2026年，AI已渗透全行业，但80%的初学者仍陷入“学了Python不会做项目、懂点理论不懂落地、技术栈零散不成体系”的困境！无论是想入门AI、转型AI相关岗位，还是用AI优化本职工作，“缺乏系统的AI项目思维和全流程技能”都成为核心壁垒。

*   01 第一阶段 数学基础/

  *   01 第1课 微积分和概率论 (267.98 MB), 02:06:19

  *   02 第1课第1节： 什么是机器学习 (25.70 MB), 12:02

  *   03 第1课第2节： 机器学习基本概念 (52.93 MB), 21:49

  *   04 第1课第3节： 微积分函数（上） (61.63 MB), 31:35

  *   05 第1课第4节： 微积分函数（下） (41.84 MB), 20:28

  *   06 第1课第5节： 概率论--概率的认识 (51.42 MB), 23:45

  *   07 第1课第6节： 概率论--概率公式 (41.06 MB), 17:49

  *   08 第2课 数理统计和参数估计 (276.97 MB), 02:16:48

  *   09 第2课第1节： 概率计算与拒绝采样 (36.55 MB), 19:09

  *   10 第2课第2节： 期望 (59.47 MB), 29:07

  *   11 第2课第3节： 方差 (36.24 MB), 18:07

  *   12 第2课第4节： 偏度、峰度、统计量 (33.56 MB), 14:42

  *   13 第2课第5节： 距离 (58.58 MB), 29:12

  *   14 第2课第6节： 极大似然估计 (46.30 MB), 22:12

  *   15 第3课 矩阵和线性代数 (300.46 MB), 02:22:16

  *   16 第3课第1节： 统计量的无偏性 (52.06 MB), 25:23

  *   17 第3课第2节： 矩阵 (78.10 MB), 35:32

  *   18 第3课第3节： 矩阵和向量的乘法 (57.95 MB), 26:49

  *   19 第3课第4节： 特征值和特征向量 (44.09 MB), 20:49

  *   20 第3课第5节： 数据白化 (40.69 MB), 17:57

  *   21 第3课第6节： 矩阵求导 (36.11 MB), 17:09

  *   22 第4课 凸优化 (271.88 MB), 02:17:53

  *   23 第4课第1节： 凸集凸包 (65.84 MB), 34:41

  *   24 第4课第2节： 超平面和半空间 (29.69 MB), 15:28

  *   25 第4课第3节： 保凸运算 (64.66 MB), 32:06

  *   26 第4课第4节： 凸函数 (46.18 MB), 23:37

  *   27 第4课第5节： 凸函数与凸集 (35.14 MB), 16:39

  *   28 第4课第6节： 共轭函数 (36.19 MB), 16:35

  *   29 第5课 回归 (324.38 MB), 02:24:03

  *   30 第5课第1节： 线性回归 (27.05 MB), 12:48

  *   31 第5课第2节： 似然函数与最小二乘 (65.85 MB), 30:52

  *   32 第5课第3节： 线性回归的复杂度惩罚因子 (17.06 MB), 06:44

  *   33 第5课第4节： 梯度下降法 (102.25 MB), 42:25

  *   34 第5课第5节： Logistic回归 (90.73 MB), 40:35

  *   35 第5课第6节： 鞍点 (28.50 MB), 11:54

  *   36 第6课 梯度下降和拟牛顿 (280.96 MB), 02:11:02

  *   37 第6课第1节：固定学习率的实现与缺陷 (20.27 MB), 11:00

  *   38 第6课第2节：优化学习率的思考 (34.74 MB), 20:30

  *   39 第6课第3节：二分线性搜索 (21.45 MB), 12:10

  *   40 第6课第4节：回溯线性搜索 (37.94 MB), 19:51

  *   41 第6课第5节：搜索方向的探索(平方根算法) (40.69 MB), 20:21

  *   42 第6课第6节：拟牛顿的思路 BFGS (11.77 MB), 05:26

  *   43 第6课第7节：带约束的优化问题 (23.47 MB), 13:35

  *   44 第6课第8节：天平称量问题 (28.42 MB), 14:42

  *   45 第6课第9节：Huffman编码原理与最大熵模型 (28.56 MB), 14:20

*   02 第二阶段 Python基础和数据分析/

  *   01 第1课 Python基础语法精讲 (334.42 MB), 02:16:41

  *   02 第1课 第1节 Anaconda安装及使用 (55.36 MB), 19:27

  *   03 第1课 第2节 Jupyter notebook的使用 (46.05 MB), 16:28

  *   04 第1课 第3节 Python的标识符和运算符 (37.48 MB), 13:44

  *   05 第1课 第4节 Python的控制语句 (36.93 MB), 15:48

  *   06 第1课 第5节 Python的数据结构 (56.27 MB), 24:57

  *   07 第1课 第6节 Python的函数 (48.49 MB), 19:23

  *   08 第1课 第7节 Python基础语法精讲 (37.37 MB), 15:35

  *   09 第1课 第8节 Python基础语法总结 (32.04 MB), 13:10

  *   10 第2课 Python核心语法进阶 (249.80 MB), 01:57:18

  *   11 第2课 第1节 Python的生成器 (42.98 MB), 19:18

  *   12 第2课 第2节 Python的迭代器 (31.47 MB), 14:03

  *   13 第2课 第3节 Python的装饰器（上） (38.86 MB), 18:08

  *   14 第2课 第4节 Python的装饰器（中） (27.43 MB), 14:19

  *   15 第2课 第5节 Python的装饰器（下） (29.13 MB), 11:56

  *   16 第2课 第6节 Python的高阶函数 (36.36 MB), 15:29

  *   17 第2课 第7节 Python的选择排序和冒泡排序 (32.02 MB), 13:00

  *   18 第2课 第8节 Python的原类 (25.47 MB), 12:57

  *   19 第3课 数据分析numpy和pandas精髓速讲 (294.45 MB), 01:58:50

  *   20 第3课 第1节 Numpy ndarray的创建 (42.40 MB), 17:46

  *   21 第3课 第2节 Numpy ndarray的基本操作 (60.79 MB), 20:10

  *   22 第3课 第3节 pandas的数据读取与Series (47.52 MB), 20:09

  *   23 第3课 第4节 pandas的数据查询 (43.24 MB), 16:30

  *   24 第3课 第5节 pandas调用函数查询方法 (27.69 MB), 11:49

  *   25 第3课 第6节 pandas处理丢失数据 (37.76 MB), 14:59

  *   26 第3课 第7节 pandas表格匹配与拼接 (48.58 MB), 17:51

  *   27 第4课 matplotlib数据可视化 (313.58 MB), 02:08:12

  *   28 第4课 第1节 matplotlib基本操作：绘制基本图形 (38.12 MB), 16:19

  *   29 第4课 第2节 matplotlib基本操作：网格线、坐标轴等 (40.61 MB), 17:28

  *   30 第4课 第3节 matplotlib基本操作：图例 (32.89 MB), 12:00

  *   31 第4课 第4节 matplotlib基本操作：绘制一张复杂的图 (53.54 MB), 19:31

  *   32 第4课 第5节 matplotlib基本操作：饼图、条形图等 (33.66 MB), 13:32

  *   33 第4课 第6节 美国大选项目实战：数据清洗与转换 (42.73 MB), 13:58

  *   34 第4课 第7节 美国大选项目实战：离散化处理与分组聚合 (43.83 MB), 19:40

  *   35 第4课 第8节 美国大选项目实战项目总结 (41.62 MB), 17:34

*   03 第三阶段 ML基础、特征工程与项目实战/

  *   01 第1课 回归问题与应用 (382.81 MB), 02:27:42

  *   02 第1课第1节：机器学习的分类与基本概念 (66.65 MB), 23:32

  *   03 第一课第2节：线性回归模型解析 (27.54 MB), 14:41

  *   04 第一课第3节：损失函数与优化 (67.24 MB), 29:53

  *   05 第一课第4节：欠拟合与过拟合 (58.21 MB), 19:48

  *   06 第一课第5节：逻辑回归 (85.31 MB), 40:08

  *   07 第一课第6节：代码 (91.90 MB), 21:07

  *   08 第2课 决策树与树集成模型 (395.12 MB), 02:06:24

  *   09 第二课第1节：总体流程与核心问题 (83.38 MB), 25:35

  *   10 第二课第2节：熵、信息增益、信息增益率 (142.17 MB), 48:09

  *   11 第二课第3节：回归树 (54.32 MB), 22:48

  *   12 第二课第4节：从决策树到随机森林 (123.35 MB), 30:42

  *   13 第3课 SVM (188.38 MB), 01:53:16

  *   14 第4课 最大熵模型 (291.18 MB), 02:14:08

  *   15 第四课第1节：熵的概念 (47.27 MB), 22:23

  *   16 第四课第2节：均匀分布的信息熵 (65.48 MB), 31:16

  *   17 第四课第3节：联合熵、条件熵与最大熵 (58.90 MB), 27:19

  *   18 第四课第4节：盲源分离问题记号案例 (79.34 MB), 36:12

  *   19 第四课第5节：盲源分离问题记号代码实战 (46.98 MB), 17:41

  *   20 第5课 机器学习中的特征工程处理 (340.07 MB), 02:13:14

  *   21 第五课第1节：特征工程介绍 (31.49 MB), 18:03

  *   22 第五课第2节：数据选择清洗采样 (34.93 MB), 18:17

  *   23 第五课第3节：数值型类别型日期型文本型特征处理 (128.55 MB), 01:02:32

  *   24 第五课第4节：组合特征处理 (6.69 MB), 03:06

  *   25 第五课第5节：特征选择 (39.88 MB), 14:19

  *   26 第五课第6节：特征工程案例 (118.75 MB), 18:18

  *   27 第6课 多算法组合与模型最优化 (305.76 MB), 01:51:41

  *   28 第六课第1节：复习上节课 (7.85 MB), 04:29

  *   29 第六课第2节：模型选择第一种含义 (30.59 MB), 12:20

  *   30 第六课第3节：模型选择第二种含义 (31.04 MB), 15:23

  *   31 第六课第4节：超参数含义和选择 (22.10 MB), 10:32

  *   32 第六课第5节：模型效果优化(1) 过拟合欠拟合 (31.09 MB), 17:53

  *   33 第六课第6节：模型效果优化(2) 权重分析 (4.50 MB), 02:12

  *   34 第六课第7节：模型效果优化(3) Bad-case分析 (4.86 MB), 02:07

  *   35 第六课第8节：模型效果优化(4) 模型融合 (67.88 MB), 35:34

  *   36 第六课第9节：代码案例 (121.03 MB), 13:21

  *   37 第7课 sklearn与机器学习实战 (579.07 MB), 01:52:40

  *   38 第七课第1节：scikit-learn的使用 (258.66 MB), 35:01

  *   39 第七课第2节：项目概览 (74.48 MB), 17:32

  *   40 第七课第3节：获取数据 (96.37 MB), 21:59

  *   41 第七课第4节：数据探索和可视化、发现规律 (70.87 MB), 14:52

  *   42 第七课第5节：为机器学习算法准备数据 (60.68 MB), 07:50

  *   43 第七课第6节：选择、训练、评估模型 (41.86 MB), 07:59

  *   44 第七课第7节：微调、启动、监控、维护 (89.66 MB), 09:06

  *   45 第8课 高级工具xgboostlightGBM与建模实战 (431.38 MB), 01:53:56

  *   46 第八课第1节：xgboost介绍与参数 (142.92 MB), 31:16

  *   47 第八课第2节：xgboost应用 (70.94 MB), 24:22

  *   48 第八课第3节：xgboost高级用法 (53.78 MB), 13:30

  *   49 第八课第4节：便利店销量预测 (89.83 MB), 18:57

  *   50 第八课第5节：LightGBM参数 (59.56 MB), 07:10

  *   51 第八课第6节：LightGBM用法速查表 (65.16 MB), 19:43

  *   52 第9课 电商推荐系统 (310.61 MB), 02:12:43

  *   53 第九课第1节：推荐系统与评估 (73.58 MB), 37:26

  *   54 第九课第2节：基于内容推荐 (64.45 MB), 21:24

  *   55 第九课第3节：协同过滤 (96.23 MB), 37:01

  *   56 第九课第4节：矩阵分解与隐语义模型 (41.28 MB), 18:41

  *   57 第九课第5节：word2vec在推荐系统中的简单应用 (18.62 MB), 05:47

  *   58 第九课第6节：电商推荐系统选讲与案例 (60.68 MB), 13:46

  *   59 第10课 聚类 (207.13 MB), 01:56:44

  *   60 第十课第1节：聚类算法介绍和应用 (29.34 MB), 16:18

  *   61 第十课第2节：K-means迭代过程 (33.73 MB), 18:26

  *   62 第十课第3节：K-means随机初始化 (30.06 MB), 17:08

  *   63 第十课第4节：K-means最远点初始化 (13.31 MB), 07:38

  *   64 第十课第5节：K-means ++ (57.96 MB), 33:28

  *   65 第十课第6节：层次聚类 (28.28 MB), 16:11

  *   66 第十课第7节：K-means Python代码 (26.13 MB), 09:48

*   04 第四阶段 深度学习基础与框架应用/

  *   01 第1课 神经网络初步：全连接与反向传播 (288.07 MB), 01:54:06

  *   02 第1课第一节：深度学习在NLP和图像上的常见应用 (33.93 MB), 13:53

  *   03 第1课第二节：简单的线性分类器 (32.66 MB), 14:59

  *   04 第1课第三节：线性分类器hinge loss&交叉熵损失函数 (43.94 MB), 20:38

  *   05 第1课第四节：tensorflow神经网络示例演示 (44.96 MB), 14:41

  *   06 第1课第五节：神经网络非线性空间切分 (48.82 MB), 20:26

  *   07 第1课第六节：神经网络结构与激活函数简介 (11.50 MB), 04:51

  *   08 第1课第七节：反向传播BP算法 (37.24 MB), 16:45

  *   09 第1课第八节：手写神经网络实现上述过程 (48.96 MB), 09:40

  *   10 第2课 深度神经网络、Wide & Deep模型架构理解 (220.55 MB), 01:46:58

  *   11 第2课第一节：机器学习回顾与深度学习简介 (21.81 MB), 11:21

  *   12 第2课第二节：神经网络线性分类器构成 (24.51 MB), 13:03

  *   13 第2课第三节：softmax激活与计算交叉熵损失函数 (16.44 MB), 08:31

  *   14 第2课第四节：hinge loss vs 交叉熵损失函数 (45.44 MB), 17:30

  *   15 第2课第五节：正则化、梯度计算&梯度下降（GD、BGD） (20.42 MB), 09:54

  *   16 第2课第六节：浅层的神经网络与前向传播 (20.82 MB), 10:07

  *   17 第2课第七节：神经网络反向传播与参数更新推导 (48.17 MB), 21:08

  *   18 第2课第八节：激活函数对比、Dropout (12.48 MB), 05:31

  *   19 第2课第九节：神经网络的参数调参 (25.00 MB), 11:54

  *   20 第3课 卷积神经网络、实战图像分类 (244.18 MB), 01:36:53

  *   21 第3课第一节：上节知识简要回顾 (21.34 MB), 08:11

  *   22 第3课第二节：卷积神经网络卷积的意义 (30.60 MB), 12:52

  *   23 第3课第三节：卷积神经网络结构组成 (15.26 MB), 05:05

  *   24 第3课第四节：卷积层的优势及卷积核参数量计算 (47.03 MB), 16:29

  *   25 第3课第五节：卷积核stride、channel、padding计算 (41.52 MB), 18:06

  *   26 第3课第六节：池化层过程与经典CNN网络结构剖析 (54.19 MB), 18:05

  *   27 第3课第七节：Kaggle 竞赛案例 NCFM详解 (45.99 MB), 19:24

  *   28 第4课 循环神经网络、文本情感分类和图文生成模型 (246.84 MB), 01:48:19

  *   29 第4课第一节：经典词袋法与word2vec (34.09 MB), 15:10

  *   30 第4课第二节：CBOW结构及算法过程 (54.03 MB), 22:27

  *   31 第4课第三节：skip-gram结构及算法过程 (27.65 MB), 12:53

  *   32 第4课第四节：循环神经网络RNN结构解析 (33.19 MB), 14:22

  *   33 第4课第五节：反向传播BPTT&梯度问题&推理过程解析 (14.73 MB), 06:04

  *   34 第4课第六节：LSTM&GRU模型介绍与应用案例 (22.28 MB), 08:56

  *   35 第4课第七节：Seq2Seq NMT网络、Greedy Decode与Beam Search (35.20 MB), 13:48

  *   36 第4课第八节：Seq2Seq with Attention (14.20 MB), 05:53

  *   37 第4课第九节：初探图文多模态ImageCaption (24.02 MB), 10:12

  *   38 第5课 常见深度学习框架的应用 (284.92 MB), 01:38:48

  *   39 第5课第一节：常见的深度学习框架（TensorFlow、Keras和Pytorch） (18.67 MB), 08:56

  *   40 第5课第二节：深度学习框架学习pipline (28.84 MB), 11:58

  *   41 第5课第三节：pytorch与tensorflow对比 (21.04 MB), 07:06

  *   42 第5课第四节：代码风格对比 (74.83 MB), 18:55

  *   43 第5课第五节：pytorch 深度学习层与使用 (65.22 MB), 19:46

  *   44 第5课第六节：pytorch 深度学习模型搭建 (20.26 MB), 09:03

  *   45 第5课第七节：数据扩增与模型优化 (20.53 MB), 07:23

  *   46 第5课第八节：pytorch安装与代码实战 (76.80 MB), 17:02

*   05 第五阶段：Transformer原理深度解析/

  *   01 第1课 序列到序列任务中的编码器-解码器架构 (64.91 MB), 37:15

  *   02 第1课第1节 序列到序列任务中的编码器-解码器架构 (23.73 MB), 13:37

  *   03 第1课第2节 RNN Encoder-Decoder网络架构 (19.63 MB), 10:37

  *   04 第1课第3节 Seq2seq with Attention网络架构 (25.14 MB), 13:32

  *   05 第2课 序列到序列任务中的注意力机制 (67.94 MB), 33:04

  *   06 第2课第1节 序列到序列任务中的注意力机制：柔性注意力机制 (38.18 MB), 16:57

  *   07 第2课第2节 键值对注意力机制和多头注意力机制 (32.18 MB), 16:23

  *   08 第3课 Tansformer通用特征提取器 (60.59 MB), 27:35

  *   09 第3课第1节 Transformer通用特征提取器：输入序列、目标序列和输出序列 (30.81 MB), 15:45

  *   10 第3课第2节 Transformer通用特征提取器：词嵌入与位置编码 (31.90 MB), 12:06

  *   11 第4课 解码器Decoder (46.57 MB), 19:35

*   06 第六阶段：深度学习高阶技术：Transformer在CV中的应用/

  *   01 第1课 图像搜索技术：从Autoencoder到ConvNets (232.32 MB), 02:08:14

  *   02 第1课第1节 答疑直观理解感受野的本质 (28.69 MB), 16:33

  *   03 第1课第2节 答疑感受野计算方法 (15.53 MB), 08:42

  *   04 第1课第3节 图像分类检索课程安排 (13.36 MB), 08:14

  *   05 第1课第4节 CBIR场景中结合哈希的特征提取 (21.26 MB), 10:33

  *   06 第1课第5节 视觉单词模型BoVW思想 (25.30 MB), 13:07

  *   07 第1课第6节 Local Feature 和 SFIT (25.71 MB), 12:54

  *   08 第1课第7节 SFIT Matching 和 BoVW Step 1 Step 2 (33.62 MB), 15:14

  *   09 第1课第8节 BoVW Step 3 , BoVW Workflow , Spatial Pyramid (27.21 MB), 14:19

  *   10 第1课第9节 KD-Tree 和 LSH 原理 (26.92 MB), 15:15

  *   11 第1课第10节 LSH的实现和框架 (28.90 MB), 15:17

  *   12 第2课 大规模车辆图片搜索重识别(ReID) (250.86 MB), 02:20:32

  *   13 第2课第1节 AutoEncoder (25.85 MB), 14:25

  *   14 第2课第2节 ConvNets 特征提取原理 (22.80 MB), 11:42

  *   15 第2课第3节 ConvNets 特征提取的具体流程 (31.95 MB), 18:03

  *   16 第2课第4节 训练网络的Tips 和 ReID Triplet loss (36.53 MB), 20:41

  *   17 第2课第5节 Triplet loss Derivation, Network Architecture (29.87 MB), 17:00

  *   18 第2课第6节 Triplet loss network application (27.24 MB), 12:52

  *   19 第2课第7节 Method 1 Train ConvNets (27.67 MB), 13:26

  *   20 第2课第8节 Method 2 Multitask Learning；Method, 3 Multi-task Learning =Trip (32.85 MB), 17:11

  *   21 第2课第9节 采样策略 (27.18 MB), 15:50

  *   22 第3课 Two-Stage目标检测 (216.85 MB), 01:51:16

  *   23 第3课第1节 目标检测指标定义 (32.79 MB), 17:40

  *   24 第3课第2节 Non-Maximum Suppression,GIoU,DIoU (37.46 MB), 18:42

  *   25 第3课第3节 Sliding-window Detector, R-CNN,Fast RCNN (31.28 MB), 14:46

  *   26 第3课第4节 ROI Pooling, ROI Align, Faster RCNN (32.87 MB), 17:18

  *   27 第3课第5节 Region Proposal Network, Anchor (37.85 MB), 17:49

  *   28 第3课第6节 Useful Tricks, Loss, Training Steps (19.38 MB), 08:34

  *   29 第3课第7节 Mask R-CNN, Cascade R-CNN, Summary (36.68 MB), 17:39

  *   30 第4课 One-Stage目标检测 (235.57 MB), 01:42:53

  *   31 第4课第1节 回顾，答疑 (59.34 MB), 15:25

  *   32 第4课第2节 YOLO (40.80 MB), 21:10

  *   33 第4课第3节 SSD (32.31 MB), 15:43

  *   34 第4课第4节 SSD vs YOLO, Loss Function, Hard Negative Mining (21.16 MB), 10:20

  *   35 第4课第5节 YOLO-V3 (38.00 MB), 17:44

  *   36 第4课第6节 Changes in YOLO-V3, YOLO-V2, Focal Loss (21.98 MB), 10:37

  *   37 第4课第7节 YOLO-V4，Summary，Tends for Object Detections (29.00 MB), 12:18

  *   38 第5课 Self-Attention和Transformer架构 (171.23 MB), 01:37:50

  *   39 第5课1节 Encoder-Decoder with Attention，Transformer in a Big Picture (27.44 MB), 14:26

  *   40 第5课第2节 Self-attention 背景 (20.81 MB), 12:12

  *   41 第5课第3节 Self-attention 计算原理 (35.77 MB), 18:24

  *   42 第5课第4节 QKV 矩阵计算和 Multi-head Self-attention (26.21 MB), 15:12

  *   43 第5课第5节 Positional Encoding, Residuals & Layer Normalization, Visualizati (23.29 MB), 12:49

  *   44 第5课第6节 GPT-3, Bert (34.60 MB), 17:56

  *   45 第5课第7节 CV结合Attention的例子 (16.15 MB), 08:05

  *   46 第6课 Transformer在计算机视觉和多模态技术中的应用 (186.60 MB), 01:36:56

  *   47 第6课第1节 回顾，BoTNet (18.56 MB), 10:00

  *   48 第6课第2节 VideoBERT (37.50 MB), 17:25

  *   49 第6课第3节 DETR, D-DETR, Split into Patches (30.04 MB), 14:10

  *   50 第6课第4节 Vision Transformer (32.27 MB), 16:41

  *   51 第6课第5节 Noisy Student, BiT-L, T2T-ViT, TNT (35.18 MB), 16:19

  *   52 第6课第6节 ViT Implementation (36.25 MB), 18:39

  *   53 第6课第7节 QA (6.80 MB), 04:52

*   07 第七阶段 PyTorch基础与项目实战/

  *   01 第1课 深度学习回顾与PyTorch简介 (296.63 MB), 01:55:13

  *   02 第一课第1节 神经网络快速入门 (25.33 MB), 14:03

  *   03 第一课第2节 pytorch精彩项目介绍 (40.61 MB), 18:52

  *   04 第一课第3节 pytroch基础用法入门 (55.30 MB), 23:18

  *   05 第一课第4节 用numpy实现两层神经网络 (48.53 MB), 18:16

  *   06 第一课第5节 用pytorch自动求导实现两层神经网络 (50.39 MB), 17:30

  *   07 第一课第6节 用torch.nn库实现两层神经网络 (84.54 MB), 24:38

  *   08 第二课 词向量简介 (377.80 MB), 02:00:34

  *   09 第二课第1节 用pytorch拟合神经网络玩一个FizzBuzz小游戏 (81.61 MB), 27:56

  *   10 第二课第2节 词向量介绍 (60.93 MB), 24:28

  *   11 第二课第3节 训练一个词向量：数据初步预处理 (35.64 MB), 14:11

  *   12 第二课第4节 训练一个词向量：定义Dataloader (48.62 MB), 16:46

  *   13 第二课第5节 训练一个词向量：定义模型 (43.44 MB), 15:48

  *   14 第二课第6节 训练一个词向量：训练模型 (49.77 MB), 11:22

  *   15 第二课第7节 训练一个词向量：评估模型 (65.43 MB), 11:43

  *   16 第三课 语言模型 (312.73 MB), 01:51:58

  *   17 第三课第1节 语言模型和RNN、LSTM、GRU介绍 (45.76 MB), 21:56

  *   18 第三课第2节 训练一个语言模型：数据预处理 (50.70 MB), 16:54

  *   19 第三课第3节 训练一个语言模型：定义模型 (53.99 MB), 20:21

  *   20 第三课第4节 训练一个语言模型：训练和验证模型 (74.99 MB), 25:49

  *   21 第三课第5节 训练一个语言模型：用语言模型生成句子 (47.29 MB), 15:04

  *   22 第三课第6节 文本分类模型介绍 (47.44 MB), 13:16

  *   23 第四课 自然语言分类任务 (358.81 MB), 01:56:55

  *   24 第四课第1节 训练文本分类模型：数据预处理 (29.05 MB), 09:17

  *   25 第四课第2节 训练文本分类模型一：定义Wordavg模型 (37.62 MB), 14:07

  *   26 第四课第3节 训练文本分类模型一：训练和评估Wordavg模型 (77.30 MB), 24:12

  *   27 第四课第4节 训练文本分类模型二：定义和训练RNN模型 (70.19 MB), 22:59

  *   28 第四课第5节 训练文本分类模型三：定义和训练CNN模型 (85.08 MB), 27:23

  *   29 第四课第6节 保存和分析分类模型 (67.13 MB), 20:21

  *   30 第五课 简单图片分类 (376.68 MB), 01:50:47

  *   31 第五课第1节 训练图像分类模型：数据预处理和定义CNN模型 (45.45 MB), 17:29

  *   32 第五课第2节 训练图像分类模型：训练CNN模型 (53.75 MB), 15:00

  *   33 第五课第3节 常见ConvNet架构 (81.33 MB), 26:21

  *   34 第五课第4节 CNN模型的迁移学习：数据展示 (24.79 MB), 08:21

  *   35 第五课第5节 CNN模型的迁移学习：输入预处理和加载resnet模型 (32.59 MB), 09:19

  *   36 第五课第6节 CNN模型的迁移学习：训练模型 (75.16 MB), 23:33

  *   37 第五课第7节 BERT和EMLO介绍 (71.58 MB), 12:24

  *   38 第六课 图片风格迁移和GAN (392.61 MB), 02:05:26

  *   39 第六课第1节 图片风格迁移介绍 (23.18 MB), 07:24

  *   40 第六课第2节 训练图片风格迁移模型：数据展示和定义模型 (42.91 MB), 15:16

  *   41 第六课第3节 训练图片风格迁移模型：训练模型 (50.13 MB), 17:24

  *   42 第六课第4节 训练GAN模型：GAN介绍和定义模型 (28.95 MB), 12:28

  *   43 第六课第5节 训练GAN模型：训练和评估GAN模型 (61.94 MB), 21:14

  *   44 第六课第6节 训练DCGAN模型：DCGAN模型介绍和定义模型 (82.65 MB), 25:54

  *   45 第六课第7节 训练DCGAN模型：训练和评估DCGAN模型 (105.24 MB), 27:26

  *   46 第七课 Seq2Seq与Attention (458.95 MB), 02:00:24

  *   47 第七课第1节 Encoder-Decoder模型介绍 (17.33 MB), 08:01

  *   48 第七课第2节 训练一个机器翻译模型：数据预处理 (57.21 MB), 16:12

  *   49 第七课第3节 训练一个机器翻译模型：定义Encoder-Decoder模型 (54.92 MB), 20:12

  *   50 第七课第4节 训练一个机器翻译模型：训练模型 (95.18 MB), 20:53

  *   51 第七课第5节 训练一个机器翻译模型：评估模型效果 (74.94 MB), 17:33

  *   52 第七课第6节 训练一个机器翻译模型：定义Attention机制翻译模型 (123.84 MB), 26:36

  *   53 第七课第7节 聊天机器人介绍 (42.24 MB), 12:37

  *   54 第八课 问答系统 (483.17 MB), 02:00:24

  *   55 第八课第1节 问答系统介绍 (31.91 MB), 08:58

  *   56 第八课第2节 BiDAF论文解读 (48.39 MB), 13:22

  *   57 第八课第3节 BiDAF问答代码解读 (109.77 MB), 27:21

  *   58 第八课第4节 文本摘要介绍和论文解读 (92.85 MB), 20:52

  *   59 第八课第5节 文本摘要代码解读 (122.00 MB), 25:50

*   08 第八阶段 NLP进阶内容与完整项目/

  *   01 第1课 NLP中的文本处理相关技术 (497.71 MB), 02:07:56

  *   02 第一课第1节 基本的Linux命令 (44.17 MB), 10:39

  *   03 第一课第2节 字符串处理 (53.91 MB), 19:07

  *   04 第一课第3节 正则表达式 (153.19 MB), 35:24

  *   05 第一课第4节 朴素贝叶斯 (197.97 MB), 42:45

  *   06 第一课第5节 N-gram语言模型 (67.53 MB), 12:49

  *   07 第一课第6节 代码实践 (29.73 MB), 08:31

  *   08 第2课 NLP中的文本表示相关技术 (242.66 MB), 01:53:35

  *   09 第二课第1节 one-hot (24.60 MB), 15:19

  *   10 第二课第2节 word2vec基础 (19.19 MB), 10:59

  *   11 第二课第3节 word2vec之skip-gram模型 (32.28 MB), 17:22

  *   12 第二课第4节 word2vec的缺点 (3.06 MB), 01:28

  *   13 第二课第5节 word2vec优化方法：Hierarchical Softmax (18.26 MB), 09:22

  *   14 第二课第6节 word2vec优化方法：Negative Sampling (12.00 MB), 05:13

  *   15 第二课第7节 TF-IDF (14.33 MB), 07:50

  *   16 第二课第8节 TextRank (48.70 MB), 18:16

  *   17 第二课第9节 词向量实战：寻找相似词（一） (49.66 MB), 15:57

  *   18 第二课第10节 词向量实战：寻找相似词（二） (32.99 MB), 13:59

  *   19 第3课 中文相似文本匹配 (271.82 MB), 02:06:58

  *   20 第三课第1节 文本相似度基础 (16.66 MB), 07:17

  *   21 第三课第2节 计算文本相似度 (9.27 MB), 04:39

  *   22 第三课第3节 表示学习相似度 (26.30 MB), 12:44

  *   23 第三课第4节 ELMo模型 (82.01 MB), 30:58

  *   24 第三课第5节 双塔匹配模型 (24.15 MB), 10:42

  *   25 第三课第6节 DSSM双塔模型 (88.63 MB), 25:10

  *   26 第三课第7节 ESIM模型 (132.77 MB), 36:57

*   09 项目实战：NLP项目—智能问答机器人/

  *   01 NLP-1-智能问答机器人项目介绍和环境搭建 (344.46 MB), 02:02:27

  *   02 第一课第1节 智能问答简介 (66.13 MB), 28:57

  *   03 第一课第2节 环境搭建 (65.01 MB), 19:14

  *   04 第一课第3节 基于检索的封闭域问答 (92.95 MB), 36:58

  *   05 第一课第4节 句向量、文本相似度与评估标准 (17.52 MB), 07:21

  *   06 第一课第5节 作业说明 (117.02 MB), 29:11

  *   07 NLP-2-意图识别与文本匹配 (313.89 MB), 01:54:03

  *   08 第二课第1节 从零搭建一个NLP模型：NLP模型的输入 (26.32 MB), 13:12

  *   09 第二课第2节 从零搭建一个NLP模型：先验特征 (3.38 MB), 01:30

  *   10 第二课第3节 从零搭建一个NLP模型：词典的构建 (16.75 MB), 08:27

  *   11 第二课第4节 从零搭建一个NLP模型：输入长度的统一 (16.84 MB), 07:28

  *   12 第二课第5节 从零搭建一个NLP模型：生成器 (7.21 MB), 03:16

  *   13 第二课第6节 从零搭建一个NLP模型：模型的构建 (13.16 MB), 06:54

  *   14 第二课第7节 常用的文本分类模型：概述 (17.22 MB), 07:01

  *   15 第二课第8节 常用的文本分类模型：fastText (3.77 MB), 01:39

  *   16 第二课第9节 常用的文本分类模型：TextCNN (35.77 MB), 16:15

  *   17 第二课第10节 常用的文本分类模型：HAN (8.38 MB), 03:31

  *   18 第二课第11节 作业布置 (1.86 MB), 00:40

  *   19 第二课第12节 从零搭建一个NLP模型：代码实践 (183.53 MB), 45:27

  *   20 NLP-3-智能问答机器人中的闲聊 (336.75 MB), 01:56:56

  *   21 第三课第1节 文本相似度计算模型：基础 (19.17 MB), 07:39

  *   22 第三课第2节 文本相似度计算模型：ESIM模型 (29.42 MB), 16:10

  *   23 第三课第3节 文本相似度计算模型：ESIM模型代码实现 (182.09 MB), 45:40

  *   24 第三课第4节 Transformer基础 (6.48 MB), 02:22

  *   25 第三课第5节 Self-attention (38.60 MB), 17:48

  *   26 第三课第6节 残差模块 (7.91 MB), 03:35

  *   27 第三课第7节 Layer Normalization (16.28 MB), 06:00

  *   28 第三课第8节 BERT原理 (51.07 MB), 18:40

  *   29 NLP-4-智能问答机器人项目的部署、总结 (313.80 MB), 01:54:20

  *   30 第四课第1节 如何使用Bert生成句向量：基础 (27.35 MB), 12:33

  *   31 第四课第2节 如何使用Bert生成句向量：sentence-bert (29.40 MB), 06:38

  *   32 第四课第3节 seq2seq模型 (40.19 MB), 22:07

  *   33 第四课第4节 GPT原理 (26.72 MB), 13:37

  *   34 第四课第5节 DialoGPT模型：基础 (43.64 MB), 13:41

  *   35 第四课第6节 DialoGPT模型：Beam search (20.95 MB), 09:14

  *   36 第四课第7节 DialoGPT模型：采样 (13.58 MB), 05:27

  *   37 第四课第8节 项目整合与部署 (116.33 MB), 27:27

  *   38 第四课第9节 项目总结 (12.40 MB), 05:26