人工智能精品进阶课

本课程详细讲解了python语法和数据科学库Numpy, Pandas, Matplotlib, Seaborn,，机器学习中的线性回归，逻辑回归，决策树，聚类

* 第一章 Python基础与数据科学库(新）/

* Python快速入门/

* 1-Python环境配置

* 2-Python库安装工具

* 3-Notebook工具使用

* 4-Python简介

* 5-Python数值运算

* 6-Python字符串操作

* 7-1-索引结构

* 7-2-List基础结构

* 8-List核心操作

* 9-字典基础定义

* 10-字典的核心操作

* 11-Set结构

* 12-赋值机制

* 13-判断结构

* 14-循环结构

* 15-函数定义

* 16-模块与包

* 17-异常处理模块

* 18-文件操作

* 19-类的基本定义

* 20-类的属性操作

* 21-时间操作

* 22-Python练习题-1

* 23-Python练习题-2

* 24-Python练习题-3

* 25-Python练习题-4

* 科学计算库-Numpy（课程资料请在此处下载）/

* 1--Numpy概述

* 2--Array数组

* 3--数组结构

* 4--数组类型

* 5--数值运算

* 6--排序操作

* 7--数组形状操作

* 8--数组生成函数

* 9--常用生成函数

* 10--四则运算

* 11--随机模块

* 12--文件读写

* 13--数组保存

* 14--练习题-1

* 15--练习题-2

* 16--练习题-3

* 17-练习题-4

* 数据分析处理库Pandas/

* 1--Pandas概述

* 2--Pandas基本操作

* 3--Pandas索引

* 4--groupby操作

* 5--数值运算

* 6-对象操作

* 7-对象操作2

* 8-merge操作

* 9-显示设置

* 10-数据透视表

* 11-时间操作

* 12-时间序列操作

* 13-Pandas常用操作

* 14-Pandas常用操作2

* 15-Groupby操作延伸

* 16-字符串操作

* 17-索引进阶

* 18-Pandas绘图操作

* 19-大数据处理技巧

* 可视化库Matplotlib/

* 1-Matplotlib概述

* 2-子图与标注

* 3-风格设置

* 4-条形图

* 5-条形图细节

* 6-条形图外观

* 7-盒图绘制

* 8-盒图细节

* 9-绘图细节设置

* 10-绘图细节设置2

* 11-直方图与散点图

* 12-3D图绘制

* 13-pie图

* 14-子图布局

* 15-结合pandas与sklearn

* 可视化库Seaborn/

* 1-课程简介

* 2-整体布局风格设置

* 3-调色板

* 4-风格细节设置

* 5-调色板颜色设置

* 6-单变量分析绘图

* 7-回归分析绘图

* 8-多变量分析绘图

* 9-分类属性绘图

* 10-Facetgrid使用方法

* 11-Facetgrid绘制多变量

* 12-热度图绘制

* 第二章机器学习入门篇/

* 算法：线性回归算法/

* 1-线性回归算法概述

* 2-误差项分析

* 3-似然函数求解

* 4-目标函数推导

* 5-线性回归求解

* 1-梯度下降原理

* 2-梯度下降方法对比

* 3-学习率对结果的影响

* 算法：逻辑回归算法/

* 1-逻辑回归算法原理推导

* 2-逻辑回归求解

* 案例：Python实现逻辑回归与梯度下降/

* 1-案例实战：Python实现逻辑回归任务概述

* 2-案例实战：完成梯度下降模块

* 3-案例实战：停止策略与梯度下降案例

* 4-案例实战：实验对比效果

* 案例实战-信用卡欺诈检测/

* 1-案例背景和目标

* 2-样本不均衡解决方案

* 3-下采样策略

* 4-交叉验证

* 5-模型评估方法

* 6-正则化惩罚

* 7-逻辑回归模型

* 8-混淆矩阵

* 9-逻辑回归阈值对结果的影响

* 10-SMOTE样本生成策略

* 第三章机器学习入门篇2/

* 算法：决策树/

* 1-决策树原理概述

* 2-衡量标准-熵

* 3-决策树构造实例

* 4-信息增益率

* 5-决策树剪枝策略

* 决策树Sklearn实例/

* 1-案例：决策树复习

* 2-案例：决策树涉及参数

* 3-案例：树可视化与sklearn库简介

* 4-案例：sklearn参数选择

* 算法：随机森林与集成算法/

* 1-集成算法-随机森林

* 2-特征重要性衡量

* 3-提升模型

* 4-堆叠模型

* 集成算法实例/

* 1-集成算法实例概述

* 2-ROC与AUC指标

* 3-基础模型

* 4-集成实例

* 5-Stacking模型

* 6-效果改进

* 算法：贝叶斯算法/

* 1-贝叶斯算法概述

* 2-贝叶斯推导实例

* 3-贝叶斯拼写纠错实例

* 4-垃圾邮件过滤实例

* 5-贝叶斯实现拼写检查器

* 案例：Python文本数据分析/

* 1-文本分析与关键词提取

* 2-相似度计算

* 3-新闻数据与任务简介

* 4-TF-IDF关键词提取

* 5-LDA建模

* 6-基于贝叶斯算法进行新闻分类

* 算法：KMEANS聚类/

* 1-KMEANS算法概述

* 2-KMEANS工作流程

* 3-KMEANS迭代可视化展示

* 算法：DBSCAN聚类/

* 1-DBSCAN聚类算法

* 2-DBSCAN工作流程

* 3-DBSCAN可视化展示

* 案例：聚类实践/

* 1-多种聚类算法概述

* 2-聚类案例实战

* 案例：Python实现线性判别分析/

* 1-线性判别分析要解决的问题

* 2-线性判别分析要优化的目标

* 3-线性判别分析求解

* 1-实现线性判别分析进行降维任务

* 2-求解得出降维结果

* 算法：PCA主成分分析/

* 1-PCA降维概述

* 2-PCA要优化的目标

* 3-PCA求解

* 案例：Python实现PCA主成分分析/

* 1-PCA降维实例

* 第四章机器学习提升篇/

* 算法：EM算法/

* 1-EM算法要解决的问题

* 2-隐变量问题

* 3-EM算法求解实例

* 4-Jensen不等式

* 5-GMM模型

* 案例：GMM聚类实践/

* 1-GMM实例

* 2-GMM聚类

* 算法：推荐系统/

* 0-开场

* 1-推荐系统应用

* 2-推荐系统要完成的任务

* 3-相似度计算

* 4-基于用户的协同过滤

* 5-基于物品的协同过滤

* 6-隐语义模型

* 7-隐语义模型求解

* 8-模型评估标准

* 案例：推荐系统实践/

* 1-Surprise库与数据简介

* 2-Surprise库使用方法

* 3-得出推荐商品结果

* 算法：线性支持向量机/

* 1-支持向量机要解决的问题

* 2-距离与数据的定义

* 3-目标函数

* 4-目标函数求解

* 5-SVM求解实例

* 6-支持向量的作用

* 案例：SVM实践/

* 1-sklearn求解支持向量机

* 2-SVM参数选择

* 非线性支持向量机/

* 1-软间隔问题

* 2-SVM核变换

* 算法：时间序列AIRMA模型/

* 1-数据平稳性与差分法

* 2-ARIMA模型

* 3-相关函数评估方法

* 4-建立ARIMA模型

* 5-参数选择

* 案例：时间序列预测任务/

* 1-Pandas生成时间序列

* 2-Pandas数据重采样

* 3-Pandas滑动窗口

* 4-股票预测案例

* 5-使用tsfresh库进行分类任务

* 6-维基百科词条EDA

* 算法：Xgboost提升算法/

* 1-Xgboost算法概述

* 2-Xgboost模型构造

* 3-Xgboost建模衡量标准

* 案例：Xgboost调参实例/

* 1-Xgboost安装

* 2-保险赔偿任务概述

* 3-Xgboost参数定义

* 4-基础模型定义

* 5-树结构对结果的影响

* 6-学习率与采样对结果的影响

* 机器学习套路与BenchMark/

* 1-HTTP检测任务与数据挖掘的核心

* 2-论文的重要程度

* 3-BenchMark概述

* 4-BenchMark的作用

* 案例：探索性数据分析-农粮数据分析/

* 农业-1数据背景简介

* 农业-2数据切片分析

* 农业-3单变量分析

* 农业-4峰度与偏度

* 农业-5数据对数变换

* 农业-6数据分析维度

* 农业-7变量关系可视化展示

* 第五章数据挖掘篇/

* 泰坦尼克号获救预测/

* 1-数据挖掘任务流程

* 2-数据介绍

* 3-Python兵器库介绍

* 4-sklearn库介绍

* 5-数据读取与统计分析

* 6-性别特征分析

* 7-船舱等级特征分析

* 8-缺失值问题

* 9-年龄特征缺失值填充与分析

* 10-登船地点特征分析

* 11-家庭特征分析

* 12-特征相关性

* 13-构建特征

* 14-机器学习算法概述

* 15-交叉验证

* 16-多种机器学习算法模型效果

* 17-集成模块

* 18-特征重要性衡量

* 19-总结与特征预处理

* 用户画像/

* 1-用户画像概述

* 2-如何建立用户画像

* 3-用户搜索数据介绍

* 4-任务概述与方案

* 5-构造词向量特征

* 6-构造输入特征

* 7-建立预测模型

* kaggle数据科学/

* 1-kaggle数据科学调查介绍

* 2-基本情况可视化展示

* 3-工资情况

* 4-技能使用情况

* 5-数据集与平台

* 6-python和r哪家强

* 7-调查总结

* Xgboost实战/

* 1-Xgboost算法概述

* 2-Xgboost模型构造

* 3-Xgboost建模衡量标准

* 4-Xgboost安装

* 5-保险赔偿任务概述

* 6-Xgboost参数定义

* 7-基础模型定义

* 8-树结构对结果的影响

* 9-学习率与采样对结果的影响

* 京东购买预测/

* 1-项目与数据介绍

* 2-数据挖掘流程

* 3-数据检查

* 4-构建用户特征表单

* 5-构建商品特征表单

* 6-数据探索概述

* 7-购买因素分析

* 8-特征工程

* 9-基本特征构造

* 房价预测/

* 1-房价预测任务概述

* 2-离散形数据

* 3-数据对数变换

* 4-缺失值处理与box-cox变换

* 5-模型预测

* 第六章深度学习必备原理与实战/

* 算法：深度学习概述与计算机视觉挑战/

* 1-深度学习概述

* 2-挑战与常规套路

* 3-用K近邻来进行分类

* 4-超参数与交叉验证

* 算法：深度学习必备基础知识点/

* 1-线性分类

* 2-损失函数

* 3-正则化惩罚项

* 4-softmax分类器

* 算法：最优化与反向传播/

* 1-最优化形象解读

* 2-最优化问题细节

* 3-反向传播

* 算法：神经网络整体架构/

* 1-整体架构

* 2-实例演示

* 3-过拟合解决方案

* 案例：案例实战CIFAR图像分类任务/

* 1-神经网络案例-cifar分类任务

* 2-神经网络案例-分模块构造神经网络

* 3-神经网络案例-训练神经网络完成分类任务

* 4-神经网络架构-感受神经网络的强大

* 第七章深度学习必备原理与实战2/

* 算法：自然语言处理-word2vec/

* 0-开篇

* 1-自然语言处理与深度学习

* 2-语言模型

* 3-N-gram模型

* 4-词向量

* 5-神经网络模型

* 6-Hierarchical Softmax

* 7-CBOW模型实例

* 8-CBOW求解目标

* 9-锑度上升求解

* 10-负采样模型

* 案例：Gensim中文词向量建模/

* 1-使用Gensim库构造词向量

* 2-维基百科中文数据处理

* 3-Gensim构造word2vec模型

* 4-测试模型相似度结果

* 案例：使用word2vec进行分类任务/

* 1-影评情感分类

* 2-基于词袋模型训练分类器

* 3-准备word2vec输入数据

* 4-使用gensim构建word2vec词向量

* 算法：卷积神经网络基本原理/

* 1-卷积神经网络的应用

* 2-卷积层解释

* 3-卷积计算过程

* 算法：卷积参数详解/

* 1-pading与stride

* 2-卷积参数共享

* 3-池化层原理

* 案例：案例实战CNN网络/

* 1-卷积池化反向传播

* 2-卷积网络代码1

* 3-卷积网络代码2

* 第八章深度学习必备原理与实战3/

* 算法：网络模型训练技巧/

* 1-数据增强策略

* 2-TransferLearning

* 3-巧妙设计神经网络

* 算法：经典网络架构与物体检测任务/

* 1-经典网络架构

* 2-分类与回归任务

* 3-三代物体检测算法

* 框架：深度学习框架Tensorflow基本操作/

* 1-Tensorflow简介

* 2-Tensorflow安装

* 3-基本计算单元-变量

* 4- 常用基本操作

* 框架：Tensorflow框架构造回归模型/

* 1-构造线性回归模型

* 2-Mnist数据集简介

* 3-逻辑回归框架

* 4-迭代完成逻辑回归模型

* 框架：Tensorflow神经网络模型/

* 1-神经网络模型架构

* 2-训练神经网络

* 框架：Tensorflow构建CNN网络/

* 1-卷积神经网络模型架构

* 2-卷积神经网络模型参数

* 3-模型的保存和读取

* 框架：Tensorflow构建RNN网络/

* 1-使用RNN处理Mnist数据集

* 2-RNN网络模型

* 3-训练RNN网络

* 框架：Tensorflow加载训练好的模型/

* 1-加载训练好的VGG网络模型

* 2-使用VGG模型进行测试

* 项目：深度学习项目实战-验证码识别/

* 1-验证码数据生成

* 2-构造网络的输入数据和标签

* 3-卷积网络模型定义

* 4-迭代及测试网络效果

* 第九章深度学习必备原理与实战4/

* 框架：深度学习框架Caffe网络配置/

* 1-CAFFE简介

* 2-网络配置文件-数据层

* 3-网络配置文件-计算层

* 4-超参数solver文件

* 框架：Caffe制作数据源/

* 1-制作LMDB数据源

* 2-多label问题之HDF5数据源

* 框架：Caffe框架小技巧/

* 1-使用命令行训练网络

* 2-使用python定义自己的层

* 3-绘制网络结构图

* 框架：Caffe框架常用工具/

* 1-生成网络配置文件

* 2-对训练的网络模型绘制LOSS曲线

* 3-对训练结果进行分类任务

* 第十章 tensorflow2版本/

* tensorflow安装与简介/

* 0-课程简介

* 1-Tensorflow2版本简介与心得

* 2-Tensorflow2版本安装方法

* 3-tf基础操作

* 神经网络原理解读与整体架构/

* 1-深度学习要解决的问题

* 2-深度学习应用领域

* 3-计算机视觉任务

* 4-视觉任务中遇到的问题

* 5-得分函数

* 6-损失函数的作用

* 7-前向传播整体流程

* 8-返向传播计算方法

* 9-神经网络整体架构

* 10-神经网络架构细节

* 11-神经元个数对结果的影响

* 12-正则化与激活函数

* 13-神经网络过拟合解决方法

* 搭建神经网络进行分类与回归任务/

* 1-任务目标与数据集简介

* 2-建模流程与API文档

* 3-网络模型训练

* 4-模型超参数调节与预测结果展示

* 5-分类模型构建

* 6-tf.data模块解读

* 7-模型保存与读取实例

* 卷积神经网络原理与参数解读/

* 1-卷积神经网络应用领域

* 2-卷积的作用

* 3-卷积特征值计算方法

* 4-得到特征图表示

* 5-步长与卷积核大小对结果的影响

* 6-边缘填充方法

* 7-特征图尺寸计算与参数共享

* 8-池化层的作用

* 9-整体网络架构

* 10-VGG网络架构

* 11-残差网络Resnet

* 12-感受野的作用

* 猫狗识别实战/

* 1-猫狗识别任务与数据简介

* 2-卷积网络涉及参数解读

* 3-网络架构配置

* 4-卷积模型训练与识别效果展示

* 图像数据增强实例/

* 1-数据增强概述

* 2-图像数据变换

* 3-猫狗识别任务数据增强实例

* 训练策略-迁移学习实战/

* 1-迁移学习的目标

* 2-迁移学习策略

* 3-Resnet原理

* 3-加载训练好的经典网络模型

* 4-Callback模块与迁移学习实例

* 5-tfrecords数据源制作方法

* 6-图像数据处理实例

* 递归神经网络与词向量原理解读/

* 0-RNN网络架构解读

* 1-词向量模型通俗解释

* 2-模型整体框架

* 3-训练数据构建

* 4-CBOW与Skip-gram模型

* 5-负采样方案

* 基于TensorFlow实现word2vec/

* 1-任务流程解读

* 2-模型定义参数设置

* 3-文本词预处理操作

* 4-训练batch数据制作

* 5-损失函数定义与训练结果展示

* 基于RNN模型进行文本分类任务/

* 1-任务目标与数据介绍

* 2-RNN模型输入数据维度解读

* 3-数据映射表制作

* 4-embedding层向量制作

* 5-数据生成器构造

* 6-双向RNN模型定义

* 7-自定义网络模型架构

* 8-训练策略指定

* 9-训练文本分类模型

* 将CNN网络应用于文本分类实战/

* 1-CNN应用于文本任务原理解析

* 2-整体流程解读

* 3-网络架构设计与训练

* 时间序列预测/

* 1-任务目标与数据源

* 2-构建时间序列数据

* 3-训练时间序列数据预测结果

* 4-多特征预测结果

* 5-序列结果预测

* 自然语言处理通用框架BERT原理解读/

* BERT课程简介

* 1-BERT任务目标概述

* 2-传统解决方案遇到的问题

* 3-注意力机制的作用

* 4-self-attention计算方法

* 5-特征分配与softmax机制

* 6-Multi-head的作用

* 7-位置编码与多层堆叠

* 8-transformer整体架构梳理

* 9-BERT模型训练方法

* 10-训练实例

* 谷歌开源项目BERT源码解读与应用实例/

* 1-BERT开源项目简介

* 2-项目参数配置

* 3-数据读取模块

* 4-数据预处理模块

* tfrecord制作

* 6-Embedding层的作用

* 7-加入额外编码特征

* 8-加入位置编码特征

* 9-mask机制

* 10-构建QKV矩阵

* 11-完成Transformer模块构建

* 12-训练BERT模型

* 对抗生成网络实战/

* 1-对抗生成网络通俗解释

* 2-GAN网络组成

* 3-DCGAN网络架构与流程解读

* 4-网络架构设计

* 5-损失函数定义与训练

* 基于CycleGan开源项目实战图像合成/

* 1-CycleGan网络所需数据

* 2-CycleGan整体网络架构

* 3-PatchGan判别网络原理

* 1-数据与环境配置

* 2-生成与判别器损失函数定义

* 3-整体损失模块解读

* 4-Cycle开源项目简介

* 5-数据读取与预处理操作

* 6-生成网络模块构造

* 7-判别网络模块构造

* 8-损失函数：identity loss计算方法

* 9-生成与判别损失函数指定

* 10-额外补充：VISDOM可视化配置

* 经典网络架构Resnet实战/

* 1-额外补充-Resnet论文解读

* 2-额外补充-Resnet网络架构解读

* 3-项目结构概述

* 4-数据集处理方法

* 5-训练数据构建

* 6-网络架构层次解读

* 7-前向传播配置

* 8-训练resnet模型

* 第十一章深度学习项目实战/

* 项目实战：人脸检测数据源制作与网络训练（基于Caffe）/

* 0-项目概述

* 1-数据获取

* 2-正负样本数据裁剪

* 3-TXT数据制作

* 4-LMDB脚本文件

* 5-制作LMDB数据源

* 6-网络配置文件

* 7-超参数和训练网络

* 项目实战：实现人脸检测（基于Caffe）/

* 1-检测框架

* 2-scale变换和预处理

* 3-坐标变换

* 4-NMS完成代码

* 5-测试效果及改进

* 6-矫正过程

* 7-如何提高精度

* 8-项目总结

* 项目实战：关键点检测第一阶段网络训练（基于Caffe）/

* 0-人脸关键点算法概述

* 1-多标签数据源制作及其坐标转换

* 2-对数据进行增强

* 3-完成第一阶段数据源制作

* 4-第一阶段网络训练

* 项目实战：关键点检测第二阶段模型实现（基于Caffe）/

* 1-第二三阶段数据源制作

* 2-第二三阶段网络模型训练

* 3-网络模型参数初始化

* 4-完成全部测试结果

* 5-人脸关键点检测效果

* 6-项目总结分析

* 7-算法框架分析

* 第十二章深度学习项目实战2/

* 项目实战：对抗生成网络（基于Tensorflow）/

* 1-对抗生成网络原理概述

* 2-GAN网络结构定义

* 3-Gan迭代生成

* 4-DCGAN网络特性

* 5-DCGAN训练

* 项目实战：LSTM情感分析（基于Tensorflow）/

* 1-RNN网络架构

* 2-LSTM网络架构

* 3-案例：使用LSTM进行情感分类

* 4-情感数据集处理

* 5-基于word2vec的LSTM模型

* 项目实战：强化学习基础（基于Tensorflow）/

* 1-强化学习概念（开场）

* 2-强化学习基本概念

* 3-马尔科夫决策过程

* 4-Bellman方程

* 5-值迭代求解

* 6-完成值迭代代码

* 7-求解流程详解

* 8-QLearning基本原理

* 9-QLearning迭代计算实例

* 10-QLearning效果演示

* 项目实战：DQN让AI自己玩游戏（基于Tensorflow）/

* 1-DeepQnetwork原理

* 2-DQN网络细节

* 3-DQN网络参数配置

* 4-搭建DQN网络模型

* 5-卷积操作定义

* 6-数据预处理

* 7-实验阶段数据存储

* 8-实现训练模块

* 9-Debug解读训练代码

* 10-完整代码流程分析

* 11-DQN效果演示

* 项目实战：机器人写唐诗（基于Tensorflow）/

* 0-开场_RNN

* 1-递归神经网络（RNN）概述

* 2-RNN网络细节

* 3-LSTM网络架构

* 4-任务概述与环境配置

* 5-参数配置

* 6-数据预处理模块

* 7-batch数据制作

* 8-RNN模型定义

* 9-完成训练模块

* 10-训练唐诗生成模型

* 11-测试唐诗生成效果

* 项目实战：文本分类任务解读与环境配置/

* 1-开场

* 2-数据任务简介

* 3-使用CNN进行文本分类原理

* 4-使用tensorflow配置参数

* 5-数据读取

* 6-数据切分

* 第十三章深度学习项目实战3/

* 项目实战：seq2seq序列生成模型解读（基于Tensorflow）/

* 0-开场_seq2seq

* 1-机器翻译技术发展

* 2-Seq2Seq网络基本架构

* 3-Seq2Seq网络应用

* 4-Attention机制

* 项目实战：seq2seq序列模型实战（基于Tensorflow）/

* 1-环境配置

* 2-数据预处理

* 3-编码层与词向量

* 4-完成解码模块

* 5-模型迭代

* 6-数据预处理

* 7-使用构建好的词向量模型

* 8-完成解码操作

* 9-任务总结

* 项目实战：style-transfer工作原理（基于Tensorflow）/

* 1-课程简介

* 2-style-transfer基本原理

* 3-风格生成网络结构原理

* 4-风格生成网络细节

* 5-风格转换效果

* 6-风格转换参数配置

* 7-数据读取操作

* 8-VGG体征提取网络结构

* 项目实战：style-transfer实战（基于Tensorflow）/

* 1-内容与风格特征提取

* 2-生成网络结构定义

* 3-生成网络计算操作

* 4-参数初始化

* 5-Content损失计算

* 6-Style损失计算

* 7-完成训练模块

* 8-模型保存与打印结果

* 9-完成测试代码

* 12306抢票实战/

* 31-【12306自动抢票】12306抢票流程分析

* 32-【12306自动抢票】登录12306功能完成

* 33-【12306自动抢票】准备好购票信息

* 34-【12306自动抢票】自动查询余票功能完成

* 35-【12306自动抢票】自动提交订单

* 第十四章 Tensorflow-图像处理/

* 对抗生成网络/

* 1-对抗生成网络原理概述

* 2-GAN网络结构定义

* 3-Gan迭代生成

* 4-DCGAN网络特性

* 5-DCGAN训练

* 风格转换/

* 0-style-transfer基本原理

* 1-风格生成网络结构原理

* 2-风格生成网络细节

* 3-风格转换效果展示

* 4-参数解释与配置

* 5-数据加载

* 6-特征提取网络

* 7-网络训练

* 8-视频与图像测试模块

* 高级API实例/

* 1-参数配置

* 2-estimator模块

* 3-estimator自定义

* 4-slim模块

* 5-estimator实例

* 6-estimator实例2

* 7-tensorflow常规模板

* 8-模板细节

* 9-tensorlayer

* 图像补全/

* 1-论文概述

* 2-网络架构

* 3-细节设计

* 4-论文总结

* 5-数据与项目概述

* 6-参数基本设计

* 7-网络结构配置

* 8-网络迭代训练

* 9-测试模块

* 超分辨率重构/

* 1-论文概述

* 2-网络架构

* 3-数据与环境配置

* 4-数据加载与配置

* 5-生成模块

* 6-判别模块

* 7-VGG特征提取网络

* 8-损失函数与训练

* 9-测试模块

* 第十五章 Tensorflow-自然语言处理/

* word2vec/

* 1-数据与任务流程

* 2-数据清洗

* 3-batch数据制作

* 4-网络训练

* 5-可视化展示

* LSTM情感分析/

* 1-RNN网络架构

* 2-LSTM网络架构

* 3-案例：使用LSTM进行情感分类

* 4-情感数据集处理

* 5-基于word2vec的LSTM模型

* 对话机器人/

* 1-效果演示

* 2-参数配置与数据加载

* 3-数据处理

* 4-词向量与投影

* 5-seq网络

* 6-网络训练

* NLP-相似度模型/

* 1-任务概述

* 2-数据展示

* 3-正负样本制作

* 4-数据预处理

* 5-网络模型定义

* 6-基于字符的训练

* 7-基于句子的相似度训练

* 行为识别/

* 1-任务概述

* 2-数据与网络设计

* 3-网络迭代训练

* 第十六章物体检测与机器翻译实战/

* Faster-rcnn物体检测/

* 三代算法-1-物体检测概述

* 三代算法-2-深度学习经典检测方法

* 三代算法-3-faster-rcnn概述

* 论文解读-1

* 论文解读-2-RPN网络结构

* 论文解读-3-损失函数定义

* 论文解读-4-网络细节

* 代码-1-环境配置概述

* 代码-2-项目配置

* 代码-3-数据加载

* 代码-4-数据变换

* 代码-5-完成数据读取

* 代码-6-特征提取VGG

* 代码-7-RPN层

* 代码-8-提取网络细节

* 代码-9-网络训练迭代

* Seq2Seq网络/

* 2-Seq2Seq网络基本架构

* 3-Seq2Seq网络应用

* 4-Attention机制

* 1-数据准备

* 2-网络结构概述

* 3-加载数据

* 4-训练测试模型

* 1-机器翻译框架概述

* 2-参数设置

* 3-数据加载

* 4-网络结构定义

* 5-训练模型

* 第十七章 Keras框架实战/

* 课程简介/

* 1-Keras项目实战课程概述

* 2-简介与安装

* 搭建神经网络-应用于自己的数据集/

* 1-训练自己的数据集整体流程

* 2-数据加载与预处理

* 3-搭建网络模型

* 4-学习率对结果的影响

* 5-Drop-out操作

* 6-权重初始化方法对比

* 7-初始化标准差对结果的影响

* 8-正则化对结果的影响

* 9-加载模型进行测试

* 再战卷积神经网络/

* 1-卷积层构造

* 2-整体流程

* 3-BatchNormalization效果

* 4-参数对比

* 5-网络测试效果

* LSTM时间序列预测任务/

* 1-时间序列模型

* 2-网络结构与参数定义

* 3-构建LSTM模型

* 4-训练模型与效果展示

* 5-多序列预测结果

* 6-股票数据预测

* 7-数据预处理

* 8-预测结果展示

* 文本分类实战/

* 1-文本数据读取预处理

* 2-基本模型

* 3-Embeeding-layer效果

* 4-准备词向量数据

* 5-词嵌入训练结果

* 6-加入LSTM层效果

* 7-加入卷积层效果

* 8-参数调优

* 多标签与多输出/

* 1-多标签解决方案

* 2-多标签网络训练与测试

* 3-多输出网络解决方案

* 4-多输出网络训练与测试

* 数据增强/

* DIY你的数据集

* 1-数据增强概述

* 2-图像数据变换

* 3-数据增强效果

* 对抗生成网络/

* 1-对抗生成网络通俗解释

* 2-GAN网络组成

* 3-判别网络设计

* 4-生成网络定义

* 5-标签制作

* 6-训练与测试网络模型

* 7-DCGAN网络

* 迁移学习/

* 1-迁移学习的目标

* 2-迁移学习策略

* 3-Resnet原理

* 4-Resnet网络细节

* 5-Resnet基本处理操作

* 6-shortcut模块

* 7-加载训练好的权重

* 8-迁移学习效果对比

* 地址邮编多序列任务/

* 1-数据与目标

* 2-字符表制作

* 3-数据读取

* 4-数据增强

* 5-网络模型

* 6-测试效果

* seq2seq网络实战/

* 网络模型解读

* 2-数据介绍与读取

* 3-配置文件制作

* 4-编码器模型

* 5-解码器模型

* 6-制作训练batch数据

* 7-测试数据准备

* 8-完成测试模块

* 实战模板总结/

* 1-模板目录结构

* 2-模型与训练结构

* 3-评论数据集与任务目标

* 4-数据准备

* 5-模型整体架构

* 6-准备模型

* 7-训练网络

* 8-多标签训练

* 第十八章 opencv实战/

* 课程简介与环境配置/

* 0-课程简介

* 1-Python与Opencv配置安装

* 2-Notebook与IDE环境

* 图像基本操作/

* 1-计算机眼中的图像

* 2-视频的读取与处理

* 3-ROI区域

* 4-边界填充

* 5-数值计算

* 阈值与平滑处理/

* 图像阈值

* 1-图像平滑处理

* 2-高斯与中值滤波

* 图像形态学操作/

* 1-腐蚀操作

* 2-膨胀操作

* 3-开运算与闭运算

* 4-梯度计算

* 5-礼帽与黑帽

* 图像梯度计算/

* 1-Sobel算子

* 2-梯度计算方法

* 3-scharr与lapkacian算子

* 边缘检测/

* 1-Canny边缘检测流程

* 2-非极大值抑制

* 3-边缘检测效果

* 图像金字塔与轮廓检测/

* 1-图像金字塔定义

* 2-金字塔制作方法

* 3-轮廓检测方法

* 4-轮廓检测结果

* 5-轮廓特征与近似

* 6-模板匹配方法

* 7-匹配效果展示

* 直方图与傅里叶变换/

* 1-直方图定义

* 2-均衡化原理

* 3-均衡化效果

* 4-傅里叶概述

* 5-频域变换结果

* 6-低通与高通滤波

* 项目实战-信用卡数字识别/

* 总体流程与方法讲解

* 2-环境配置与预处理

* 3-模板处理方法

* 4-输入数据处理方法

* 5-模板匹配得出识别结果

* 项目实战-文档扫描OCR识别/

* 1-整体流程演示

* 2-文档轮廓提取

* 3-原始与变换坐标计算

* 4-透视变换结果

* 5-tesseract-ocr安装配置

* 6-文档扫描识别效果

* 图像特征-harris/

* 1-角点检测基本原理

* 2-基本数学原理

* 3-求解化简

* 4-特征归属划分

* 5-opencv角点检测效果

* 图像特征-sift/

* 1-尺度空间定义

* 2-高斯差分金字塔

* 3-特征关键点定位

* 4-生成特征描述

* 5-特征向量生成

* 6-opencv中sift函数使用

* 案例实战-全景图像拼接/

* 1-特征匹配方法

* 2-RANSAC算法

* 3-图像拼接方法

* 4-流程解读

* 项目实战-停车场车位识别/

* 1-任务整体流程

* 2-所需数据介绍

* 3-图像数据预处理

* 4-车位直线检测

* 5-按列划分区域

* 6-车位区域划分

* 7-识别模型构建

* 8-基于视频的车位检测

* 项目实战-答题卡识别判卷/

* 1-整体流程与效果概述

* 2-预处理操作

* 3-填涂轮廓检测

* 4-选项判断识别

* 背景建模/

* 1-背景消除-帧差法

* 2-混合高斯模型

* 3-学习步骤

* 4-背景建模实战

* 光流估计/

* 1-基本概念

* 2-Lucas-Kanade算法

* 3-推导求解

* 4-光流估计实战

* Opencv的DNN模块/

* 1-dnn模块

* 2-模型加载结果输出

* 项目实战-目标追踪/

* 1-目标追踪概述

* 2-多目标追踪实战

* 3-深度学习检测框架加载

* 4-基于dlib与ssd的追踪

* 5-多进程目标追踪

* 6-多进程效率提升对比

* 卷积原理与操作/

* 1-卷积神经网络的应用

* 2-卷积层解释

* 3-卷积计算过程

* 4-pading与stride

* 5-卷积参数共享

* 6-池化层原理

* 7-卷积效果演示

* 8-卷积操作流程

* 项目实战-疲劳检测/

* 1-关键点定位概述

* 2-获取人脸关键点

* 3-定位效果演示

* 4-闭眼检测

* 5-检测效果

* 第十九章机器学习竞赛实战/

* 课程简介/

* 0-课程简介

* 快手短视频用户活跃度分析/

* 1-任务目标与数据分析.

* 2-整体模型架构

* 3-构建用户特征序列

* 4-序列特征提取方法

* 5-生成特征汇总表

* 6-标签制作

* 7-网络训练模块

* 8-得出最终模型结果

* 工业化工生产预测/

* 1-数据任务概述

* 2-数据异常检查

* 3-时间特征提取

* 4-各道工序特征构建

* 5-准备训练数据

* 6-训练xgboost模型

* 智慧城市-道路通行时间预测/

* 1-数据与任务目标分析

* 2-数据清洗与标签转换

* 3-道路通行时间序列数据生成

* 4-序列缺失补全方法

* 5-基于回归与插值完成序列特征

* 6-基于回归与插值进行序列补全

* 7-特征汇总

* 8-建立回归模型进行预测

* 医学糖尿病数据命名实体识别/

* 1-数据与任务介绍

* 2-整体模型架构

* 3-数据-标签-语料库处理

* 4-输入样本填充补齐

* 5-训练网络模型

* 6-医疗数据集（糖尿病）实体识别

* 新闻关键词抽取模型/

* 1-任务目标与数据集介绍

* 2-数据清洗与预处理

* 3-基本特征抽取

* 4-文章与词向量分析

* 5-权重划分

* 6-候选词统计特征

* 7-textrank特征提取

* 8-候选词相似度特征

* 9-特征工程汇总

* 用电敏感客户分类/

* 1-任务与解决框架概述

* 2-特征工程分析与特征提取

* 3-离散数据处理

* 4-统计与文本特征

* 5-文本特征构建

* 6-构建低敏用户模型

* 7-高敏模型概述

* 第二十章机器学习竞赛优胜解决方案实战/

* 课程简介/

* 课程简介

* 特征工程建模可解释工具包/

* 1-模型解释方法与实践

* 2-部分依赖图解释

* 3-双变量分析

* 4-ShapValues指标分析

* 5-疾病引起原因分析实战

* 6-竞赛与目标分析

* 7-特征对比分析方法

* 8-结果对比分析

* 贷款平台风控模型-特征工程/

* 1-竞赛任务目标

* 2-图模型信息提取

* 3-节点权重特征提取(PageRank)

* 4-deepwalk构建图顶点特征

* 5-各项统计特征

* 6-app安装特征

* 7-图中联系人特征

* 数据特征常用构建方法/

* 1-基本数值特征

* 2-常用特征构造手段

* 3-时间特征处理

* 4-文本特征处理

* 5-构造文本向量

* 6-词向量特征

* 7-计算机眼中的图像

* 机器学习项目实战-数据处理与特征提取/

* 1-dataleakage问题

* 2-基础模型对比

* 3-数据处理

* 4-单变量绘图分析

* 5-离群点剔除

* 6-变量与结果的关系

* 7-多变量展示

* 8-特征工程

* 机器学习项目实战-建模与分析/

* 1-dataleakage问题

* 2-基础模型对比

* 3-选择参数

* 4-测试模型

* 5-模型解释

* 6-模型分析