投稿

不讲废话！北大教授花198小时整理出来的人工智能【机器学习+深度学习】教程，全程干货无废话，学不会自我反省！

5.2万

133

2023-04-20 22:06:42

正在缓冲...

感谢三连支持！准备了人工智能学习大礼包含： 1：人工智能详细学习路线图 2：Python数据分析与机器学习书（代表作） 3：机器学习算法+深度学习神经网络基础教程 4：计算机视觉论文合集 5：论文指导，职业规划和技术问题解答需要的评论区cue我！

计算机技术

贝叶斯算法

IT教学发消息

1.人工智能概述

08:24

2、人工智能发展历程

04:56

3、人工智能主要分支

11:44

4、人工智能必备三要素

07:51

5、人工智能工作流程概述

10:00

6、数据集的介绍

13:07

7、特征工程介绍.

10:12

8、机器学习算法分类

20:55

9、分类模型评估介绍

04:05

10、回归模型评估和拟合问题

08:00

11、azure平台实验演示

24:26

12、深度学习简介

06:58

13、机器学习基础环境库的安装

03:43

14、jupytermarkdown功能演示

08:31

15、matplotlin基本简介

11:58

16、基础绘图功能演示--图像保存,x,y轴刻度,添加网格

23:56

17、多次plot和显示图例

09:32

18、多个坐标系显示图像

13:05

19、折线图的应用场景

05:48

20、今日总结

11:26

21、昨日复习

15:49

22、常见图形绘制

19:22

23、numpy基本介绍

14:31

24、ndarray介绍

13:29

25、生成数组

13:54

26、正态分布和均匀分布

23:00

27、切片和形状修改

13:34

28、类型修改和数组去重

08:51

29、ndarray运算

19:59

30、矩阵介绍1

05:35

31、矩阵介绍2

14:05

32、数组间运算

16:35

33、昨日复习_1

20:27

34、昨日复习_2

17:29

35、案例_电影数据分析2

19:42

36、索引操作

13:09

37、赋值和排序.

11:06

38、算术运算和逻辑运算

12:46

39、统计运算

13:38

40、自定义函数运算

04:24

41、pandas画图

03:44

42、csv文件读取和存储.

08:20

43、hdf,json数据的读取和存储.

16:39

44、缺失值的判断

09:34

45、缺失值删除和替换

08:45

46、缺失值不是NaN的处理情况

07:22

47、pandas介绍和DataFrame使用

33:39

48、数据离散化

20:59

49、数据合并

11:56

50、交叉表和透视表

15:29

51、今日总结

10:48

52、分组和聚合

16:40

53、今日总结

09:21

54、科学计算库三天内容复习

20:03

55、电影数据分析案例

15:59

56、昨日复习

25:08

57、knn算法总结

07:40

58、k近邻算法简介

12:50

59、交叉验证

14:34

60、k近邻算的初步使用

16:58

61、网格搜索.

16:50

62、facebook案例预测流程分析

20:49

63、距离度量1

06:59

64、距离度量2

11:03

65、距离度量3

17:46

66、k值的选择

08:13

67、kd树构造

29:06

68、kd树搜索1

05:59

69、kd树搜索2

04:06

70、数据集介绍

16:47

71、鸢尾花数据可视化

14:52

72、数据集划分

12:18

73、特征预处理

20:58

74、鸢尾花案例实现

13:06

75、今日总结

11:17

76、zxds

17:05

77、线性回归简介

09:09

78、线性回归api初步使用

06:11

79、数学求导复习1

02:25

80、数学求导复习2

04:45

81、线性回归损失和正规方程推导1

21:24

82、正规方程推导2

07:13

83、昨日复习

20:55

84、梯度下降法案例介绍.

12:29

85、梯度下降法初步简介

22:44

86、梯度下降法介绍

14:29

87、正规方程api使用.

13:33

88、今日总结

08:48

89、欠拟合过拟合简介

23:14

90、岭回归和lasso回归

08:30

91、弹性网络和early stopping

07:20

92、岭回归案例实现

10:25

93、模型保存和加载

11:55

94、逻辑回归介

23:08

95、逻辑回归案例实现

33:55

96、精确率和召回率介绍

06:45

97、roc和auc案例实现

12:35

98、精确率和召回率api实现

09:01

99、roc曲线绘制1

07:11

1、机器学习和深度学习的介绍

13:03

2、神经元和神经网路ode介绍

11:57

3.3. 3 感知机和多层神经网路的介绍

21:11

4.4. 4 激活函数和神经网络思想

30:22

5.5. 1 pytorch的安装方法

03:57

6.6. 2 pytorch的入门操作（一）

33:28

7.7. 3 pytorch的入门操作（二）

20:24

8.8. 4 上午回顾 Tensor和tensor的区别

25:49

9.9. 5 pytorch的入门操作（三）

13:24

10.10. 1 梯度下降和梯度的介绍

19:03

11.11. 2 梯度下降的过程

27:25

12.12. 3 pytorch中反向传播和梯度计算的方法

23:30

13.13. 4 手动实现线性回归

20:20

14.14. 5 小结

16:31

15.15. 6 知识点回归

13:24

16.16. 4 PytorchAPI的使用

27:39

17.17. 5 在GPU上执行程序

15:19

18.18. 6 常见的优化算法

33:07

19.19. 1 数据集类的使用

07:58

20.20. 2 数据加载器类的使用

14:22

21.21. 3 pytorch中自带数据的使用介绍

06:11

22.22. 4 mnist手写数字加载的示例

04:15

23.23. 5 torchvision中transforms方法的使用

19:10

24.24. 1 手写数字识别

26:49

25.25. 2 损失函数的学习

10:57

26.26. 3 模型的训练保存

19:39

27.27. 4 模型的评估

24:50

28.28. 5 循环神经网络基础

19:54

29.29. 6 word embedding的理解

08:04

30.30. 7 文本情感分类数据的准备

41:03

31.31. 8 小结

09:54

32.32. 1 复习

13:12

33.33. 2 collate fn的实现

07:37

34.34. 3 文本序列化的方法

37:10

35.35. 4 ws的保存

16:56

36.36. 5 基础模型的构建

18:49

37.37. 1 RNN结果的介绍

15:00

38.38. 2 rnn不同类型的介绍

05:38

39.39. 3 LSTM的GRU的学习

32:22

40.40. 4 上午内容回顾

05:58

41.41. 5 LSTM api的介绍

44:53

42.42. 6 LSTM的使用示例

16:48

43.43. 7 文本情感分类模型的修改

42:44

44.44. 8 梯度爆炸和梯度消失

08:40

45.45. 9 pytorch的序列化容器

10:06

46.46. 10 总结

07:06

47.47. 2 聊天机器人的介绍

25:21

48.48. 3 企业中聊天机器人的介绍

19:07

49.49. 4 项目流程介绍

12:28

50.50. 5 项目环境的准备

03:00

51.51. 6 词典的准备

18:06

52.52. 7 停用词的准备

03:33

53.53. 8 相似问题的准备

18:07

54.54. 9 分词api的实现

31:12

55.55. 1 文本分类的介绍

10:26

56.56. 2 fasttext和介绍

09:22

57.57. 3 分类语料的准备

32:07

58.58. 4 分类模型的准备

19:27

59.59. 5 模型的评估

10:49

60.60. 6 模型的封装的介绍

08:36

61.61. 7 fasttext原理介绍

16:57

62.62. 8 .小结

03:43

63.63. 1 .复习

04:44

64.64. 2 分类模型的封装

33:12

66.66. 4 层次化的softmax和负采样

21:47

67.67. 5 seq2seq原理的认识

12:20

68.68. 6 seq2seq案例流程介绍

04:16

69.69. 7 案例数据集的准备

28:38

70.70. 8 准备数据集

29:43

71.71. 9 编码器的完成

31:23

72.72. 10 解码器的介绍

24:17

73.73. 11 解码器的流程

24:20

74.74. 12 模型的训练（一）

18:24

75.75. 13 模型的训练（二）

25:51

76.76. 14 总结

05:12

77.77. 15 复习

33:52

78.78. 16 seq2seq demo完成模型评估

38:28

79.79. 17 seq2seq模型小结

11:34

80.80. 18 teacher forcing的介绍

21:47

81.81. 19 闲聊机器人准备语料

51:07

82.82. 20 闲聊机器人的文本序列化

16:55

83.83. 21 dataset的准备

18:37

84.84. 22 seq2seq模型的搭建

39:37

85.85. 1 attention的介绍

21:25

86.86. 2 attention的分类介绍

24:58

87.87. 3 attention weight的计算的结果

43:04

88.88. 4 小结

08:45

89.89. 5 复习

56:10

90.90. 6 attention的实现

21:24

91.91. 7 解码的过程中使用attention

14:00

92.92. 8 模型的评估

28:50

93.93. 1 beam search的介绍

26:13

94.94. 2 beam search的实现

13:00

95.95. 3 模型的优化方法

10:45

96.96. 4 chatbot的封装

02:47

97.97. 1 问答机器人的介绍

09:32

98.98. 2 召回的介绍

12:40

99.99. 3 使用tfidf实现召回

57:52

100.100. 4 pysparnn的原理

08:43

顶部