人工智能

08-13 05:43

深度学习算法优化最前沿融会贯通深度学习最新技术深度之眼最新版深度学习实战教程

再一次聚焦深度学习算法优化最前沿课程，进行一次关于深度学习的集训营课程，建议同学们需要具备一定的基础知识来进行课程的学习。深度学习教程安排的非常科学，课程以集训的方式展开，每周都安排有学习任务以及总结，可以让同学们在学习中边总结归纳边进行深入的学习和探究，除此之外还安排有答疑解惑的课程，这能帮助大家梳理课程中的难点与疑惑。课程新增了非常多深度学习领域最前沿的课程，想在深度学习上有所突破的同学建议学习。 (1)\00【学前准备】开营仪式，认识群内的小伙伴；目录中文件数:2个 ├─深度输出活动.docx ├─看开营仪式，了解学习模式.docx (2)\01 第一周线性代数；目录中文件数:4个 ├─PCA new.mp4 ├─伪逆矩阵最小二乘 new.mp4 ├─矩阵对角化以及SVD分解 new.mp4 ├─资料下载.doc (3)\02 第一周：概率与信息伦，数值计算；目录中文件数:3个 ├─无约束最优化 new.mp4 ├─有约束最优化 new.mp4 ├─极大似然估计 new.mp4 (4)\03 第一周：本周学习任务简单总结；目录中文件数:1个 ├─03 第一周：本周学习任务简单总结.doc (5)\04 第二周机器学习算法基本概念；目录中文件数:4个 ├─估计、偏差和方差 new.mp4 ├─机器学习算法基本概念 new.mp4 ├─机器学习算法基本概念.doc ├─过拟合欠拟合超参数验证集 new.mp4 (6)\05；目录中文件数:2个 ├─贝叶斯统计 new.mp4 ├─逻辑回归 new.mp4 (7)\06 第二周：本周学习任务简单总结；目录中文件数:1个 ├─第二周：本周学习任务简单总结.docx (8)\07；目录中文件数:2个 ├─LDA new.mp4 ├─SVM new.mp4 (9)\08 第三周：随机梯度下降；目录中文件数:1个 ├─决策树 new.mp4 (10)\09 第三周：本周学习任务简单总结；目录中文件数:1个 ├─08 第三周：本周学习任务简单总结.doc (11)\10 第四周：前馈神经网络损失函数；目录中文件数:2个 ├─前馈神经网络结构表达能力 new.mp4 ├─激活函数损失函数 new.mp4 (12)\11 第四周：前馈神经网络架构设计反向传播、；目录中文件数:1个 ├─前向后向算法、 new.mp4 (13)\12 第四周：直播答疑日；目录中文件数:1个 ├─第四周：直播答疑日 new.mp4 (14)\13 第四周：本周学习任务简单总结；目录中文件数:1个 ├─第四周：本周学习任务简单总结.docx (15)\14 第五周：范数惩罚正则化；目录中文件数:2个 ├─数据增强bagging dropout new.mp4 ├─范数惩罚正则化 new.mp4 (16)\15 第五周：深度模型中的优化；目录中文件数:1个 ├─第五周：深度模型中的优化 new.mp4 (17)\16 第五周本周学习任务简单总结；目录中文件数:1个 ├─总结.docx (18)\17 第五周：直播答疑；目录中文件数:1个 ├─直播答疑 new.mp4 (19)\18 第六周：卷积神经网络基础；目录中文件数:2个 ├─cnn前向后向 new.mp4 ├─局部感知权值共享 new.mp4 (20)\19 第六周：卷积函数变体；目录中文件数:2个 ├─lenet alexnet new.mp4 ├─vggnet googlenet new.mp4 (21)\20 第六周：本周任务简单总结+直播答疑日；目录中文件数:2个 ├─第六周：本周学习任务简单总结.docx ├─答疑 new.mp4 (22)\21 第七周：RNN概念&前向传播；目录中文件数:1个 ├─RNN概念&前向传播 new.mp4 (23)\22；目录中文件数:1个 ├─RNN反向传播与并行计算 new.mp4 (24)\23 第七周：本周学习任务简单总结；目录中文件数:1个 ├─第七周：本周学习任务简单总结.docx (25)\24 第八周lstm；目录中文件数:1个 ├─lstm new.mp4 (26)\25 第八周gru；目录中文件数:1个 ├─gru new.mp4 (27)\26 第八周：本周任务简单总结+直播答疑日；目录中文件数:2个 ├─任务总结.docx ├─直播答疑 new.mp4 (28)\27 第九周：推理加速、训练加速；目录中文件数:2个 ├─推理加速 new.mp4 ├─训练加速 new.mp4 (29)\28 第九周：自适应和gan；目录中文件数:1个 ├─28 第九周：自适应和gan.mp4 (30)\29 第九周：本周学习任务简单总结；目录中文件数:1个 ├─第九周：本周学习任务简单总结.docx

621

08-13 05:41

半个月入门人工智能AI产品经理视频教程

半个月入门人工智能AI产品经理视频教程 ─04.第三章几类典型AI产品经理的工作方法 │ 01.典型AI产品经理的工作方法.mp4 │ 02.如何善用AI供应商改造自有产品？.mp4 │ 03.如何从0开始做一款软硬协同型AI产品？.mp4 │ 04.以教育+AI为例，如何打造软硬协同型AI产品 .mp4 │ 05.AI+产品经理如何设计产品（行业赋能+自有产品）.mp4 │ 06.【图文】第三章小结（选修）.png │ 07.【试卷】第三章测试.png │ 08.【作业】第三章小作业.png │ ├─05.第四章 AI的行业落地应用 │ 01.AI+客服的行业落地应用 .mp4 │ 02.AI+新零售的行业落地应用 .mp4 │ 03.【图文】第四章小结（选修）.png │ 04.【试卷】第四章测试.png │ 05.【作业】第四章小作业.png │ javazx.com ├─06.第五章 AI不只是技术,更是种思维模式 │ 01.AI不只是技术，更是一种思维模式 .mp4 │ 02.【图文】第五章小结（选修）.png │ 03.【作业】第三至五章学习提问（选修）.png │ 04.【作业】第五章小作业.png │ └─07.课程总结 01.【作业】课程大作业.png 02.【作业】学习总结（选修）.png

638

08-13 05:40

机器学习高手全解最新扛鼎制作凝聚汗水的白板推导机器学习纯手工教学实战课程

机器学习高手最新扛鼎制作课程的最大优势，就是还原了课堂上课的真实感觉，加之讲师一流的技术水平以及清晰的逻辑和推导能力，让机器学习这个本身就难啃的硬骨头，软了不少。课程内容对机器学习进行了非常详细的拆解，除了常规的内容，还进行了包括高斯混合模型GMM，隐马尔可夫模型，变分推断，线性动态系统-卡曼滤波，受限玻尔兹曼机RBM，前馈神经网络等等前置的课程。如果觉得一般课程有难度的同学，可以来试试白板推导系列的课程，一定会有不一样的体验。 ===============课程目录=============== (1)\机器学习-白板推导系列（10）-EM算法；目录中文件数:6个 ├─EM算法（1）-EM算法公式以及算法收敛性证明.flv ├─EM算法（2）-EM算法公式导出之ELBO-KL Diver.flv ├─EM算法（3）-EM算法公式导出之ELBO-Jensen I.flv ├─EM算法（4）-EM算法再回首.flv ├─EM算法（5）-广义EM.flv ├─EM算法（6）-EM变种.flv (2)\机器学习-白板推导系列（11）-高斯混合模型GMM；目录中文件数:4个 ├─高斯混合模型（1）-模型介绍.flv ├─高斯混合模型（2）-极大似然.flv ├─高斯混合模型（3）-EM求解-E-Ste.flv ├─高斯混合模型（4）-EM求解-M-Ste.flv (3)\机器学习-白板推导系列（12）-变分推断；目录中文件数:5个 ├─变分推断1（背景介绍）.flv ├─变分推断2（公式推导).flv ├─变分推断3（再回首).flv ├─变分推断4（随机梯度变分推断-SGVI-1).flv ├─变分推断5（随机梯度变分推断-SGVI-2).flv (4)\机器学习-白板推导系列（13）-MCMC；目录中文件数:8个 ├─蒙特卡洛方法1.flv ├─蒙特卡洛方法2.flv ├─蒙特卡洛方法3.flv ├─蒙特卡洛方法4.flv ├─蒙特卡洛方法5-吉布斯采样.flv ├─蒙特卡洛方法6.flv ├─蒙特卡洛方法7.flv ├─蒙特卡洛方法8.flv (5)\机器学习-白板推导系列（14）-隐马尔可夫模型；目录中文件数:8个 ├─隐马尔可夫模型HMM（1）-背景介绍.flv ├─隐马尔可夫模型HMM（2）-背景介绍.flv ├─隐马尔可夫模型HMM（3）-前向算法.flv ├─隐马尔可夫模型HMM（4）-后向算法.flv ├─隐马尔可夫模型HMM（5）-Baum Welch算法.flv ├─隐马尔可夫模型HMM（6）-维特比算法.flv ├─隐马尔可夫模型HMM（7）-小结.flv ├─隐马尔可夫模型HMM（8）-小结.flv (6)\机器学习-白板推导系列（15）-线性动态系统-卡曼滤波；目录中文件数:3个 ├─线性动态系统1-KalmanFilter.flv ├─线性动态系统2-Filtering问题.flv ├─线性动态系统3-Filtering问题求解.flv (7)\机器学习-白板推导系列（16）-粒子滤波；目录中文件数:4个 ├─粒子滤波1-背景介绍.flv ├─粒子滤波2-重要性采样.flv ├─粒子滤波3-重采样.flv ├─粒子滤波4-SIR Filter.flv (8)\机器学习-白板推导系列（17）-条件随机场CRF；目录中文件数:8个 ├─条件随机场（1）-背景介绍.flv ├─条件随机场（2）-HMM VS MEM.flv ├─条件随机场（3）-MEMM VS CR.flv ├─条件随机场（4）-CRF模型-概率密度.flv ├─条件随机场（5）-CRF模型-概率密度.flv ├─条件随机场（6）-CRF模型-要解决的.flv ├─条件随机场（7）-CRF模型-Infe.flv ├─条件随机场（8）-CRF模型-Lear.flv (9)\机器学习-白板推导系列（18）-高斯网络；目录中文件数:3个 ├─高斯网络（1）-总体介绍.flv ├─高斯网络（2）-高斯贝叶斯网络.flv ├─高斯网络（3）-高斯马尔科夫随机场.flv (10)\机器学习-白板推导系列（19）-贝叶斯线性回归；目录中文件数:5个 ├─贝叶斯线性回归（1）-背景介绍.flv ├─贝叶斯线性回归（2）-推导介绍.flv ├─贝叶斯线性回归（3）-推导介绍.flv ├─贝叶斯线性回归（4）-推导预测.flv ├─贝叶斯线性回归（5）-小结.flv (11)\机器学习-白板推导系列（1）-开篇；目录中文件数:2个 ├─开篇（1）-频率派VS贝叶斯派.flv ├─开篇（2）-学习资料介绍.flv (12)\机器学习-白板推导系列（20）-高斯过程GP；目录中文件数:4个 ├─高斯过程GP（1）-简单介绍.flv ├─高斯过程GP（2）-权重空间角度.flv ├─高斯过程GP（3）-权重空间到函数空间.flv ├─高斯过程GP（4）-函数空间的角度.flv (13)\机器学习-白板推导系列（21）-受限玻尔兹曼机RBM；目录中文件数:6个 ├─受限玻尔兹曼机RBM（1）-背景介绍.flv ├─受限玻尔兹曼机RBM（2）-背景介绍.flv ├─受限玻尔兹曼机RBM（3）-模型表示.flv ├─受限玻尔兹曼机RBM（4）-模型表示.flv ├─受限玻尔兹曼机RBM（5）-模型推断.flv ├─受限玻尔兹曼机RBM（6）-模型推断.flv (14)\机器学习-白板推导系列（22）-谱聚类；目录中文件数:5个 ├─谱聚类（1）-背景介绍.flv ├─谱聚类（2）-模型介绍.flv ├─谱聚类（3）-模型的矩阵形式.flv ├─谱聚类（4）-模型的矩阵形式.flv ├─谱聚类（5）-模型的矩阵形式.flv (15)\机器学习-白板推导系列（23）-前馈神经网络；目录中文件数:3个 ├─前馈神经网络（1）-从机器学习到深度学习.flv ├─前馈神经网络（2）-从感知机到深度学习.flv ├─前馈神经网络（3）-非线性问题的三种解决方法.flv (16)\机器学习-白板推导系列（2）-数学基础；目录中文件数:7个 ├─数学基础（1）-高斯分布-极大似然估计.flv ├─数学基础（2）-高斯分布-极大似然估计（无偏估计VS有偏估计）).flv ├─数学基础（3）-高斯分布-从概率密度函数角度观察.flv ├─数学基础（4）-高斯分布-局限性.flv ├─数学基础（5）-高斯分布-已知联合概率求边缘概率及条件概率.flv ├─数学基础（6）-高斯分布-已知边缘和条件概率求联合概率分布.flv ├─数学基础（7）-不等式-杰森不等式.flv (17)\机器学习-白板推导系列（3）-线性回归；目录中文件数:4个 ├─线性回归1（最小二乘法及其几何意义）).flv ├─线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv ├─线性回归3（正则化-岭回归）).flv ├─线性回归4（正则化-岭回归-概率角度-高斯噪声高斯先验-MAP）.flv (18)\机器学习-白板推导系列（4）-线性分类；目录中文件数:9个 ├─线性分类1-背景.flv ├─线性分类2-感知机（Perceptron).flv ├─线性分类3-线性判别分析（Fisher判别分析）-模型.flv ├─线性分类4-线性判别分析（Fisher判别分析）-模型.flv ├─线性分类5-逻辑回归.flv ├─线性分类6-高斯判别分析.flv ├─线性分类7-高斯判别分析.flv ├─线性分类8-高斯判别分析.flv ├─线性分类9-朴素贝叶斯分类器.flv (19)\机器学习-白板推导系列（5）-降维；目录中文件数:6个 ├─降维1-背景介绍.flv ├─降维2-样本均值&样本方差的矩阵表示.flv ├─降维3-主成分分析（PCA）-最大投影方差角度.flv ├─降维4-主成分分析（PCA）-最小重构代价角度.flv ├─降维5-主成分分析（PCA）-SVD角度.flv ├─降维6-主成分分析（PCA）-概率角度.flv (20)\机器学习-白板推导系列（6）-支持向量机SVM；目录中文件数:9个 ├─支持向量机1-硬间隔SVM-模型定义.flv ├─支持向量机2-硬间隔SVM-模型求解.flv ├─支持向量机3-硬间隔SVM-模型求解.flv ├─支持向量机4-软间隔SVM-模型定义.flv ├─支持向量机5-约束优化问题-弱对偶性证明.flv ├─支持向量机6-约束优化问题-对偶关系的几何解.flv ├─支持向量机7-约束优化问题-对偶关系之sla.flv ├─支持向量机8-约束优化问题-对偶关系之KKT.flv ├─支持向量机9-备份.flv (21)\机器学习-白板推导系列（7）-核方法；目录中文件数:4个 ├─核方法（1）-背景介绍.flv ├─核方法（2）-正定核的两个定义.flv ├─核方法（3）-正定核充要条件-必要性证明.flv ├─核方法（4）-备份.flv (22)\机器学习-白板推导系列（8）-指数族分布；目录中文件数:7个 ├─指数族分布1-背景.flv ├─指数族分布2-背景.flv ├─指数族分布3-高斯分布的指数族形式.flv ├─指数族分布4-对数配分函数与充分统.flv ├─指数族分布5-极大似然估计与充分统.flv ├─指数族分布6-最大熵角度.flv ├─指数族分布7-最大熵角度.flv (23)\机器学习-白板推导系列（9）-概率图模型基础；目录中文件数:15个 ├─概率图模型1-背景介绍.flv ├─概率图模型10-推断.flv ├─概率图模型11-推断.flv ├─概率图模型12-推断.flv ├─概率图模型13-推断.flv ├─概率图模型14-概念补充-道德图.flv ├─概率图模型15-概念补充-因子图.flv ├─概率图模型2-贝叶斯网络-Representation-条件独立性.flv ├─概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv ├─概率图模型4-贝叶斯网络.flv ├─概率图模型5-贝叶斯网络.flv ├─概率图模型6-马尔可夫随机场.flv ├─概率图模型7-马尔可夫随机场.flv ├─概率图模型8-推断Inference.flv ├─概率图模型9-推断.flv

642

08-13 05:38

人工智能技术最前沿-用户画像系统实战学习基于大数据的画像处理技术视频教程

大数据和人工智能非常前沿的地带，也是一个非常有大规模市场的应用技术。课程帮助同学们轻松的入门大数据画像技术，详细的介绍了用户分析技术与Hive数据处理，用户画像性别预测、用户活跃度、用户消费能力等。核心的随机森林模型、lookalike精华课程、Spark计算、画像数据处理与指标生成。还有非常有参考价值的大数据画像项目课程，多维度带领大家进行学习。 ===============课程目录=============== ├─dmp-01什么是画像结合阿里达摩盘讲解.wmv ├─dmp-02画像功能介绍.wmv ├─dmp-03腾讯画像dmp介绍.wmv ├─dmp-04画像课程目录和目标.wmv ├─dmp-05画像基础指标性别预测方案-补录.wmv ├─dmp-06生产用户行为日志以及导入hive和数据处理..wmv ├─dmp-07用户app安装应用数据处理以及特征组合.wmv ├─dmp-08用户交易数据mysql同步hive.wmv ├─dmp-09用户画像性别预测spark代码01.wmv ├─dmp-10用户画像性别预测-spark代码02.wmv ├─dmp-11用户分群活跃区分打标签kmeans聚类编写.wmv ├─dmp-12基于统计用户分群含时间衰减和hive窗口函数.wmv ├─dmp-13用户消费能力等级划分代码编写01.wmv ├─dmp-14用户消费能力等级划分代码编写02.wmv ├─dmp-15tf-idf算法介绍.wmv ├─dmp-16手写tf-idf,以及后续sparkapi调用.wmv ├─dmp-17利用tf-idf思想进行画像偏好计算.wmv ├─dmp-18实时模型信用评分架构介绍.wmv ├─dmp-19节视频补录-随机森林信息熵和信息增益算法介绍.wmv ├─dmp-20flume安装以及java代码rpc发送数据.wmv ├─dmp-21离线随机森林模型代码开发-随机森林算法介绍.wmv ├─dmp-22实时模型预测和实时画像总结.wmv ├─dmp-23lookalike几种常见方法介绍.wmv ├─dmp-24局部敏感哈希(lsh)和相似度计算几种常见方法.wmv ├─dmp-25spark计算lsh采用杰卡德相似度.wmv ├─dmp-26lookalike大赛介绍以及lr来做预测.wmv ├─dmp-27dmp功能介绍、以及架构设计-补录.wmv ├─dmp-28技术选型、以及elasticsearch介绍-先看下面27讲.wmv ├─dmp-29elasticsearch安装和elasticsearch-head和elasticsearch-sql安装.wmv ├─dmp-30（1）画像数据处理、画像指标合并成宽表.wmv ├─dmp-30（2）画像数据处理、画像指标合并成宽表.wmv ├─dmp-31画像的脚本调度编写.wmv ├─dmp-32利用es做下钻查询以及多维度分析mp4.wmv ├─dmp-32画像数据写入es代码编写.wmv ├─dmp-33项目总结.wmv ├─dmp-34面试总结、怎样打造你的简历mp4.wmv (1)\资料；目录中文件数:5个 ├─753fca54c6084de18fbb090d8c482f98 ├─第12节.第二阶段代码和资料02.zip ├─第18节.creditscoring.zip ├─第1节.课时01 – 副本.pptx ├─第9节.sexmodel.zip

658

08-13 05:34

价值299 opencv+tensorflow入门人工智能图像处理

《价值299 opencv+tensorflow入门人工智能图像处理视频教程》AI的火爆程度可以说是“妇孺皆知”，无论是“美颜”还是AR识别，身边越来越多的AI元素出现在我们的生活中，让我们的生活更加丰富多彩。在这次课程中，我们就来通过丰富有趣的案例，来学习人工智能中的计算机视觉技术，迈上机器学习新台阶。第1章课程导学包括课程概述、课程安排、学习前提等方面的介绍，让同学们对计算机视觉有所理解第2章计算机视觉入门通过OpenCV以及TensorFlow两个方面介绍计算机入门的相关知识。OpenCV侧重点在于为大家补充图像处理的相关基础，如像素、文件封装格式、灰度等级、颜色通道等的概念。TensorFlow重点在于通过对常量、变量、矩阵等的介绍，学习并掌握TensorFlow的基本使用。… 第3章计算机视觉加强之几何变换本章节主要为大家介绍图像的几何变换。几何变换顾名思义就是对图片外形轮廓进行操作以适应不同的场景。如缩放、剪切、位移、镜像、旋转、仿射变换等。第4章计算机视觉加强之图像特效&线段文字绘制视频滤镜也是目前在计算机算法处理上比较火的一个方向之一，在本章节中将结合灰度、底板、马赛克、毛玻璃、边缘检测、油画效果等为大家介绍视频滤镜的使用第5章计算机视觉加强之图像美化每个人都有一个爱美的心，在这个章节中大家可以通过磨皮美白、亮度增强、直方图均衡化、图像滤波等方法自己美化自己的照片。第6章计算机视觉加强之机器学习本章节将结合haar+adaboost以及hog+svm分别实现人脸识别、卡通小狮子识别。将为大家介绍一个从训练到识别一个完整的机器学习案例。第7章手写数字识别通过knn、cnn两种方式，并结合每种方法的矩阵维度变化，深层次的讲解手写数字识别案例，讲述不一样的案例。第8章 “刷脸”识别在第六章的基础上，通过识别某个具体的人脸来达到“刷脸”的效果。该案例架构包含样本收集+图像预处理+神经网络训练识别。可以说是一个从样本到训练的完整项目。第9章课程总结对课程进行整体的回顾与总结

689

08-04 12:13

机器学习西瓜书训练营视频教程完结 it视频教程

机器学习西瓜书训练营视频教程完结 it视频教程集数合计：44讲部分目录 ├─19 第六周：深度学习初探 ├─20 第六周：了解sklearn包中神经网络的使用 ├─21 第六周：学习任务简单总结 ├─22 第七周：经验误差与过拟合 ├─23 第七周：评估方法 ├─24 第七周：性能度量 ├─25 第七周：了解sklearn包中模型评估方 ├─26 第七周：学习任务简单总结 ├─27 第八周：特征降维 ├─28 第八周：特征选择 137zw.com ├─29 第八周：了解sklearn包中特征选择和降维算法的使用 ├─30 第八周：学习任务简单总结 ├─31 第九周：集成学习 ├─33 第九周：结合策略 ├─34 第九周：实验-lightGBM的使用 ├─35 第九周：学习任务简单总结 ├─36 第十周：聚类 ├─37 第十周：HMM ├─38 第十周：实验-sklearn-user guide 2.3.2 ├─40 第十周：学习任务简单总结+问题收集日 ├─41 第十一周：任务与奖赏 ├─42 第十一周：K-摇臂赌博机+直播答疑日 ├─43 第十一周：有无模型学习 └─44 第十一周：学习任务简单总结

739

07-23 03:10

数学老师回来了-人工智能大数据的数学基石 Ai大数据领域的必学

称之为数学老师回来了，一点都不过分，课程如果单独列举出来，甚至可以独自的作为数学课程上的教材，但实际上却与大数据AI领域密切相关。其实坦白的讲，数学的能力在AI和大数据领域，尤其是从事算法相关的开发或者建模等等工作，都是非常紧要的一门基础课程，甚至可以说决定了工程们能够进修的深度。课程内容涵盖了线性代数，高等数学，概率论，最优化，优化论教学，凸优化进阶之对偶理论，数据降维的艺术，矩阵分析等等。如果同学们已经有一定的高数基础，在付出一定量的努力后，掌握课程内容应该不会特别难，但对于没有高数基础的同学们还是要再加强一下基础的数学课程。要明白，在AI大数据等领域，研习数学功底，帮助和提升是会有质的飞跃。 ===============课程目录=============== ├<01.第一阶段：AI数学基石> │ ├<01.第一章：线性代数> │ │ ├<视频> │ │ │ ├01_本章概述.mp4 │ │ │ ├02_定义和例子.mp4 │ │ │ ├03_向量及其运算.mp4 │ │ │ ├04_向量组的线性组合.mp4 │ │ │ ├05_向量组的线性相关性.mp4 │ │ │ ├06_内积的定义.mp4 │ │ │ ├07_范数的定义.mp4 │ │ │ ├08_内积的几何解释.mp4 │ │ │ ├09_矩阵和线性变换.mp4 │ │ │ ├10_线性变换.mp4 │ │ │ ├11_矩阵的运算.mp4 │ │ │ ├12_矩阵的转置.mp4 │ │ │ ├13_矩阵的行列式.mp4 │ │ │ ├14_逆矩阵.mp4 │ │ │ ├15_求解线性方程组.mp4 │ │ │ ├16_特征值和特征向量.mp4 │ │ │ ├17_对阵矩阵和正定矩阵.mp4 │ │ │ ├18_相似矩阵和对角化.mp4 │ │ │ ├19_二次型.mp4 │ │ │ └20_本章小结.mp4 │ ├<02.第二章：高等数学> │ │ ├<视频> │ │ │ ├01-本章概述.mp4 │ │ │ ├02-函数的定义.mp4 │ │ │ ├03-反函数.mp4 │ │ │ ├04-复合函数.mp4 │ │ │ ├05-引例.mp4 │ │ │ ├06-导数.mp4 │ │ │ ├07-函数的求导法则 .mp4 │ │ │ ├08-高阶导数.mp4 │ │ │ ├09-二元函数.mp4 │ │ │ ├10-二元函数的偏导数.mp4 │ │ │ ├11-方向导数和梯度.mp4 │ │ │ ├12-雅可比矩阵.mp4 │ │ │ ├13-海森矩阵.mp4 │ │ │ ├14-函数的极值.mp4 │ │ │ ├15-极值的定理.mp4 │ │ │ ├16-拉格朗日函数.mp4 │ │ │ ├17-泰勒展开式.mp4 │ │ │ └18-本章小结.mp4 │ ├<03.第三章：概率论> │ │ ├<视频> │ │ │ ├01-本章概述.mp4 │ │ │ ├02-基础概念.mp4 │ │ │ ├03-随机事件的概率.mp4 │ │ │ ├04-条件概率.mp4 │ │ │ ├05-事件的独立性.mp4 │ │ │ ├06-全概率公式和贝叶斯公式.mp4 │ │ │ ├07-随机变量的定义.mp4 │ │ │ ├08-概率分布.mp4 │ │ │ ├09-概率密度函数.mp4 │ │ │ ├10-随机变量的期望.mp4 │ │ │ ├11-随机变量的方差.mp4 │ │ │ ├12-最大似然估计(上) (1).mp4 │ │ │ ├13-最大似然估计(下) .mp4 │ │ │ └14-本章小节.mp4 │ ├<04.第四章：最优化> │ │ ├<视频> │ │ │ ├01-本章概述.mp4 │ │ │ ├02-基本形式.mp4 │ │ │ ├03-分类.mp4 │ │ │ ├04-线性规划问题实例.mp4 │ │ │ ├05-线性规划的标准形式.mp4 │ │ │ ├06-线性规划问题的求解.mp4 │ │ │ ├07-空间里的直线.mp4 │ │ │ ├08-仿射集.mp4 │ │ │ ├09-凸集.mp4 │ │ │ ├10-超平面和半空间.mp4 │ │ │ ├11-凸函数.mp4 │ │ │ ├12-凸优化问题.mp4 │ │ │ └13-本章小结 .mp4 ├<02.第二阶段：优化论初步> │ ├<01.第一章优化迭代统一论> │ │ ├<视频> │ │ │ ├01-本微专业概述.mp4 │ │ │ ├02-线性回归建模.mp4 │ │ │ ├03-无约束优化分析法(上).mp4 │ │ │ ├04-无约束优化分析法(下).mp4 │ │ │ ├05-无约束迭代法.mp4 │ │ │ ├06-线性回归求解.mp4 │ │ │ └07-案例分析.mp4 │ │ ├<作业> │ │ │ ├<第一章优化迭代统一论作业_客观题> │ │ │ │ ├1.png │ │ │ │ ├2.png │ │ │ │ ├3.png │ │ │ │ └答案.txt │ │ │ ├<第一章优化迭代统一论作业_主观题> │ │ │ │ ├1.png │ │ │ │ └2.png │ ├<02.第二章深度学习反向传播> │ │ ├<第二章深度学习反向传播作业_客观题> │ │ │ ├1.png │ │ │ ├2.png │ │ │ ├3.png │ │ │ └答案.txt │ │ ├<视频> │ │ │ ├01-回归与分类、神经网络.mp4 │ │ │ ├02-BP算法(上).mp4 │ │ │ ├03-BP算法(下).mp4 │ │ │ └04-计算图.mp4 ├<03.第三阶段：优化论进阶> │ ├<01.第一章凸优化基础> │ │ ├<视频> │ │ │ ├01-一般优化问题.mp4 │ │ │ ├02-凸集和凸函数基础(上).mp4 │ │ │ ├03-凸集和凸函数基础(下).mp4 │ │ │ ├04-凸优化问题.mp4 │ │ │ └05-案例分析.mp4 │ ├<02.第二章凸优化进阶之对偶理论> │ │ ├<第二章凸优化进阶之对偶理论作业> │ │ │ ├客观题.PNG │ │ │ ├客观题答案.txt │ │ │ └主观题.PNG │ │ ├<视频> │ │ │ ├01-凸优化问题.mp4 │ │ │ ├02-对偶(上).mp4 │ │ │ ├03-对偶(下).mp4 │ │ │ └04-问题案例.mp4 │ ├<03.第二章主观题答案> │ │ ├1.PNG │ │ ├2.PNG │ │ ├3.PNG │ │ ├4.PNG │ │ ├5.PNG │ │ ├6.PNG │ │ ├7.PNG │ │ └8.PNG │ ├<04.第三章 SVM> │ │ ├<第三章 SVM作业> │ │ │ ├答案.txt │ │ │ ├客观题.PNG │ │ │ └主观题.PNG │ │ ├<视频> │ │ │ ├01-问题案例.mp4 │ │ │ ├02-SVM建模-成片.mp4 │ │ │ ├03-SVM求解-成片.mp4 │ │ │ └04-SVM扩展-成片.mp4 ├<04.第四阶段：数据降维的艺术> │ ├<01.第一章节：矩阵分析上篇> │ │ ├第四门_数据降维的艺术.rar │ │ ├<视频> │ │ │ ├01-线性代数基础与精华.mp4 │ │ │ ├02-特征分解.mp4 │ │ │ └03-PCA.mp4 │ ├<02.第二章节：矩阵分析下> │ │ ├<考核作业> │ │ │ ├第二章矩阵分析下篇作业_主观题.PNG │ │ │ ├第一章矩阵分析上篇作业_主观题.PNG │ │ │ ├<第二章矩阵分析下篇作业_客观题> │ │ │ │ ├1.PNG │ │ │ │ ├2.PNG │ │ │ │ └答案.txt │ │ │ ├<第一章矩阵分析上篇作业_客观题> │ │ │ │ ├1.PNG │ │ │ │ ├2.PNG │ │ │ │ └答案.txt │ │ ├<视频> │ │ │ ├01-特征分解复习.mp4 │ │ │ ├02-SVD理论.mp4 │ │ │ └03-矩阵其他重要知识及实际应用.mp4 ├<资料> │ ├<【非常重要】预习_本科数学划重点 (1)> │ ├<Matlab a 中文版> │ │ └MATLAB win64.zip

828

07-20 03:42

深度学习30天系统实训【完整版】视频教程》深度学习30天系统实训

《深度学习30天系统实训【完整版】视频教程》深度学习30天系统实训【完整版】视频教程视频教程目录： ├─第一章 │ 1-1课程概述与环境配置.mp4 │ 1-2深度学习与人工智能概述.mp4 │ 1-3机器学习常规套路.mp4 │ 1-4K近邻与交叉验证.mp4 │ 1-5得分函数.mp4 │ 1-6损失函数.mp4 │ 1-7softmax分类器.mp4 │ 1-8课后讨论与答疑.mp4 │ 神经网络（上课）.pdf │ ├─第二章 │ 2-1梯度下降原理6 │ 2-2学习率的作用) │ 2-3反向传播 │ 2-4神经网络基础架构 │ 2-5神经网络实例演示 │ 2-6正则化与激活函数.mp4 │ 2-7drop-out.mp4 │ 2-8课后讨论.mp4 │ ├─第三章-tensorflow训练mnist数据集 │ 3-1tensorflow安装.mp4 │ 3-2tensorflow基本套路.mp4 │ 3-3tensorflow常用操作.mp4 │ 3-4tensorflow实现线性回归.mp4 │ 3-5tensorflow实现手写字体.mp4 │ 3-6参数初始化.mp4 │ 3-7迭代完成训练.mp4 │ 3-8课后讨论.mp4 │ mnist.zip │ ├─第三次课程代码 │ imagenet-vgg-verydeep-19.mat │ tensorflow.pptx │ tensorflow代码.zip │ ├─第四章-卷积神经网络 │ 4-1卷积体征提取.mp4 │ 4-2卷积计算流程.mp4 │ 4-3卷积层计算参数.mp4 │ 4-4池化层操作.mp4 │ 4-5卷积网络整体架构.mp4 │ 4-6经典网络架构.mp4 │ javazx.com ├─第五章-CNN实战与验证码识别 │ 5-1卷积网络复习（验证码数据代码下载–）.mp4 │ 5-2使用CNN训练mnist数.mp4 │ 5-3卷积与池化操作.mp4 │ 5-4定义卷积网络计算流程.mp4 │ 5-5完成迭代训练.mp4 │ 5-6验证码识别概述.mp4 │ 5-7验证码识别流程.mp4 │ 验证码案例.zip │ ├─第六章-自然语言处理-word2vec │ 6-1自然语言处理与深度学.mp4 │ 6-2语言模型.mp4 │ 6-3神经网络模型.mp4 │ 6-4CBOW模型.mp4 │ 6-5参数更新.mp4 │ 6-6负采样模型.mp4 │ 6-7案例：影评情感分类(数据.mp4 │ ├─第七章-word2vec实战与对抗生成网络 │ 7-1基于词袋模型训练分类器.mp4 │ 7-2准备word2vec输入数据.mp4 │ 7-3使用gensim构建word2.mp4 │ 7-4tfidf原理.mp4 │ 7-5对抗生成网络原理概述(GAN数据代码下载—).mp4 │ 7-6GAN网络结构定义.mp4 │ 7-7 Gan迭代生成.mp4 │ 7-8DCGAN网络特性（DCGAN数据代码下载—）.mp4 │ 7-9DCGAN网络细节.mp4 │ └─第八章-LSTM情感分析与黑科技概述 8-1 RNN网络架构.mp4 8-2LSTM网络架构.mp4 8-3案例：使用LSTM进行情.mp4 8-4情感数据集处理.mp4 8-5基于word2vec的LSTM模型.mp4 8-6趣味网络串讲（数据代.mp4 8-7课后讨论版.mp4

772

07-15 12:33

人工智能时代的大数据与复杂系统一月特训班课程入门到精通视频教程

从Alpha—GO到无人驾驶，人工智能AI结合大数据发挥出惊人功效的场景越来越多。如何从零开始真正入门这个领域？人工智能、大数据与复杂系统一月特训班可以帮到您！人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。课程大纲目录 01-复杂系统 02-大数据与机器学习 03-人工智能的三个阶段 04-高等数学—元素和极限 05-复杂经济学应用 06-机器学习与监督算法 07-阿尔法狗与强化学习算法 08-高等数学—两个重要的极限定理 09-高等数学—导数 10-贝叶斯理论 11-高等数学—泰勒展开 12-高等数学—偏导数 13-高等数学—积分 14-高等数学—正态分布 15-朴素贝叶斯和最大似然估计 16-线 17-数据科学和统计学（上） 18-线代数—矩阵、等价类和行列式 19-Python基础课程（上） 20-线代数—特征值与特征向量 21-监督学习框架 22-Python基础课程（下） 23-PCA、降维方法引入 24-数据科学和统计学（下） 25-Python操作数据库、 Python爬虫 26-线分类器 27-Python进阶（上） 28-Scikit-Learn 29-熵、逻辑斯蒂回归、SVM引入 30-Python进阶（下） 31-决策树 32-数据呈现基础 33-云计算初步 34-D-Park实战 35-第四范式分享 36-决策树到随机森林 37-数据呈现进阶 38-强化学习（上） 39-强化学习（下） 40-SVM和网络引入 41-集成模型总结和GDBT理解及其衍生应用 42-网络 43-监督学习－回归 44-监督学习－分类 45-网络基础与卷积网络 46-时间序列预测 47-人工智能金融应用 48-计算机视觉深度学习入门目的篇 49-计算机视觉深度学习入门结构篇 50-计算机视觉学习入门优化篇 51-计算机视觉深度学习入门数据篇 52-计算机视觉深度学习入门工具篇 53-个化推荐算法 54-Pig和Spark巩固 55-人工智能与 56-网络 57-线动力学 58-订单流模型 59-区块链一场革命 60-统计物理专题（一） 61-统计物理专题（二） 62-复杂网络简介 63-ABM简介及金融市场建模 64-用伊辛模型理解复杂系统 65-金融市场的复杂性 66-广泛出现的幂律分布 67-自然启发算法 68-机器学习的方法 69-模型可视化工程管理 70-Value Iteration Networks 70-最新回放 71-线动力学系统（上） 72-线动力学系统（下） 73-自然语言处理导入 74-复杂网络上的物理传输过程 75-RNN及LSTM 76-漫谈人工智能创业 77-学习其他主题 78-课程总结

691

«
1
2
3
4
5
6
7
8
9
»