【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:9：无监督机器学习任务与本质.mp4
• file:3：人工智能时代是发展的必然.mp4
• file:7：深度学习比传统机器学习有优势.mp4
• file:2：人工智能适合人群与必备技能.mp4
• file:6：机器学习不同的学习方式.mp4
• file:13：行向量列向量_转置_数乘_加减乘除.mp4
• file:14：向量的内积_向量运算法则.mp4
• file:12：向量的意义_n维欧式空间空间.mp4
• file:10：高阶导数_导数判断单调性_导数与极值.mp4
• file:11：导数判断凹凸性_导数用于泰勒展开.mp4
• file:28：补充关于正定负定的理解.mp4
• file:34：求解奇异值分解中的UΣV矩阵.mp4
• file:19：矩阵的运算_加减法_转置.mp4
• file:23：多元函数求偏导.mp4
• file:31：特征值分解.mp4
• file:25：雅可比矩阵_在神经网络中应用.mp4
• file:32：多元函数的泰勒展开_矩阵和向量的求导.mp4
• file:26：Hessian矩阵.mp4
• file:37：SVD用于协同过滤_求逆矩阵.mp4
• file:39：条件概率_贝叶斯公式.mp4
• file:18：矩阵_方阵_对称阵_单位阵_对角阵.mp4
• file:3：最优化知识_数学内容学习重点.mp4
• file:38：概率论_随机事件与随机事件概率.mp4
• file:15：学习向量计算的用途举例.mp4
• file:44：最大似然估计思想.mp4
• file:24：高阶偏导数_梯度.mp4
• file:27：二次型.mp4
• file:41：数学期望和方差.mp4
• file:47：SparkML机器学习库概念讲解.mp4
• file:53：SparkML网页分类案例代码实战续（2）.mp4
• file:45：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:37：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:41：使用逻辑回归和随机森林对股票Stock预测案例实战.mp4
• file:28：介绍SparkMLlib模块中实现的算法和调用.mp4
• file:19：Spark宽依赖和窄依赖_03.mp4
• file:16：Spark数据缓存机制.mp4
• file:26：讲解构建稀疏和稠密向量_01.mp4
• file:21：分布式文件系统Block块的大小配置.mp4
• file:27：构建LabeledPoint.mp4
• file:23：Spark程序启动运行流程详解_02.mp4
• file:7：分布式计算框架Shuffle的原理_03.mp4
• file:3：Spark对比hadoop优势.mp4
• file:4：回顾hadoop讲解shuffle.mp4
• file:15：Spark算子操作实战讲解_代码实战WordCount_04.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:8：经典的CNN架构和LeNet5.mp4
• file:7：池化的概念和TF中的API的操作与参数.mp4
• file:3：彩色图片卷积的计算.mp4
• file:4：卷积层权值共享.mp4
• file:1：回顾深度神经网络_卷积层是局部连接.mp4
• file:5：卷积的补充与Padding填充模式.mp4
• file:18：Optimizer_Adagrad_Adadelta_RMSprop.mp4
• file:9：AlexNet网络结构_连续使用小的卷积核好处.mp4
• file:17：Optimizer_SGD_Momentum.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:14：减轻梯度消失问题中激活函数发挥的作用.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:13：深度学习网络对应ACC准确率忽然下降的思考点.mp4
• file:10：Dropout技术点思想和运用.mp4
• file:12：CNN对MNIST数据集分类_全连接层以及训练代码.mp4
• file:23：InceptionV3_以及InceptionV3对皮肤癌图片识别.mp4
• file:22：InceptionV1_V2.mp4
• file:21：VGG16_Fine-tuning_对MNIST做手写数字识别.mp4
• file:26：DenseNet在Keras里面的代码实现.mp4
• file:27：BatchNormalization.mp4
• file:28：Mobilenet网络架构.mp4
• file:24：ResNet残差单元_BottlenetBlocK.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:38：FasterRCNN论文讲解_从RPN损失到评估指标对比.mp4
• file:35：FasterRNN的核心RPN_正向传播的框过滤_NMS.mp4
• file:36：NMS代码实现流程_mAP目标检测平均指标.mp4
• file:FasterR-CNNTowardsReal-TimeObjectDetectionwithRegionProposalNetworks.pdf
• file:34：回顾RCNN_SPPnet_Fast-RCNN.mp4
• file:29：图像识别任务_古典目标检测.mp4
• file:32：R-CNN和SPP-net.mp4
• file:31：IOU以及python计算的代码.mp4
• file:目标检测.pdf
• 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:40：归一化的副产品_有可能会提高模型的精度.mp4
• file:42：标准归一化.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:5：理解维度这个概念.mp4
• file:7：假设误差服从正太分布_最大似然估计MLE.mp4
• file:4：理解多元线性回归表达式几种写法的原因.mp4
• file:第一阶段_手把手教你透彻掌握线性回归算法.pdf
• file:9：明确目标通过最大总似然求解θ.mp4
• file:22：调用Scikit-learn中的多元线性回归求解模型(下).mp4
• file:20：Scikit-learn模块的介绍.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:3：扩展到多元线性回归.mp4
• file:2：最优解_损失函数_MSE.mp4
• file:8：引入正太分布的概率密度函数.mp4
• file:17：解析解的方式求解多元线性回归_数据Xy.mp4
• file:16：Pycharm创建脚本并测试python开发环境.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:15：Anaconda环境安装_Pycharm环境安装.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:14：Python开发环境版本的选择及下载.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:11：把目标函数按照线性代数的方式去表达.mp4
• file:56：实战保险花销预测_数据预处理.mp4
• file: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.mp4
• file:54：多项式升维代码实战_训练模型和评估.mp4
• file:51：代码调用ElasticNet回归.mp4
• file:26：梯度下降法迭代流程总结.mp4
• file:23：梯度下降法产生的目的和原因以及思想.mp4
• file:33：代码实现全量梯度下降第3步和第4步.mp4
• file:29：随机梯度下降_小批量梯度下降.mp4
• file:第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
• file:37：代码改进实现随着迭代增加动态调整学习率.mp4
• file:25：学习率设置的学问_全局最优解.mp4
• file:36：代码改进保证训练数据全都能被随机取到.mp4
• file:30：对应梯度下降法的问题和挑战.mp4
• file:27：多元线性回归下的梯度下降法.mp4
• file:46：常用的L1和L2正则项以及数学意义.mp4
• file:48：通过L1和L2的导函数理解区别的本质原因.mp4
• file:47：L1稀疏性和L2平滑性.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: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:51：代码实战_A3C_讲解线程中worker和环境交互.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:45：Pendulum环境_根据网络预测的μ和σ得到连续型的action值.mp4
• file:43：代码实战_详解Critic网络构建及训练.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:46：代码实战_A3C_讲解Coordinator调度多线程运算.mp4
• file:40：AdvantageActorCritic_共享参数和修改reward技巧.mp4
• file:39：ActorCritic原理_把PG和QLearning结合起来.mp4
• file:13：代码实战SarsaLambda_训练模型.mp4
• file:7：理解Q-table_创建maze交互环境.mp4
• file:5：蒙特卡洛和时序差分估算状态V值.mp4
• file:6：SARSA算法和Q-learning算法.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:3：详解Q值和V值以及它们之间关系.mp4
• file:65：DPPO分布式PPO.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:62：代码实战_PPO与环境整体交互_Actor与Critic网络构建.mp4
• file:59：PPO_通过重要性采样使得PPO可以做Off-Policy学习.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:58：PPO_强调AC如何输出连续型动作_区分On-Policy与Off-Policy.mp4
• file:55：代码实战_DDPG_Critic网络构建_Actor网络链式求导.mp4
• file:66：代码实战_DPPO_创建一个PPO和多个Worker_创建多线程.mp4
• file:57：TD3_使用DoubleNetwork优化DDPG.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: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: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:28：Rainbow_DQN如何计算连续型的Actions.mp4
• file:15：DQN算法具体流程.mp4
• file:24：DoubleDQN代码实战.mp4
• file:18：代码实战DQN_构建Q网络.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:22：DQN会over-estimate的本质原因.mp4
• file:27：计算Action的方差避免风险.mp4
• file:26：困难样本挖掘_Multi-step_NoiseyNet系统的探索.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: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:25：DuelingDQN.mp4
• file:16：ε-greedy_ReplayBuffer_FixedQ-targets.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: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:34：代码实战_策略梯度PG和CartPole交互.mp4
• file:31：策略梯度PG_简化导函数的公式推导.mp4
• file:37：策略梯度PG_对TotalReward进行均值归一化.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:23：python实现神经网络正向反向传播训练.mp4
• file: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.mp4
• file:21：反向传播推导(四)关于Δ和a还有梯度的更新事宜.mp4
• file:18：反向传播推导(一).mp4
• file:10：CUDA下载地址_CUDA显卡白名单地址.mp4
• file: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.mp4
• file:15：TF实现Softmax回归来识别MNIST手写数字.mp4
• file:12：Tensorflow代码运行机制_TF基础的代码.mp4
• file:11：CUDA安装_cudnn安装_环境变量配置_检验是否安装成功.mp4
• file:14：TF实现线性回归BGD的方式_使用Optimizer_每轮打乱数据.mp4
• file:5：隐藏层的意义_隐藏层相当于去做预处理_升维降维.mp4
• file:9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装.mp4
• file:6：多节点网络输出_sklearn中NN模块的介绍.mp4
• file:8：隐藏层激活函数必须是非线性的.mp4
• file:4：用神经网络理解Softmax回归.mp4
• file:7：sklearn中NN模型的代码使用.mp4
• file:1：神经网络是有监督的算法_生物神经元到人工神经元.mp4
• file: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.mp4
• file:2：三种常见的激活函数_网络拓扑介绍_优化算法.mp4
• file:24：PaddleNLP_物流信息提取项目介绍.mp4
• file:25：物流信息提取项目_解决导包显示找不到nul问题.mp4
• file:27：PaddleNLP_物流信息提取项目_进一步通过DataSet构建出DataLoader.mp4
• file: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.mp4
• file:3：PaddlePaddle求解线性模型.mp4
• file:2：Pycharm运行出现mkl-service或DLL找不到的问题.mp4
• file:5：预测波士顿房价_反向传播_模型保存_模型测试.mp4
• file:4：预测波士顿房价_数据读取_正向传播.mp4
• file:18：车牌识别项目_详解数据准备阶段代码.mp4
• file:20：车牌识别项目_车牌目标框检测模型训练.mp4
• file:19：车牌识别项目_运行保存标签和剪切出的车牌图片.mp4
• file:17：PaddleOCR_项目配置_CCPD数据集介绍.mp4
• file:11：安装配置VisualStudio_解决安装模块pycocotools或cython_bbox编译报错问题.mp4
• file:10：PaddleDetection_项目配置.mp4
• file:12：PCB电路板缺陷检测_Images和Annotations.mp4
• file:15：PCB电路板缺陷检测_模型训练.mp4
• file:34：PaddleNLP_物流信息提取项目_ERNIE实战_讲解ChunkEvaluator和输出预测结果.mp4
• file:6：预测病理性近视_图片数据读取.mp4
• file:8：预测病理性近视_定义模型结构_评估模型.mp4
• file:9：HMM预测问题使用前向算法.mp4
• file:14：Viterbi算法代码实现.mp4
• file:12：前向算法来解决概率计算问题.mp4
• file:7：HMM隐马的定义.mp4
• file:11：HMM复习_明确概率计算问题要解决的目标.mp4
• file:8：HMM隐马的三组参数_三个基本问题.mp4
• file:NB_HMM.pdf
• file:1：朴素贝叶斯分类算法.mp4
• file:4：sklearn中调用NB_顺便讲解了GridSearchCV.mp4
• file:3：NB代码实现解析.mp4
• file:5：语言模型的设计目的_MLE的作用进行参数估计.mp4
• file:6：贝叶斯网络_马尔可夫链.mp4
• file:2：TF-IDF.mp4
• file:19：CRF的目标函数.mp4
• file:21：计算CRF所有可能路径的总分数.mp4
• file:22：通过模型来预测新的句子的序列标签.mp4
• file:18：EmissionScore_TransitionScore.mp4
• file:16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑.mp4
• file:15：NER与分词和POS的关系_NER的标注策略_NER的主要方法.mp4
• file:8：负采样和负采样应用到CBOW模型上.mp4
• file:6：Huffman树_分层Softmax的思想.mp4
• file:5：Skip-gram模型思想和计算过程.mp4
• file:3：词向量的作用.mp4
• file:1：N-gram语言模型.mp4
• file:Word2Vec.pdf
• file:23：ERNIE_GPT.mp4
• file:RNN_Attention机制.pdf
• file:19：Transformer_Self-Attention_Multi-head.mp4
• file:18：Seq2Seq中Attention注意力机制.mp4
• file:20：Transformer_Positional_使用逻辑_网络结构总结.mp4
• file:9：理解RNN循环神经网络拓扑结构.mp4
• file:15：LSTM的回顾复习_LSTM手写数字识别.mp4
• file:14：补充讲一下为什么RNN中链越长越容易梯度消失.mp4
• file:13：VanillaRNN的回顾复习.mp4
• file:17：RNN里面应用的Topology结构.mp4
• file:16：双向RNN_LSTM.mp4
• file:11：利用RNN循环神经网络对MNIST手写数字识别.mp4
• file:12：理解LSTM长短时记忆_记住Topo和公式.mp4
• file:16：YOLOv3代码剖析_model输出之后的预测框的计算.mp4
• file:14：YOLOv3代码剖析_项目介绍.mp4
• file:15：YOLOv3代码剖析_聚类anchors_构建backbone主干网络.mp4
• file:18：YOLOv3代码剖析_weights到h5模型的转换.mp4
• file:21：YOLOv4_BOF_GIoU_DIoU_CIoU.mp4
• file:23：YOLOv4_BOS_SAM_PAN_CSP_CmBN.mp4
• file:20：YOLOv4_BOF_DropBlock_FocalLoss.mp4
• file:4：YOLOv1论文详解_NMS_局限性.mp4
• file:3：YOLOv1论文详解_训练中的技巧_Loss损失函数.mp4
• file:9：YOLOv3论文详解_每个框都要预测多个类别概率.mp4
• file:10：YOLOv3论文详解_引入了FPN的思想特征融合_多路输出_DarkNet53.mp4
• file:6：YOLOv2论文详解_mAP更better的一些点.mp4
• file:7：YOLOv2论文详解_Darknet19_分类数据和检测数据集融合_多标签.mp4
• file:5：YOLOv2论文详解_BN_高分辨率_引入AnchorBoxes.mp4
• file:8：YOLOv2论文详解_层级分类_层级分类用于目标检测.mp4
• file:3：Pycharm关联PyTorch运行环境.mp4
• file:2：PyTorch的安装.mp4
• file:12：PyTorch实战CIFAR10_分类别打印模型准确率.mp4
• file:15：使用VGG16模型提供准确率.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:14：使用集成学习思想训练识别模型.mp4
• file:13：使用全局平均池化_使用LeNet模型.mp4
• file:18：PyTorch代码实战加入数据增强.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:5：Tensor的创建.mp4
• file:8：归并操作_比较操作_矩阵操作.mp4
• file:7：广播机制_逐元素操作.mp4
• file:26：PyTorch中英文翻译_构建训练函数之Encoder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:23：PyTorch中英文翻译_规范化语料库_构建中英文词典索引.mp4
• file:30：PyTorch中英文翻译_绘制Attentions注意力权重.mp4
• file:29：实时在线推荐列表计算逻辑代码讲解.mp4
• file:37：Dubbo推荐服务演示_SparkMLlib介绍.mp4
• file:32：使用Dubbo将推荐系统做成服务.mp4
• file:26：推荐模型文件使用思路.mp4
• file:27：Redis数据库安装及其使用.mp4
• file:7：推荐系统架构_实时_离线.mp4
• file:9：推荐系统列表_关联特征权重_基本特征权重的计算.mp4
• file:20：spark构建特征索引_标签列.mp4
• file:17：HQL语句_python脚本构建中间结果_4.mp4
• file:22：MLlib调用算法计算模型文件并存储.mp4
• file:25：ACC准确率和AUC面积的计算以及意义.mp4
• file:21：调整数据权重让权重正确率达到50%.mp4
• file:22：Adaboost如何调整样本权重和求基模型权重.mp4
• file:20：Adaboost算法思路.mp4
• file:19：OOB袋外数据.mp4
• file:18：代码实战随机森林对鸢尾花数据集分类.mp4
• file:16：Bagging_Boosting_Stacking.mp4
• file:15：不同聚合方式_生成不同弱学习器方式.mp4
• file:36：GBDT多分类叶子节点分值计算.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:34：对比GBDT回归、二分类、多分类相同点与不同点.mp4
• file:30：GBDT中shrinkage学习率和最优树权重ρ可以共存.mp4
• file:31：GBDT应用于多分类任务.mp4
• file:42：GBDT在sklearn中源码剖析_初始化F(x).mp4
• file:29：GBDT二分类拟合的负梯度依然是残差.mp4
• file:39：计算特征重要度进行特征选择.mp4
• file:41：特征组合降维在GBDT+LR架构应用.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: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:45：GBDT+LR架构预测评估代码实现.mp4
• file:24：GBDT令每个弱学习器f(x)去拟合负梯度.mp4
• file:27：GBDT回归举例_总结.mp4
• file:61：样本权重对于模型学习的影响.mp4
• file:62：总结XGBoost的特性_包括缺失值的处理策略.mp4
• file:50：通过目标函数Obj来达到准确率和复杂度平衡.mp4
• file:60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率.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:52：得出XGBoost最开始的Obj目标函数.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:56：由每个叶子节点重组目标函数Obj.mp4
• file:47：Bias_Variance_Trade-off.mp4
• file:48：基于树集成学习4个优点.mp4
• file:46：回顾有监督机器学习三要素.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：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:51：Objective_vs_Heuristic.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
• folder:【百战程序员】AI算法工程师就业班 - 带源码课件
• folder:11-机器学习与大数据-海量数据挖掘工具
• folder:14-深度学习-图像识别原理
• folder:05、机器学习-线性回归
• folder:31、【加课】强化学习【新增】
• folder:25、【加课】百度飞桨PaddlePaddle实战【新增】
• folder:19-深度学习-NLP自然语言处理原理和进阶
• folder:16-深度学习-目标检测YOLO(V1-V4全版本)实战
• folder:24-【加课】Pytorch项目实战
• folder:01、人工智能基础-快速入门
• folder:03、人工智能基础-Python科学计算和可视化
• folder:27-【加课】算法与数据结构
• folder:26-【加课】Linux环境编程基础
• folder:21-深度学习-OCR文本识别
• folder:10、机器学习与大数据-Kaggle竞赛实战
• folder:章节3：Spark机器学习MLlib和ML模块
• folder:章节2：Spark计算框架深入
• folder:章节1：卷积神经网络原理
• 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3：归一化
• folder:章节1：多元线性回归
• folder:章节5：Lasso回归_Ridge回归_多项式回归
• folder:章节4：ActorCritic(A3C)
• folder:章节1：Q-Learning与SARSA算法
• folder:章节5：DDPG、PPO、DPPO算法
• folder:章节2：DeepQ-LearningNetwork
• folder:章节3：PolicyGradient策略梯度
• folder:章节3：反向传播推导_Python代码实现神经网络
• folder:章节2：TensorFlow深度学习工具
• folder:章节5：PaddleNLP模块_物流信息提取（BiGRU+CRF）
• folder:章节1：PaddlePaddle框架安装_波士顿房价预测
• folder:章节4：PaddleOCR工具_车牌识别（目标检测+CRNN+CTCLoss)
• folder:章节3：PaddleDetection工具_PCB电路板缺陷检测
• folder:章节4：ELMO_BERT_GPT
• folder:章节3：从Attention机制到Transformer
• folder:章节4：YOLOv3代码实战
• folder:章节1：PyTorch运行环境安装_运行环境测试
• folder:章节3：PyTorch卷积神经网络_实战CIFAR10
• folder:章节2：PyTorch基础_Tensor张量运算
• folder:章节5：PyTorch编码器解码器_机器翻译
• 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2：集成学习和随机森林
• folder:章节3：SVM支持向量机算法
• folder:章节2：Softmax回归
• folder:章节2：医疗图像UNet语义分割
• folder:章节1：上采样_双线性插值_转置卷积
• folder:章节3：蒙版弹幕MaskRCNN语义分割
• folder:章节5：实战NER命名实体识别项目
• folder:章节4：Seq2Seq聊天机器人
• folder:章节6：BERT新浪新闻10分类项目
• folder:章节2：自然语言处理--情感分析
• folder:章节2：Python基础语法
• folder:章节3：数据处理分析模块Pandas
• folder:章节1：科学计算模型Numpy
• folder:章节2：EM算法和GMM高斯混合模型
• folder:章节2：自然场景下的目标检测及源码分析
• folder:章节2：网页分类案例
• folder:代码