梗直哥瞿炜博士-新版人工智能三大课（深度学习机器学习强化学习）-AI011【系统课】

课程目录

强化学习必修课：引领智能新时代/
10、第十章 基于模型的强化学习：看不见的上帝之手/
1_10-1-基于模型的强化学习核心思想和原理.vep
2_10-2-Dyna-Q算法.vep
3_10-3-Dyna-Q算法代码实现.vep
4_10-4-基于模型的策略优化.vep
5_10-5-MBPO的代码实现.vep
11、第十一章 进阶强化学习：欲穷千里目 更上一层楼/
1_11-1模仿学习.vep
2_11-2-博弈论与强化学习.vep
3_11-3-多智能体强化学习.vep
4_11-4-MADDP的代码实现.vep
5_11-5-AlphaStar系统.vep
6_11-6-基于人类反馈大强化学习.vep
12、第十二章 强化学习实战：觉知此事要躬行/
1_12-1-项目实战：Gym游戏.vep
2_12-2-项目实战：大模型RLHF.vep
3_12-3-强化学习最新发展趋势.vep
4_12-4-下一步的学习建议.vep
1、第一章 欢迎来到强化学习的世界/
1_1-1-课程内容和理念.vep
2_1-2-认识强化学习.vep
3_1-3-课程使用的技术栈.vep
2、第二章 数学知识回顾：凡事预则立 不预则废/
1_2-1-线性代数.vep
2_2-2-微积分.vep
3_2-3-概率.vep
3、第三章 环境安装和工具使用：工欲善其事 必先利其器/
1_3-1-CUDA+Anaconda深度学习环境配置.vep
2_3-2-conda使用命令.vep
3_3-3-Jupyter-Notebook快速上手.vep
4_3-4-仿真环境Gym安装.vep
5_3-5-深度学习库PyTorch的安装.vep
4、第四章 马尔可夫随机过程：憧憬和行动中追寻生命的意义/
1_4-1-序列建模与概率图模型.vep
2_4-2-马尔可夫观测过程：学会“看”.vep
3_4-3-马尔可夫决策过程：试着-“干”.vep
4_4-4-马尔可夫奖励过程：懂得“想”.vep
5_4-5-贝尔曼方程：迭代求解价值函数.vep
6_4-6-模型分类与选择.vep
7_4-7-常见问题解析.vep
8_4-8-马尔可夫过程代码实现.vep
5、第五章 动态规划方法：理想国中的完美人生/
1_5-1-动态回归核心思想和原理.vep
2_5-2-策略迭代.vep
3_5-3-价值迭代.vep
4_5-4-动态规划代码实现.vep
6、第六章 经典无模型方法：离散世界的价值最大化/
1_6-1-蒙特卡洛方法.vep
2_6-2-时序差分方法.vep
3_6-3-蒙特卡洛方法和时序差分代码实现.vep
4_6-4-广义策略迭代.vep
5_6-5-Q-Learning算法.vep
6_6-6-SARSA算法.vep
7_6-7-Q-Learning&SARSA代码实现.vep
7、第七章 深度Q网络：他山之石 可以攻玉/
1_7-1-深度Q网络核心思想和原理.vep
2_7-2-DQN-代码实现.vep
3_7-3-常见问题改进和扩展.vep
4_7-4-DQN改进算法代码实现.vep
8、第八章 深度策略梯度方法：行胜于言 止于至善/
1_8-1-策略梯度核心思想和原理.vep
2_8-2-蒙特卡洛策略梯度.vep
3_8-3-策略梯度方法代码实现.vep
4_8-4-近端策略优化算法.vep
5_8-5-近端策略优化（PPO）代码实现.vep
9、第九章 演员评论家算法：戏为兄弟 共荣共生/
1_9-1-演员评论家算法核心思想和原理.vep
2_9-2-改进型演员评论家算法.vep
3_9-3-演员评论家算法代码实现.vep
4_9-4-深度确定性策略梯度.vep
5_9-5-DDPG算法代码实现.vep
6_9-6-软性演员评论家算法.vep
7_9-7-SAC代码实现.vep
课程目录大纲.jpg
配套资料.rar
机器学习必修课：经典算法与Python实战/
01.欢迎来到机器学习的世界/
001.1-1课程内容和理念.vep
002.1-2 初识机器学习.vep
003.1-3 课程使用的技术栈.vep
02.机器学习概述/
004.2-1本章总览.vep
005.2-2 数据长什么样：常见数据集、典型实例、如何使用.vep
006.2-3 研究哪些问题：分类、回归等.vep
007.2-4 如何分门别类：监督、无监督、强化学习等.vep
008.2-5 机器学习的七大常见误区和局限.vep
03.快速掌握四大必备工具/
009.3-1本章总览：相互关系与学习路线.vep
010.3-2 Anaconda图形化操作.vep
011.3-3 Anaconda命令行操作.vep
012.3-4 JupyterNotebook基础使用.vep
013.3-5 JupyterNotebook高级使用：常用魔法命令.vep
014.3-6 Numpy基础：安装与性能对比.vep
015.3-7 Numpy数组创建：特定数组、等差数组、随机数组.vep
016.3-8 Numpy数组基础索引：索引和切片.vep
017.3-9 Numpy非常重要的数组合并与拆分操作.vep
018.3-10 Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.vep
019.3-11 Numpy数组统计运算：常用的都在这儿了.vep
020.3-12 Numpy数组arg运算和排序.vep
021.3-13 Numpy数组神奇索引和布尔索引.vep
022.3-14 Matplotlib数据可视化：基础绘制与设置.vep
04.“近朱者赤，近墨者黑”的KNN算法/
023.4-1本章总览.vep
024.4-2 KNN算法核心思想和原理.vep
025.4-3 KNN分类任务代码实现.vep
026.4-4 数据集划分：训练集与预测集.vep
027.4-5 模型评价.vep
028.4-6 超参数.vep
029.4-7 特征归一化.vep
030.4-8 KNN回归任务代码实现.vep
031.4-9 KNN优缺点和适用条件.vep
05.“大禹治水，庖丁解牛”的线性算法/
032.5-1 本章总览.vep
033.5-2 线性回归核心思想和原理.vep
034.5-3 逻辑回归核心思想和原理.vep
035.5-4 线性回归代码实现.vep
036.5-5 模型评价：MSE、RMSE、MAE和R方.vep
037.5-6多项式回归代码实现.vep
038.5-7 逻辑回归算法.vep
039.5-8 线性逻辑回归代码实现.vep
040.5-9多分类策略.vep
041.5-10 复杂逻辑回归及代码实现.vep
042.5-11 线性算法优缺点和适用条件.vep
06.“解一卷而众篇明”之核心概念精讲/
043.6-1 本章总览.vep
044.6-2 损失函数.vep
045.6-3 梯度下降.vep
046.6-4 决策边界.vep
047.6-5 过拟合与欠拟合.vep
048.6-6 学习曲线.vep
049.6-7 交叉验证.vep
050.6-8 模型误差.vep
051.6-9 正则化.vep
052.6-10 LASSO和岭回归代码实现.vep
053.6-11 模型泛化.vep
054.6-12 评价指标：混淆矩阵、精准率和召回率.vep
055.6-13 评价指标：ROC曲线.vep
07.“分而治之，逐个击破”的决策树/
056.7-1 本章总览.vep
057.7-2 决策树核心思想和原理.vep
058.7-3 信息熵.vep
059.7-4 决策树分类任务代码实现.vep
060.7-5 基尼系数.vep
061.7-6 决策树剪枝.vep
062.7-7 决策树回归任务代码实现.vep
063.7-8 决策树优缺点和适用条件.vep
08.“失败是成功之母”的神经网络/
064.8-1 本章总览.vep
065.8-2 神经网络核心思想和原理.vep
066.8-3 激活函数.vep
067.8-4 正向传播与反向传播.vep
068.8-5 梯度下降优化算法.vep
069.8-6 神经网络简单代码实现.vep
070.8-7 梯度消失和梯度爆炸.vep
071.8-8 模型选择.vep
072.8-9 神经网络优缺点和适用条件.vep
09.“欲穷千里目，更上一层楼”的支持向量机/
073.9-1 本章总览.vep
074.9-2 SVM核心思想和原理.vep
075.9-3 硬间隔SVM.vep
076.9-4 SVM软间隔.vep
077.9-5 线性SVM分类任务代码实现.vep
078.9-6 非线性SVM：核技巧.vep
079.9-7 SVM核函数.vep
080.9-8 非线性SVM代码实现.vep
081.9-9 SVM回归任务代码实现.vep
082.9-10 SVM优缺点和适用条件.vep
10.“是非考于前，成败验于后”的贝叶斯方法/
083.10-1 本章总览.vep
084.10-2 贝叶斯方法核心思想和原理.vep
085.10-3 朴素贝叶斯分类.vep
086.10-4 朴素贝叶斯的代码实现.vep
087.10-5 多项式朴素贝叶斯代码实现.vep
088.10-6 贝叶斯方法优缺点和适用条件.vep
11.“团结就是力量”的集成学习/
089.11-1 本章总览.vep
090.11-2 集成学习核心思想和原理.vep
091.11-3 集成学习代码实现.vep
092.11-4 并行策略：Bagging、OOB等方法.vep
093.11-5 并行策略：随机森林.vep
094.11-6 串行策略：Boosting.vep
095.11-7 结合策略：Stacking方法.vep
096.11-8 集成学习优缺点和适用条件.vep
12.“物以类聚，人以群分”的聚类算法/
097.12-1 本章总览.vep
098.12-2 聚类算法核心思想和原理.vep
099.12-3 k-means和分层聚类.vep
100.12-4 聚类算法代码实现.vep
101.12-5 聚类评估代码实现.vep
102.12-6 聚类算法优缺点和适用条件.vep
13.“射人先射马，擒贼先擒王”的主成分分析/
103.13-1 本章总览.vep
104.13-2 PCA核心思想和原理.vep
105.13-3 PCA求解算法.vep
106.13-4 PCA算法代码实现.vep
107.13-5 降维任务代码实现.vep
108.13-6 PCA在数据降噪中的应用.vep
109.13-7 PCA在人脸识别中的应用.vep
110.13-8 主成分分析优缺点和适用条件.vep
14.“见微知著，睹始知终”的概率图模型/
111.14-1 本章总览.vep
112.14-2 概率图模型核心思想和原理.vep
113.14-3 EM算法参数估计.vep
114.14-4 隐马尔可夫模型代码实现.vep
115.14-5 概率图模型优缺点和适用条件.vep
15.项目实战/
116.15-1 本章总览.vep
117.15-2 泰坦尼克生还预测.vep
118.15-3 房价预测.vep
119.15-4 交易反欺诈代码实现.vep
120.15-5 如何深入研究机器学习.vep
课程目录大纲.jpg
配套资料.rar
深度学习必修课：进击算法工程师/
001第一章 欢迎来到深度学习的世界/
001.1-1 课程内容和理念.vep
002.1-2 初识深度学习.vep
003.1-3 课程使用的技术栈.vep
002第二章 数学知识回顾/
004.2-1 线性代数.vep
005.2-2 微积分.vep
006.2-3 概率.vep
003第三章 环境安装和工具使用/
007.3-1 CUDA+Anaconda深度学习环境搭建.vep
008.3-2 conda实用命令.vep
009.3-3 Jupyter Notebook快速上手.vep
010.3-4 深度学习库PyTorch安装.vep
004第四章 深度神经网络：误差倒查分解/
011.4-1 神经网络原理.vep
012.4-2 多层感知机.vep
013.4-3 前向传播和反向传播.vep
014.4-4 多层感知机代码实现.vep
015.4-5 回归问题.vep
016.4-6 线性回归代码实现.vep
017.4-7 分类问题.vep
018.4-8 多分类问题代码实现.vep
005第五章 常见问题及对策：一切为了泛化能力/
019.5-1 训练的常见问题.vep
020.5-2 过拟合欠拟合应对策略.vep
021.5-3 过拟合和欠拟合示例.vep
022.5-4 正则化.vep
023.5-5 Dropout.vep
024.5-6 Dropout代码实现.vep
025.5-7 梯度消失和梯度爆炸.vep
026.5-8 模型文件的读写.vep
006第六章 梯度下降算法及变体/
027.6-1 最优化与深度学习.vep
028.6-2 损失函数.vep
029.6-3 损失函数性质.vep
030.6-4 梯度下降.vep
031.6-5 随机梯度下降法.vep
032.6-6 小批量梯度下降法.vep
033.6-7 动量法.vep
034.6-8 AdaGrad算法.vep
035.6-9 RMSProp_Adadelta算法.vep
036.6-10 Adam算法.vep
037.6-11 梯度下降代码实现.vep
038.6-12 学习率调节器.vep
007第七章 基础卷积神经网络：图像处理利器/
039.7-1 全连接层问题.vep
040.7-2 图像卷积.vep
041.7-3 卷积层.vep
042.7-4 卷积层常见操作.vep
043.7-5 池化层Pooling.vep
044.7-6 卷积神经网络代码实现（LeNet）.vep
008第八章 复杂卷积神经网络：精细特征捕捉/
045.8-1 AlexNet.vep
046.8-2 VGGNet.vep
047.8-3 批量规范化.vep
048.8-4 GoogLeNet.vep
049.8-5 ResNet.vep
050.8-6 DenseNet.vep
009第九章 基础循环神经网络：为序列数据而生/
051.9-1 序列建模.vep
052.9-2 文本数据预处理.vep
053.9-3 循环神经网络.vep
054.9-4 随时间反向传播算法.vep
055.9-5 循环神经网络代码实现.vep
056.9-6 RNN的长期依赖问题.vep
010第十章 复杂循环神经网络：让记忆长上翅膀/
057.10-1 深度循环神经网络.vep
058.10-2 双向循环神经网络.vep
059.10-3 门控循环单元.vep
060.10-4 长短期记忆网络.vep
061.10-5 复杂循环神经网络代码实现.vep
062.10-6 编码器-解码器网络.vep
063.10-7 序列到序列模型代码实现.vep
064.10-8 束搜索算法.vep
065.10-9 机器翻译简单代码实现.vep
011第十一章 注意力神经网络：赋予模型认知能力/
066.11-1 什么是注意力机制.vep
067.11-2 注意力的计算.vep
068.11-3 键值对注意力和多头注意力.vep
069.11-4 自注意力机制.vep
070.11-5 注意力池化及代码实现.vep
071.11-6 Transformer模型.vep
072.11-7 Transformer代码实现.vep
012第十二章 复杂注意力神经网络：大模型的力量/
073.12-1BERT模型.vep
074.12-2 GPT系列模型.vep
075.12-3 T5模型.vep
076.12-4 ViT模型.vep
077.12-5 Swin Transformer模型.vep
078.12-6 GPT模型代码实现.vep
013第十三章 深度生成模型：不确定性的妙用/
079.13-1 蒙特卡洛方法.vep
080.13-2 变分推断.vep
081.13-3 变分自编码器.vep
082.13-4 生成对抗网络.vep
083.13-5 Diffusion扩散模型.vep
084.13-6 图像生成.vep
014第十四章 计算机视觉：让智慧看得见/
085.14-1 自定义数据加载.vep
086.14-2 图像数据增强.vep
087.14-3 迁移学习.vep
088.14-4 经典视觉数据集.vep
089.14-5 项目实战：猫狗大战.vep
015第十五章 自然语言处理：人机交互懂你所说/
090.15-1 词嵌入和word2vec.vep
091.15-2 词义搜索和句意表示.vep
092.15-3 预训练模型.vep
093.15-4 Hugging Face库介绍.vep
094.15-5 经典NLP数据集.vep
095.15-6 项目实战：电影评论情感分析.vep
016第十六章 多模态AI及内容生成：引领智能新时代/
096.16-1 InstructGPT模型.vep
097.16-2 CLIP模型.vep
098.16-3 DALL-E模型.vep
099.16-4 深度学习最新发展趋势分析.vep
100.16-5 下一步学习的建议.vep
课程目录大纲.jpg
配套资料.rar
代码仓库地址.rar
官网地址 .txt