人工智能

11-07 03:50

高等数学学习算法人工智能大数据的必修课视频教程

《高等数学学习算法人工智能大数据的必修课视频教程》javazx.com 高等数学学习算法人工智能大数据的必修课视频教程 Java视频教程目录一: 课程介绍二: 集合与运算三: 映射与函数; 四: 数列极限8 五: 函数极限8 六: 无穷小和无穷大七: 极限运算八: 函数的连续性与间断点九: 导数与微分十: 微分中值定理与导数的应用

623

08-13 05:44

数学老师回来了-人工智能大数据的数学基石 Ai大数据领域的必学先导课程数据基础实战

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

622

08-25 11:11

打开深度学习的大门：机器学习深度神经网络学习基础课程深度学习基础必备课程

打开深度学习的大门：机器学习深度神经网络学习基础课程深度学习基础必备课程 ===============课程目录=============== (1)\\\\视频；目录中文件数:30个 ├─(1) 1.1课程介绍机器学习介绍上.mp4 ├─(2) 1.1课程介绍机器学习介绍下.mp4 ├─(3) 1.2深度学习介绍.mp4 ├─(4) 2基本概念.mp4 ├─(5) 3.1决策树算法.mp4 ├─(6) 3.2决策树应用.mp4 ├─(7) 4.1最邻近规则分类KNN算法.mp4 ├─(8) 4.2最邻近规则KNN分类应用.mp4 ├─(9) 5.1 支持向量机(SVM)算法（上）.html ├─(10) 5.1 支持向量机(SVM)算法（上）应用.html ├─(11) 5.1支持向量机SVM上.mp4 ├─(12) 5.1支持向量机SVM上应用.mp4 ├─(13) 6.2神经网络算法应用上.mp4 ├─(14) 6.3神经网络算法应用下.mp4 ├─(15) 7.1简单线性回归上.mp4 ├─(16) 7.2简单线性回归下.mp4 ├─(17) 7.3多元线性回归.mp4 ├─(18) 7.4多元线性回归应用.mp4 ├─(19) 7.5非线性回归 Logistic Regression.mp4 ├─(20) 7.6非线性回归应用.mp4 ├─(21) 7.7回归中的相关度和决定系数.mp4 ├─(22) 7.8回归中的相关性和R平方值应用.mp4 ├─(23) 8.1Kmeans算法.mp4 ├─(24) 8.2Kmeans应用.mp4 ├─(25) 8.3Hierarchical clustering 层次聚类.mp4 ├─(26) 8.4Hierarchical clustering 层次聚类应用.mp4 ├─(27) 总结.mp4 ├─(28) 支持向量机(SVM)算法(下)应用.mp4 ├─(29) 支持向量机(SVM)算法下.mp4 ├─(30) 神经网络NN算法.mp4 (2)\\\\课件；目录中文件数:29个 ├─(31) 1.1 课程介绍 & 机器学习介绍.html ├─(32) 1.2 深度学习(Deep Learning)介绍.html ├─(33) 2 基本概念 (Basic Concepts).html ├─(34) 3.1 决策树(decision tree)算法.html ├─(35) 3.2 决策树(decision tree)应用.html ├─(36) 4.1 最邻近规则分类(K-Nearest Neighbor)KNN算法.html ├─(37) 4.2 最邻近规则分类(K-Nearest Neighbor)KNN算法应用.html ├─(38) 5.1 支持向量机(SVM)算法（上）.html ├─(39) 5.1 支持向量机(SVM)算法（上）应用.html ├─(40) 5.2 支持向量机(SVM)算法（下）.html ├─(41) 5.3 支持向量机(SVM)算法（下）应用.html ├─(42) 6.1 神经网络算法(Nerual Networks)（上）.html ├─(43) 6.2 神经网络算法(Nerual Networks)应用(上）.html ├─(44) 6.3 神经网络算法(Nerual Networks)应用(下）.html ├─(45) 7.1 简单线性回归 (Simple Linear Regression)上.html ├─(46) 7.1 简单线性回归 (Simple Linear Regression)下.html ├─(47) 7.3　多元回归分析(multiple regression).html ├─(48) 7.4　多元回归分析(multiple regression)应用.html ├─(49) 7.5 非线性回归 logistic regression.html ├─(50) 7.6 非线性回归应用：losgistic regression application.html ├─(51) 7.7 回归中的相关度和R平方值.html ├─(52) 7.8 回归中的相关度和R平方值应用.html ├─(53) 8.1 聚类(Clustering) K-means算法.html ├─(54) 8.2 聚类(Clustering) K-means算法应用.html ├─(55) 8.3 聚类(Clustering) hierarchical clustering 层次聚类.html ├─(56) 8.4 聚类(Clustering) hierarchical clustering 层次聚类应用.html ├─(57) 810a19d8bc3eb1351e89fd05a41ea8d3fc1f44c5.jpg ├─(58) HierachecalClustering.png ├─(59) 代码与素材.rar (3)\\\\课件\\\\1.2 深度学习(Deep Learning)介绍_files；目录中文件数:14个 ├─(60) 1-BOngaxvWRFHm3O2yo3YPhA.jpeg ├─(61) 1-RbQSv8m3SjBsWBniYdgwQQ.jpeg ├─(62) 1-sIKCN5ddB0BP55WxlYqtYg.jpeg ├─(63) DeepNetwork.png ├─(64) images [1].jpg ├─(65) images.jpg ├─(66) imgres [1].jpg ├─(67) imgres [2].jpg ├─(68) imgres [3].jpg ├─(69) imgres [4].jpg ├─(70) imgres [5].jpg ├─(71) imgres [6].jpg ├─(72) imgres.jpg ├─(73) science-journal.gif (4)\\\\课件\\\\3.1 决策树(decision tree)算法_files；目录中文件数:10个 ├─(74) c2cec3fdfc0392456a6ac4258694a4c27d1e2538.jpg ├─(75) Image [1].png ├─(76) Image [2].png ├─(77) Image [3].png ├─(78) Image [4].png ├─(79) Image [5].png ├─(80) Image [6].png ├─(81) Image [7].png ├─(82) Image [8].png ├─(83) Image.png (5)\\\\课件\\\\3.2 决策树(decision tree)应用_files；目录中文件数:1个 ├─(84) Image.png (6)\\\\课件\\\\4.1 最邻近规则分类(K-Nearest Neighbor)KNN算法_files；目录中文件数:7个 ├─(85) Image [1].png ├─(86) Image [2].png ├─(87) Image [3].png ├─(88) Image [4].png ├─(89) Image.png ├─(90) images.jpg ├─(91) imgres.png (7)\\\\课件\\\\4.2 最邻近规则分类(K-Nearest Neighbor)KNN算法应用_files；目录中文件数:2个 ├─(92) kahi2.jpg ├─(93) Virginia_Iris.png (8)\\\\课件\\\\5.1 支持向量机(SVM)算法（上）_files；目录中文件数:19个 ├─(94) 220px-Svm_separating_hyperplanes_(SVG).svg.png ├─(95) Image [10].png ├─(96) Image [11].png ├─(97) Image [12].png ├─(98) Image [13].png ├─(99) Image [14].png ├─(100) Image [15].png ├─(101) Image [1].png ├─(102) Image [2].png ├─(103) Image [3].png ├─(104) Image [4].png ├─(105) Image [5].png ├─(106) Image [6].png ├─(107) Image [7].png ├─(108) Image [8].png ├─(109) Image [9].png ├─(110) Image.png ├─(111) images [1].jpg ├─(112) images.jpg (9)\\\\课件\\\\5.2 支持向量机(SVM)算法（下）_files；目录中文件数:16个 ├─(113) Image [10].png ├─(114) Image [11].png ├─(115) Image [12].png ├─(116) Image [1].png ├─(117) Image [2].png ├─(118) Image [3].png ├─(119) Image [4].png ├─(120) Image [5].png ├─(121) Image [6].png ├─(122) Image [7].png ├─(123) Image [8].png ├─(124) Image [9].png ├─(125) Image.png ├─(126) main-qimg-b88037063b9a4cae241ee6b0ab841356.png ├─(127) main-qimg-de8f2ca9c807ee184e2509639fce066d.jpg ├─(128) main-qimg-dff9507297a2320460ff4d9cd5825683.png (10)\\\\课件\\\\6.1 神经网络算法(Nerual Networks)（上）_files；目录中文件数:16个 ├─(129) cross_validation.jpg ├─(130) Image [10].png ├─(131) Image [11].png ├─(132) Image [12].png ├─(133) Image [13].png ├─(134) Image [14].png ├─(135) Image [1].png ├─(136) Image [2].png ├─(137) Image [3].png ├─(138) Image [4].png ├─(139) Image [5].png ├─(140) Image [6].png ├─(141) Image [7].png ├─(142) Image [8].png ├─(143) Image [9].png ├─(144) Image.png (11)\\\\课件\\\\6.2神经网络算法应用上；目录中文件数:1个 ├─(145) 6.2神经网络算法应用上.mp4 (12)\\\\课件\\\\6.3神经网络算法应用下；目录中文件数:1个 ├─(146) 6.3神经网络算法应用下.mp4 (13)\\\\课件\\\\7.1 简单线性回归 (Simple Linear Regression)上_files；目录中文件数:8个 ├─(147) Image [1].png ├─(148) Image [2].png ├─(149) Image [3].png ├─(150) Image [4].png ├─(151) Image [5].png ├─(152) Image [6].png ├─(153) Image [7].png ├─(154) Image.png (14)\\\\课件\\\\7.1 简单线性回归 (Simple Linear Regression)下_files；目录中文件数:7个 ├─(155) Image [1].png ├─(156) Image [2].png ├─(157) Image [3].png ├─(158) Image [4].png ├─(159) Image [5].png ├─(160) Image [6].png ├─(161) Image.png (15)\\\\课件\\\\7.3　多元回归分析(multiple regression)_files；目录中文件数:2个 ├─(162) Image [1].png ├─(163) Image.png (16)\\\\课件\\\\7.5 非线性回归 logistic regression_files；目录中文件数:18个 ├─(164) 001QAImHgy6I1oEKVWg50&690.jpg ├─(165) 001QAImHgy6I1oGTmnA36&690.jpg ├─(166) 001QAImHgy6I1ohlalO18&690.jpg ├─(167) 001QAImHgy6I1oi9u8Kae&690.jpg ├─(168) 001QAImHgy6I1ojfTjYaa&690.jpg ├─(169) 001QAImHgy6I1oJm3Qz27&690.jpg ├─(170) 001QAImHgy6I1ok9Brb61&690.jpg ├─(171) 001QAImHgy6I1olbW3yfc&690.jpg ├─(172) 001QAImHgy6I1omK5aoc8&690.jpg ├─(173) 001QAImHgy6I1osqQ7lc7&690.jpg ├─(174) 001QAImHgy6I1otAWE890&690.jpg ├─(175) 001QAImHgy6I1oudixl13&690.jpg ├─(176) 001QAImHgy6I1owps7Ud2&690.jpg ├─(177) 8694e4193ba45b55403595096b7d23c5.png ├─(178) Image [1].png ├─(179) Image.png ├─(180) imgres [1].jpg ├─(181) imgres.jpg (17)\\\\课件\\\\7.7 回归中的相关度和R平方值_files；目录中文件数:7个 ├─(182) cb8065380cd7912374922436af345982b2b78006.png ├─(183) Image.png ├─(184) imgf000045_0001.png ├─(185) imgres [1].jpg ├─(186) imgres [1].png ├─(187) imgres.jpg ├─(188) imgres.png (18)\\\\课件\\\\8.1 聚类(Clustering) K-means算法_files；目录中文件数:16个 ├─(189) Image [10].png ├─(190) Image [11].png ├─(191) Image [12].png ├─(192) Image [13].png ├─(193) Image [1].png ├─(194) Image [2].png ├─(195) Image [3].png ├─(196) Image [4].png ├─(197) Image [5].png ├─(198) Image [6].png ├─(199) Image [7].png ├─(200) Image [8].png ├─(201) Image [9].png ├─(202) Image.png ├─(203) imgres [1].jpg ├─(204) imgres.jpg (19)\\\\课件\\\\8.3 聚类(Clustering) hierarchical clustering 层次聚类_files；目录中文件数:1个 ├─(205) 810a19d8bc3eb1351e89fd05a41ea8d3fc1f44c5.png

622

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

615

01-31 07:30

机器学习+深度学习【11套课程】

机器学习+深度学习【11套课程】

614

08-14 12:54

自动聊天机器人项目班 [一门课搞定聊天机器人]

第1课聊天机器人的基础模型与综述实战项目：最简单的Rule-Base聊天机器人知识点1：NLP基本算法第3课用基础机器学习方法制作聊天机器人实战项目：说学逗唱的基础机器人第4课深度学习基础及扫盲实战项目：经典深度学习问题与解法知识点1：seq2seq生成模型第6课用深度学习方法制作聊天机器人第7课看图回答VQA 实战项目：VQA机器人第8课简单易用的聊天机器人开发平台与展望实战项目：打造真实场景中的deploy聊天机器人

614

01-28 08:33

VR虚拟现实入门及项目开发视频教程

VR虚拟现实入门及项目开发视频教程通过十几节课的讲解，首先普及虚拟现实（VR）产业的产生、发展、预测辉煌的发展未来等，然后以具体的VR产品，讲解具体的安装、使用、开发VR项目。让你短时间内对VR产业的整体有个总体的了解与掌握！【课程目录】 1.什么是虚拟现实 2.VR技术特性 3.VR技术原理 4.国内整体产业布局 5.国外三大VR产品 6.Occuls产品介绍 7.HTC与SonyVR介绍 8.国内3GlassesVR应用介绍 9.国内3GlassesVR内容讲解 10.Occuls开发示例简介 11.3Glasses导入SDK 12.开发HelloWorld_VR 13.编写HelloWorld_VR项目移动控制脚本 14.测试与评估VR项目 15.射击项目改造VR版本A 16.射击项目改造VR版本B

612

11-11 01:39

如何搭建金融信贷风控中的机器学习模型天善学院

风控是金融业务的核心组成部分，而信贷风控又是整个风控领域体量最大、挑战最大的类型。传统的信贷风控主要靠资深从业人员依靠自身的经验设置的专家规则。随着统计学、大数据、机器学习的发展，现代信用风控越来越偏向量化模型的手段来得以解决风控问题。本课程使用真实场景下的信贷违约数据，从基础的数据分析开始，一步步构建依赖逻辑回归、XGBoost、神经网络模型等方法的风控模型。同时，本课程也会展示信贷风控领域中经常面临的挑战和相应的解决方法。从第三节课开始，每节课都会在真实数据的基础上完成本章节的模块设计。课程目录 ├──01.数据分析的基本概念（）.mp4 42.72M ├──02.数据可视化）.mp4 27.46M ├──03.数据分析的常用模型）.mp4 41.78M ├──04.数据分析的常用工具）.mp4 6.68M ├──05.互联网金融简介和特点）.mp4 23.98M ├──06.互联网金融的主要模式）.mp4 31.12M ├──07.常见的个人信贷产品）.mp4 43.32M ├──08.个贷产品中的风险（上）.mp4 37.34M ├──09.个贷产品中的风险（下）.mp4 23.16M ├──10.评分卡模型简介）.mp4 35.53M ├──11.特征构造.mp4 37.17M ├──12.数据的质量检验.mp4 53.80M ├──13.代码实现.mp4 53.05M ├──14.特征的分箱.mp4 86.50M ├──15.特征信息值与数值编码、单变量分析、多变量分析.mp4 64.62M ├──16.概念补充说明.mp4 38.64M ├──17.代码实现.mp4 199.75M ├──18.逻辑回归模型的基本概念.mp4 62.88M ├──19.基于LR模型的评分卡构建工作.mp4 30.17M ├──20.尺度化2.mp4 14.89M ├──21.模型的区分度与预测性.mp4 51.62M ├──22.模型的平稳性、模型调优以及代码讲解.mp4 52.65M ├──23.神经网络模型的概述、激活函数与损失函数.mp4 48.01M ├──24.反向传播法.mp4 37.63M ├──25.实际案例.mp4 22.03M ├──26.代码讲解.mp4 16.10M ├──27.Gradient Boosting的概念.mp4 14.96M ├──28.GBDT模型简介.mp4 40.24M ├──29.GBDT的升级版：XGBoost.mp4 41.16M ├──30.XGBoost模型在信贷风控中的应用.mp4 21.90M ├──31.元模型与集成模型.mp4 29.31M ├──32.Bagging.mp4 18.14M ├──33.Boosting.mp4 23.54M ├──34.Stacking.mp4 26.67M ├──35.案例及代码.mp4 48.31M ├──36.基本概念.mp4 30.90M ├──37.特征构造.mp4 32.83M ├──38.模型开发.mp4 94.24M ├──39.标签缺失的定义.mp4 15.69M ├──40.补全标签的方法（上）.mp4 25.64M ├──41.补全标签的方法（下）.mp4 32.19M ├──42.案例与代码.mp4 44.56M ├──43.过采样与欠采样.mp4 23.59M ├──44.SMOTE.mp4 31.86M └──45.样本权重法与案例.mp4 23.31M

610

08-13 05:46

最新机器学习一线高级项目融入全新k近邻算法全套机器学习项目课程+项目代码+资料

最新机器学习一线高级项目课程，不仅仅有高级的项目，而在项目进行的同时融入了非常多全新的机器学习及相关技术。课程融入全新的k近邻算法，Bagging、Boosting、AdaBoost、k-means聚类等等，课程没有基础的部分教学，需要同学们已经有扎实的机器学习基础后才能进行进修学习。课程以周为单位，渐进的深入项目，并且课程每周都有任务的总结与作业布置，可以让同学们更加的贴近课程，让学习更有效率，是每位机器学习或相关算法工程师必修的全新高级项目课程。 ===============课程目录=============== 课程章节目录 00 第一周：绪论和准备 01 第一周：学习k-近邻算法 02 第一周项目作业打卡日 03 第一周：天池 o2o 优惠券使用预测比赛 – 初级 04 第一周：本周任务简单总结 05 第二周：学习决策树的构造 06 第二周：测试和存储决策树 07 第二周：项目作业打卡日 08 第二周：天池 o2o 比赛 – 使用决策树模型 09 第二周：本周任务简单总结 11 第三周：文本分类与垃圾邮件过滤 12 第三周：直播答疑日 13 第三周：项目作业打卡日 14 第三周：天池 o2o 比赛 – 使用朴素贝叶斯模型 15 第三周：本周任务简单总结 16 第四周：逻辑回归 17 第四周：项目作业打卡日 18 第四周：天池 o2o 比赛 – 使用逻辑回归模型 19 第四周：本周任务简单总结 20 第四周：支持向量机基本原理 21 第五周：SMO算法 22 第五周：核函数 23 直播答疑 24 第五周：项目作业打卡日 25 第五周：使用支持向量机模型 26 第五周：本周任务简单总结 27 第六周：Bagging、Boosting、AdaBoost 28 第六周：AdaBoost 实现、非均衡分类 29 第六周：项目作业打卡日 30 第六周：天池 o2o 比赛 – 使用 AdaBoost 模型 31 第六周：本周任务简单总结 32 第七周：线性回归 33 第七周：项目作业打卡日 34 第七周：正则化、偏差与方差 35 直播答疑 36 第七周：CART 树 37 第八周：树剪枝 38 第八周：模型树 40 第八周：项目作业打卡日 41 第八周：天池 o2o 优惠券使用预测比赛（进阶） 42 第八周：本周任务简单总结 43 第九周：k-means 聚类 44 第九周：二分 k-means 聚类 45 第九周：项目作业打卡日+直播问题收集日 46 第九周：本周任务简单总结 47 第十周：降维 PCA 49 第十周：奇异值分解 SVD+直播答疑 50 第十周：项目作业打卡日2 51 第十周：项目作业打卡日3 52 第十周：本周任务简单总结详细课程目录 (1)\00 第一周：绪论和准备；目录中文件数:4个 ├─(1) ziliao 2.docx ├─(2) 【《机器学习实战》训练营】——绪论.mp4 ├─(3) 资料 3.docx ├─(4) 资料.pdf (2)\01 第一周：学习k-近邻算法；目录中文件数:2个 ├─(5) kecheng.pdf ├─(6) 资料.docx (3)\02 第一周项目作业打卡日；目录中文件数:1个 ├─(7) 资料.docx (4)\03 第一周：天池 o2o 优惠券使用预测比赛 – 初级；目录中文件数:3个 ├─(8) 03.docx ├─(9) 代码数据集.txt ├─(10) 天池 o2o 优惠券使用预测比赛 – 初级.mp4 (5)\04 第一周：本周任务简单总结；目录中文件数:1个 ├─(11) 自来哦.docx (6)\05 第二周：学习决策树的构造；目录中文件数:5个 ├─(12) 【作业讲解】——约会网站配对.mp4 ├─(13) 【作业讲解】—手写识别系统.mp4 ├─(14) 代码.txt ├─(15) 如何构造决策树.mp4 ├─(16) 资料.docx (7)\06 第二周：测试和存储决策树；目录中文件数:1个 ├─(17) 资料.docx (8)\07 第二周：项目作业打卡日；目录中文件数:1个 ├─(18) 资料.pdf (9)\08 第二周：天池 o2o 比赛 – 使用决策树模型；目录中文件数:1个 ├─(19) 资料.docx (10)\09 第二周：本周任务简单总结；目录中文件数:1个 ├─(20) 资料.docx (11)\11 第三周：文本分类与垃圾邮件过滤；目录中文件数:1个 ├─(21) 资料.docx (12)\12 第三周：直播答疑日；目录中文件数:1个 ├─(22) 第三周：直播答疑日.mp4 (13)\13 第三周：项目作业打卡日；目录中文件数:1个 ├─(23) 资料.docx (14)\14 第三周：天池 o2o 比赛 – 使用朴素贝叶斯模型；目录中文件数:1个 ├─(24) 资料.docx (15)\15 第三周：本周任务简单总结；目录中文件数:1个 ├─(25) 资料.docx (16)\16 第四周：逻辑回归；目录中文件数:4个 ├─(26) Python项目：使用朴素贝叶斯过滤垃圾邮件.mp4 ├─(27) 交叉熵.mp4 ├─(28) 梯度下降法.mp4 ├─(29) 资料.pdf (17)\17 第四周：项目作业打卡日；目录中文件数:1个 ├─(30) 新建 Microsoft Word 文档.docx (18)\18 第四周：天池 o2o 比赛 – 使用逻辑回归模型；目录中文件数:1个 ├─(31) 18.docx (19)\19 第四周：本周任务简单总结；目录中文件数:1个 ├─(32) 19.docx (20)\20 第四周：支持向量机基本原理；目录中文件数:4个 ├─(33) 20.docx ├─(34) 支持向量机.mp4 ├─(35) 支持向量机xia.mp4 ├─(36) 最大间隔分离超平面存在唯一性.mp4 (21)\21 第五周：SMO算法；目录中文件数:3个 ├─(37) 21 SMO 算法.docx ├─(38) Python项目：从疝气病症预测病马的死亡率.mp4 ├─(39) SMO算法理论推导.mp4 (22)\22 第五周：核函数；目录中文件数:2个 ├─(40) 新建 Microsoft Word 文档.docx ├─(41) 核函数.mp4 (23)\23 直播答疑；目录中文件数:1个 ├─(42) zhi播答疑.mp4 (24)\24 第五周：项目作业打卡日；目录中文件数:1个 ├─(43) 新建 Microsoft Word 文档.docx (25)\25 第五周：使用支持向量机模型；目录中文件数:1个 ├─(44) 新建 Microsoft Word 文档.docx (26)\26 第五周：本周任务简单总结；目录中文件数:1个 ├─(45) 新建 Microsoft Word 文档.docx (27)\27 第六周：Bagging、Boosting、AdaBoost；目录中文件数:3个 ├─(46) AdaBoost 算法推导过程.mp4 ├─(47) Python 项目：手写识别问题回顾.mp4 ├─(48) 第六周：Bagging、Boosting、AdaBoost.docx (28)\28 第六周：AdaBoost 实现、非均衡分类；目录中文件数:1个 ├─(49) 第六周：AdaBoost 实现、非均衡分类.docx (29)\29 第六周：项目作业打卡日；目录中文件数:1个 ├─(50) 第六周：项目作业打卡日.docx (30)\30 第六周：天池 o2o 比赛 – 使用 AdaBoost 模型；目录中文件数:1个 ├─(51) 第六周：天池 o2o 比赛 – 使用 AdaBoost 模型.docx (31)\31 第六周：本周任务简单总结；目录中文件数:1个 ├─(52) 第六周：本周任务简单总结.docx (32)\32 第七周：线性回归；目录中文件数:2个 ├─(53) Python项目：在一个较难数据集上应用 AdaBoost.mp4 ├─(54) 第七周：线性回归.docx (33)\33 第七周：项目作业打卡日；目录中文件数:1个 ├─(55) 第七周：项目作业打卡日.docx (34)\34 第七周：正则化、偏差与方差；目录中文件数:1个 ├─(56) 第七周：正则化、偏差与方差.docx (35)\35 直播答疑；目录中文件数:1个 ├─(57) 直播.mp4 (36)\36 第七周：CART 树；目录中文件数:3个 ├─(58) CART树的构建.mp4 ├─(59) 第七周：CART 树.docx ├─(60) 预测鲍鱼的年龄.mp4 (37)\37 第八周：树剪枝；目录中文件数:2个 ├─(61) 树剪枝.mp4 ├─(62) 第八周：树剪枝.docx (38)\38 第八周：模型树；目录中文件数:1个 ├─(63) 第八周：模型树.docx (39)\40 第八周：项目作业打卡日；目录中文件数:1个 ├─(64) 第八周：项目作业打卡日.docx (40)\41 第八周：天池 o2o 优惠券使用预测比赛（进阶）；目录中文件数:2个 ├─(65) 天池o2o优惠券使用预测比赛解析（进阶）.mp4 ├─(66) 第八周：天池 o2o 优惠券使用预测比赛（进阶）.docx (41)\42 第八周：本周任务简单总结；目录中文件数:1个 ├─(67) 第八周：本周任务简单总结.docx (42)\43 第九周：k-means 聚类；目录中文件数:2个 ├─(68) 普通树回归与模型树回归的比较.mp4 ├─(69) 第九周：k-means 聚类.pdf (43)\44 第九周：二分 k-means 聚类；目录中文件数:2个 ├─(70) 二分K-Means聚类.mp4 ├─(71) 第九周：二分 k-means 聚类.docx (44)\45 第九周：项目作业打卡日+直播问题收集日；目录中文件数:1个 ├─(72) 第九周：项目作业打卡日+直播问题收集日.docx (45)\46 第九周：本周任务简单总结；目录中文件数:2个 ├─(73) 对地理坐标进行聚类.mp4 ├─(74) 第九周：本周任务简单总结.docx (46)\47 第十周：降维 PCA；目录中文件数:2个 ├─(75) PCA.mp4 ├─(76) 第十周：降维 PCA.docx (47)\49 第十周：奇异值分解 SVD+直播答疑；目录中文件数:3个 ├─(77) SVD.mp4 ├─(78) zhibo .mp4 ├─(79) 新建 Microsoft Word 文档.docx (48)\50 第十周：项目作业打卡日2；目录中文件数:2个 ├─(80) 利用PCA对半导体制造数据降维.mp4 ├─(81) 第十周：项目作业打卡日2.docx (49)\51 第十周：项目作业打卡日3；目录中文件数:1个 ├─(82) 第十周：项目作业打卡日3.docx (50)\52 第十周：本周任务简单总结；目录中文件数:4个 ├─(83) 基于 SVD 的图像压缩.mp4 ├─(84) 第十周：本周任务简单总结.pdf ├─(85) 课程资源导读必看.pdf ├─(86) 餐馆菜肴推荐引擎.mp4

609

08-25 11:36

微软商业智能实战入门及提高视频教程

本课程由天善智能首席微软BI讲师梁勇精心录制，视频教程内容使用汽车行业的真实案例，通过本案例的真实开发经历，一步步带领您掌握作为一个BI工程师所具备所有的知识能力。本视频教程总计54部视频教程，观看时间长达1060分钟，都是精华。天善的视频教程都会经过后期的处理，剪掉多余的画面与声音，不浪费您一分钟时间，坚决做到让你花最少的时间，学习并掌握更多的内容。课程大纲：章节1：微软BI课程概述课时1：微软bi课程介绍课时2：BI基础知识讲解课时3：微软BI开发详细介绍章节2：数据仓库建模开发课时4：数据仓库建模开发章节3： PowerDesigner建模应用课时5：PowerDesigner建模之概念模型设计讲解课时6：PowerDesigner建模之物理模型设计讲解课时7：PowerDesigner建模之正向逆向工程讲解课时8：PowerDesigner建模之天善课堂案例的讲解章节4： SSIS入门开发课时9：SSIS入门知识、控件讲解课时10：SSIS部署与发布章节5： SSIS常用控件使用+SSIS进阶课时11：SSIS进阶开发之合并来自不同数据源数据抽取课时12：SSIS进阶开发之Foreach、多播等控件使用课时13：SSIS进阶开发之天善课堂维度表全量抽取课时14：SSIS进阶开发之天善课堂事实表增量抽取课时15：SSIS进阶开发之日志记录、包配置、优化管理讲解章节6：多维数据库建模讲解课时16：多维数据库建模讲解章节7： SSAS进阶开发课时17：SSAS进阶开发之多维数据集、时间维度开发讲解课时18：SSAS进阶开发之多维数据库部署、浏览讲解- 课时19：ssas进阶开发之属性层次结构、父子维度讲解课时20：ssas进阶开发之度量、维度设计等常用知识点讲解课时21：ssas进阶开发之天善课堂案例、雪花模型等相关知识点讲解章节8： SSRS入门+常用报表制作课时22：SSRS入门开发之通过报表向导创建表制作课时23：SSRS入门开发之手工创建表制作课时24：SSRS入门开发之使用Oracle做数据源手工创建表制作课时25：SSRS部署与发布课时26：SSRS进阶开发之分组报表（美化、折叠、合计、样式）等功能讲解课时27：SSRS进阶开发之带参数报表及使用存储过程制作报表讲解课时28：SSRS进阶开发之复杂的矩阵报表制作讲解课时29：SSRS进阶开发之柱状图制作讲解课时30：SSRS进阶开发之双Y轴柱状图、折线图美化制作讲解课时31：SSRS进阶开发之折线图制作讲解课时32：SSRS进阶开发之饼图、圆形图美化显示制作讲解课时33：SSRS进阶开发之高级应用（自定义代码、交替行显示、动态列等）讲解章节9： MDX基础函数+SSRS进阶课时34：MDX初步认识、常用概念讲解课时35：MDX基本语法（成员、元组、集、轴、cube)等讲解课时36：MDX成员函数讲解课时37：MDX数值函数讲解课时38：MDX集函数讲解课时39：天善课堂MDX实现课时40：天善课堂SSRS、MDX报表实战讲解课时41：天善课堂分组报表预警功能、KPI指标功能等讲解课时42：天善课堂矩阵报表美化、过滤等讲解章节10： SSRS与Web集成、权限控制课时43：SSRS与Web集成理论讲解课时44：SSRS与Web集成实战讲解课时45：SSRS权限控制管理章节11：微软BI总结、温故而知新课时46：BI知识点总结与回顾课时47：数据仓库的部署与迁移、SSIS部署与迁移课时48：Cube部署发布、备份还原、报表部署发布、报表集成通用性应用课时49：面试经验独家分享课时50：微软BI（SSIS、SSAS、MDX、SSRS）常见问题汇总及对应的解决方案章节12： BI职业规划、BI行业解决方案、BI实施方法论课时51：BI基础和BI行业解决方案课时52：BI发展历程及BI理论知识课时53：BI厂商、BI工具及BI方法论实施流程讲解课时54：BI学习、规划、岗位、招聘、转型、面试、建设

601

«
1
2
3
4
5
6
7
8
9
»