框架基础
• folder:章节1：科学计算模型Numpy
• folder:章节3：数据处理分析模块Pandas
• folder:章节2：EM算法和GMM高斯混合模型
• folder:章节2：YOLOv2详解
• folder:章节6：PaddleNLP模块_物流信息提取（ERNIE版）
• folder:章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
• folder:章节1：PaddlePaddle框架安装_波士顿房价预测
• folder:章节3：PaddleDetection工具_PCB电路板缺陷检测
• folder:章节3：图像风格迁移
• folder:章节2：自然场景下的目标检测及源码分析
• folder:章节1：Python开发环境搭建
• folder:章节2：医疗图像UNet语义分割
• folder:章节3：蒙版弹幕MaskRCNN语义分割
• folder:章节1：上采样_双线性插值_转置卷积
• folder:章节1：药店销量预测案例
• folder:章节2：TensorFlow深度学习工具
• folder:章节3：反向传播推导_Python代码实现神经网络
• folder:章节4：ELMO_BERT_GPT
• folder:章节3：从Attention机制到Transformer