先看清门槛：这门课适合谁？
这门课主要解决“想学人工智能但不知从何下手”的困惑，试图在短期内带你了解 AI 的宏观流程和核心算法。它适合有一定 Python 基础、数学概念（如矩阵运算、导数）已经烂熟于心的学习者。如果你连变量是什么都没搞懂，或者对微积分完全零基础，直接硬啃会非常痛苦，建议先补完线性代数基础再来看。
调整节奏：哪些章节可以先跳过？
对于时间碎片化的自学者，建议采取“跳过理论推导，直接看代码实战”的策略。课程中关于“推导多元线性回归损失函数”、“卷积的具体计算过程”以及“正则化原理”等纯数学推导章节，如果反复听不懂，可以直接略过。这些内容数学门槛较高，自学时容易卡壳。反倒是“人脸识别架构分析”、"MNIST 手写数字识别实战”以及"Softmax 回归”这类有代码演示的部分，更适合跟着敲一遍，哪怕只跑通流程也能获得直观感受。
配合练习：资料怎么用才不浪费？
资料包里的视频顺序是固定的，但学习顺序可以打乱。建议先看“五天实训的内容”和“人工智能常见流程”，快速建立对机器学习（ML）和深度学习（DL）区别的认知，判断自己是否适合继续深入。拿到代码资料后，不要只看视频讲解，务必在本地环境里亲手运行一遍"TensorFlow 实现 DNN 分类”和"ScikitLearn 介绍”里的代码。如果环境配置卡住，先跳过报错部分，试着理解代码逻辑，毕竟很多前沿框架的配置极其繁琐，作为初学者，先搞懂算法思想比纠结环境更重要。学完后，你至少能独立跑通一个基础的数字识别模型或简单的图像分类 Demo，并口头讲清楚数据预处理、模型构建和评估的完整流程，至于能否直接就业，那还要看你的项目经验和面试准备情况。
课程目录
01_人工智能就业前景与薪资.mp4 49.38M 01_五天实训的内容_人工智能应用.mp4 181.00M 01_作业的讲解_知识的回顾.mp4 65.84M 01_作业讲解_回顾昨日知识.mp4 88.83M 01_TensorFlow实现DNN分类MNIST手写数字识别.mp4 223.46M 01_利用GD来求解多元线性回归的最优解.mp4 106.63M 02_人工智能适合人群与必备技能.mkv 47.37M 02_AI的流程_ML和DL关系_回归、分类、聚类、降维的本质.mp4 164.27M 02_人脸识别的架构流程分析.mp4 120.48M 02_打鸡血_聊一下图像算法工程师就业薪资水平.mp4 154.82M 02_卷积神经网络卷积层_卷积的计算.mp4 112.61M 02_归一化.mp4 219.45M 03_人工智能时代是发展的必然.mp4 25.61M 03_线性回归的表达式_损失函数MSE.mp4 127.19M 03_FaceNet论文_架构_三元组损失.mp4 258.24M 03_NN神经元_常用的3种激活函数_NN理解LR做多分类.mp4 103.06M 03_池化的计算_SAME和VALID模式_经典CNN结构.mp4 78.50M 03_正则化.mp4 137.35M 04_人工智能在各领域的应用.mp4 61.77M 04_推导出多元线性回归的损失函数.mp4 203.15M 04_MTCNN论文_架构_损失函数.mp4 130.11M 04_讲解Softmax回归算法.mp4 111.03M 04_TensorFlow实训CNN分类MNIST手写数字识别.mp4 179.12M 04_ScikitLearn介绍_岭回归的本质_Lasso回归的本质.mp4 104.90M 05_人工智能常见流程.mkv 83.88M 05_从MSE到θ的解析解形式.mp4 83.50M 05_facenet-master项目的下载和导入.mp4 76.42M 05_多层神经网络的好处_隐藏层的激活函数必须是非线性的原因.mp4 90.54M 05_VGG16网络模型_数据增强_COVID19医疗图片的识别.mp4 224.21M 05_多项式回归_保险花销预测案例.mp4 250.14M 06_机器学习不同的学习方式.mkv 72.54M 06_安装Anaconda和PyCharm运行和开发软件.mp4 70.53M 06_人脸识别项目代码_实操作业要求.mp4 372.07M 06_TensorFlow对于CPU版本的安装.mp4 62.85M 06_U-Net网络模型_细胞核数据的读取.mp4 206.51M 06_基于保险案例进行更多的数据的EDA.mp4 80.69M 07_深度学习比传统机器学习有优势.mkv 75.32M 07_python代码实现多元线性回归解析解的求解方法.mp4 77.19M 07_FasterRCNN目标检测口罩项目展示_图片标注工具labelimg的使用.mp4 178.23M 07_TensorFlow对于GPU版本的安装.mp4 109.37M 07_U-Net网络进行细胞核切分的训练代码.mp4 97.14M 07_逻辑回归表达式的推导_逻辑回归损失函数的推导.mp4 116.54M 08_有监督机器学习任务与本质.mp4 37.24M 08_梯度下降法的步骤_公式.mp4 119.11M 08_FasterRCNN论文_架构_思想.mp4 353.63M 08_TensorFlow实现多元线性回归预测房价.mp4 198.36M 08_逻辑回归代码实战Iris二分类和多分类任务.mp4 92.65M 09_无监督机器学习任务与本质.mp4 48.91M 09_根据损失函数MSE推导梯度的公式.mp4 70.57M 09_MaskRCNN的架构_思想_蒙版弹幕项目效果.mp4 163.40M 09_TensorFlow实现Softmax回归分类MNIST手写数字识别.mp4 123.55M 10_理解简单线性回归.mp4 27.98M 11_最优解_损失函数_MSE.mp4 34.83M 12_扩展到多元线性回归.mp4 26.65M 13_理解多元线性回归表达式几种写法的原因.mp4 37.58M 14_理解维度这个概念.mp4 37.11M 15_理解回归一词_中心极限定理_正太分布和做预测.mp4 61.53M 16_假设误差服从正太分布_最大似然估计MLE.mp4 42.35M 17_引入正太分布的概率密度函数.mp4 26.36M 18_明确目标通过最大总似然求解θ.mp4 25.88M 19_对数似然函数_推导出损失函数MSE.mp4 39.75M 20_把目标函数按照线性代数的方式去表达.mp4 22.09M 21_推导出目标函数的导函数形式.mp4 39.83M 22_θ解析解的公式_是否要考虑损失函数是凸函数.mp4 58.01M 23_Python开发环境版本的选择及下载.mp4 46.00M 24_Anaconda环境安装_Pycharm环境安装.mp4 64.55M 25_Pycharm创建脚本并测试python开发环境.mp4 26.27M 26_解析解的方式求解多元线性回归_数据Xy.mp4 30.66M 27_解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp4 39.16M 28_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 30.05M 29_Scikit-learn模块的介绍.mp4 29.99M 30_调用Scikit-learn中的多元线性回归求解模型(上).mp4 24.35M 31_调用Scikit-learn中的多元线性回归求解模型(下).mp4 34.52M 32_梯度下降法产生的目的和原因以及思想.mp4 53.73M 33_梯度下降法公式.mp4 50.85M 34_学习率设置的学问_全局最优解.mp4 47.99M 35_梯度下降法迭代流程总结.mp4 24.60M 36_多元线性回归下的梯度下降法.mp4 38.45M 37_全量梯度下降.mp4 59.04M 38_随机梯度下降_小批量梯度下降.mp4 43.98M 39_对应梯度下降法的问题和挑战.mp4 42.22M 40_轮次和批次.mp4 50.90M 41_代码实现全量梯度下降第1步和第2步.mp4 20.15M 42_代码实现全量梯度下降第3步和第4步.mp4 26.11M 43_代码实现随机梯度下降.mp4 21.62M 44_代码实现小批量梯度下降.mp4 22.83M 45_代码改进保证训练数据全都能被随机取到.mp4 23.94M 46_代码改进实现随着迭代增加动态调整学习率.mp4 34.35M 人工智能5天入门训练营 人工智能之快速入门与线性回归 人工智能之人脸识别与目标检测、语义分割 人工智能之神经网络与TensorFlow 人工智能之图像识别与图像分割 人工智能之线性回归优化与逻辑回归 关于百战程序员 百战程序员教学平台介绍.pdf 17.55M 百战程序员课程的精妙设计(图形化和动画).mp4 32.93M 百战程序员如何保证学习效果.mp4 342.42M 人工智能-百战程序员(1).pdf 32.03M
