7月在线·45套合集课程-AI、机器人、人工只能、自然语言、计算式视觉等【116G】

课程介绍：

本套课程七月在线 VIP会员课合集，内容共45套，课程官方售价数千元，课程主要包括机器学习、深度学习、自然语言处理、计算机视觉、数据挖掘等领域，详见下方目录，内容共116.29G。

课程截图：

课程目录：

• 01-自动聊天机器人项目班
• 第1课聊天机器人的基础模型与综述
• chatbot第一课配课代码.zip
• 第1课聊天机器人的基础模型与综述.ts
• 第1课综述.pdf
• 第2课nlp基础及扫盲
• 第2课nlp基础.pdf
• 第2课nlp基础及扫盲.ts
• 第3课用基础机器学习方法制作聊天机器人
• 第3课用基础机器学习方法制作聊天机器人.ts
• 第3课-机器学习构建聊天机器人.pdf
• 语聊和代码.zip
• 第4课深度学习基础及扫盲
• 第4课深度学习基础及扫盲.ts
• 第4课：聊天机器人里的深度学习基础大集合.pdf
• 第5课深度学习聊天机器人原理
• chatbot-deeplearning-retrieval.zip
• 第5课深度学习聊天机器人原理.ts
• 第5课-基于深度学习的检索聊天机器人.pdf
• 第6课用深度学习方法制作聊天机器人
• 第6课用深度学习方法制作聊天机器人.ts
• 第6课-dl聊天机器人.pdf
• 数据集和参考资料.zip
• 第7课看图回答vqa
• 第7课vqa.pdf
• 第7课看图回答vqa.ts
• 第7课代码地址.txt
• 第8课简单易用的聊天机器人开发平台与展望
• 第8课简单易用的聊天机器人开发平台与展望.ts
• 第8课.zip
• 02-智能问答系统实战
• 第1课对话系统的介绍.ts
• 第2课智能客服系统基础知识讲解.ts
• 第3课深度学习技术讲解.ts
• 第4课检索式与生成式对话系统.ts
• 第5课seq2seq模型与attention机制.ts
• 第6课bert详解.ts
• 03-语音识别实战
• 第二阶段掌握声学模型和语言模型
• 第二课声学模型gmmdnn-hmm.ts
• 第三课语言模型与解码对齐.ts
• 第三阶段实战判别式训练和asr模型
• 第六课其他前沿asr模型.ts
• 第四课序列判别式训练(sequencediscriminativetraining).ts
• 第五课end-to-endasr.ts
• 第一阶段概览语音识别技术
• 第一课语音识别(asr)技术概览.ts
• 拓展阶段
• 补充课.ts
• 语音识别技术之今生：神经网络.ts
• 语音识别技术之前世：gmm+hmm.ts
• 04-语音识别技术的前世今生
• 语音识别技术之今生：神经网络.ts
• 语音识别技术之前世：gmm+hmm.ts
• 05-无人驾驶实战
• 第八课无人车定位系统.ts
• 第二课软件环境基础（roscmake）.ts
• 第九课预测系统.ts
• 第六课视觉定位.ts
• 第七课高精地图与车路协同设备.ts
• 第三课感知基础.ts
• 第十二课基于强化学习的自动驾驶系统.ts
• 第十课路径规划.ts
• 第十一课控制理论.ts
• 第四课感知实战：目标检测.ts
• 第五课感知实战：物体跟踪.ts
• 第一课自动驾驶概述.ts
• 06-无人机自主飞行实战
• 第10课未来工业无人机和全自主飞行载人载货应用前景与障碍.ts
• 第1课无人机硬件理论课.ts
• 第2课无人机拼装实战.ts
• 第3课linux基础知识.ts
• 第4课ros与offboardmode.ts
• 第5课无人机机载摄像头3d建模.ts
• 第6课slam原理及其介绍.ts
• 第7课环境感知和路径规划.ts
• 第8课gps，imu，slam传感器融合.ts
• 第9课基于地图的无人机定位及point-and-fly.ts
• 07-图搜索实战班
• 第1课图搜索实战班第1讲.ts
• 第1课.pdf
• 第2课图搜索实战班第2讲.ts
• 第2课.pdf
• 08-数据挖掘班
• 第10课pagerank与图挖掘
• 第10课pagerank.pdf
• 第10课pagerank与图挖掘.ts
• 第1课数据科学与数学基础
• 第1课数据科学与数学基础.ts
• 第1课数据挖掘基础.pdf
• 第一课实践：numpy基础.ipynb
• 第2课数据处理分析可视化
• lesson_2_data-computation-analysis-visualization.zip
• 可视化.ts
• 第3课海量数据的分布式处理
• 第3课代码与文件.rar
• 第3课海量数据的分布式处理.pdf
• 第3课海量数据的分布式处理.ts
• 第4课关联规则挖掘
• 第4课关联规则挖掘.ts
• 第4课关联规则挖掘算法.pdf
• 第5课数据与聚类
• 第5课数据与聚类.pdf
• 第5课数据与聚类.ts
• 第5课数据与聚类资料打包.zip
• 第6课海量高维数据与近似最近邻
• 第6课海量高维数据与近似最近邻.ts
• 第7课分类与排序
• julyedu_data_mining_lesson7_handout_material.txt
• 第7次课资料.zip
• 第7课分类算法与应用.pdf
• 第7课分类与排序.ts
• 第8课推荐系统
• 第8课推荐系统.pdf
• 第8课推荐系统.ts
• 第9课海量高维数据与维度约减
• 第9课海量高维数据与维度约减(附代码).pdf
• 第9课海量高维数据与维度约减.pdf
• 第9课海量高维数据与维度约减.ts
• 其他资料
• bank_user_background.data
• interview_suggestion.zip
• mining_github.ipynb
• movie_recommendation_using_pyspark.py
• my_apriori.py
• pagerank_demo.zip
• reccomendationsystemexamples.ipynb
• 09-生成对抗网络实战
• code.zip
• gan.zip
• gan-applications.zip
• 第1课生成对抗网络基本原理.ts
• 第2课多种多样的gan.ts
• 第3课更多的生成对抗网络.pdf
• 第3课基于能量的gan.ts
• 第4课gan实战.ts
• 第二课：wganandmore.pdf
• 第一课声称对抗网络基本原理.pdf
• 10-深度学习项目班
• 第7-8课深度学习推荐系统.rar
• 第八课从ccf神经网络到deepauto-encoderforcf.ts
• 第二课深度学习在大规模图像搜索中的实际应用.rar
• 第二课 深度学习在大规模图像搜索中的实际应用.ts
• 第六课fnnccpmpnn与图片混合点击率预估.ts
• 第六课深度学习ctr预估(下).rar
• 第七课从矩阵分解到fmbasednn.ts
• 第三课自然语言处理从入门到进阶.rar
• 第三课自然语言处理从入门到进阶.ts
• 第四课聊天机器人实战演练.rar
• 第四课聊天机器人实战演练.ts
• 第五课从fm到dnn到wide&deepmodel.ts
• 第五课深度学习ctr预估(上).rar
• 第一课深度卷积神经网络基础(原理、调参、kaggle比赛实践).ts
• 第一课课件_convnets_principles_dl_projects.rar
• 卷积神经网络与计算机视觉.ts
• 神经网络初步.ts
• 预习第二课：cnn与cv.pdf
• 预习第一课：神经网络初步.zip
• 11-深度学习论文班
• 第1课reducingthedimensionalityofdatawithneuralnetworks..ts
• 第2课afastlearningalgorithmfordeepbeliefnets..ts
• 第3课denselyconnectedconvolutionalnetworks.ts
• 第4课aguideforconvolutionarithmeticfordeeplearning.ts
• 第5课imagenetclassificationwithdeepconvolutionalneuralnetworks..ts
• 第6课speechrecognitionwithdeeprecurrentneuralnetworks.ts
• 第7课decoupledneuralinterfacesusingsyntheticgradients.ts
• 第8课deeplearningwithoutpoorlocalminima.ts
• 12-深度学习第四期
• 第二阶段透彻理解cnn
• cnn与物体检测图像分割.pdf
• mnist_cnn.py
• 第2课cnn从入门到高级应用(上).ts
• 第3课cnn从入门到高级应用(下).ts
• 第二课cnn.pdf
• 第二课第1节：cnn层级结构.ts
• 第二课第2节：数据输入层.ts
• 第二课第3节：卷积层.ts
• 第二课第4节：激励层，池化层，全连接层.ts
• 第二课第5节：卷积层可视化理解.ts
• 第二课第6节：正则化与dropout.ts
• 第二课第7节：典型结构与训练.ts
• 第二课第8节：实战：用keras实战cnn图片分类.ts
• 第三课第1节：图像处理任务.ts
• 第三课第2节：图像识别和定位任务思路一.ts
• 第三课第3节：图像识别和定位任务思路二.ts
• 第三课第4节：物体检测选择性搜索.ts
• 第三课第5节：物体检测r-cnn.ts
• 第三课第6节：物体检测fastr-cnn.ts
• 第三课第7节：物体检测fasterr-cnn.ts
• 第三课第8节：图像分割.ts
• 第三课第9节：部分代码和训练数据.ts
• 第三阶段cnn延伸：深度学习框架与高级应用
• dl_platforms.pdf
• lr_mnist.ipynb
• productreview-rnn.ipynb
• tf_basics.ipynb
• 第4课nn框架：caffe,tensorflow与pytorch.ts
• 第5课生成对抗网络gan.ts
• 第四课第10节：pytroch代码实战.ts
• 第四课第1节：caffe介绍.ts
• 第四课第2节：为什么使用tesorflow？.ts
• 第四课第3节：tensflow计算图.ts
• 第四课第4节：tensflow会话机制和打印结果.ts
• 第四课第5节：tensorboard可视化.ts
• 第四课第6节：tensflow数据类型.ts
• 第四课第7节：pytroch计算图介绍.ts
• 第四课第8节：pytroch建模使用方法.ts
• 第四课第9节：pytorch和tensorflow区别.ts
• 第五课第1节：对抗生成网络原理.ts
• 第五课第2节：深度卷积对抗生成网络.ts
• 第五课第3节：图像翻译(pix2pix).ts
• 第五课第4节：多领域图像翻译.ts
• 第五课第5节：文本生成图像(text2img).ts
• 第五课第6节：dcgan实现手写数字实战.ts
• 对抗生成网络.pdf
• 第四阶段掌握自然语言处理中的神经网络
• fasttext.pdf
• poem_generator.txt
• rnn条件生成与attention.zip
• rnn与自然语言处理.pdf
• 第6课从词向量到nlp分类问题.ts
• 第7课rnnlstmgridlstm.ts
• 第8课rnn条件生成与attention.ts
• 第八课第1节：rnn条件生成.ts
• 第八课第2节：机器翻译.ts
• 第八课第3节：attention机制.ts
• 第八课第5节：总结与代码实战.ts
• 第八课第5节：总结与代码实战_1.ts
• 第六课第1节：词向量介绍.ts
• 第六课第2节：词向量离散表示-n-gram和语言模型.ts
• 第六课第3节：词向量分布式表示-共现矩阵和svd降维.ts
• 第六课第4节：词向量分布式表示-nnlm.ts
• 第六课第5节：词向量分布式表示-word2vec.ts
• 第六课第6节：word2vec问题和词嵌入效果评估.ts
• 第六课第7节：word2vec工具介绍-gensim.ts
• 第七课第1节：rnn的应用场景.ts
• 第七课第2节：rnn的网络层级结构.ts
• 第七课第3节：不同类型的rnn.ts
• 第七课第4节：深层双向rnn与bptt算法.ts
• 第七课第5节：生成模型与图像描述.ts
• 第七课第6节：lstm、gru.ts
• 第七课第7节：实战：用lstm模型建立一个唐诗生成器.ts
• 自然语言处理与文本表示.pdf
• 第五阶段迁移学习与增强学习
• dqn-flappybird.txt
• table-basedq-learning.pdf
• 第10课迁移学习与新技术.ts
• 第9课增强学习与deepqnetwork.ts
• 第九课第1节：强化学习介绍.ts
• 第九课第2节：强化学习的难点.ts
• 第九课第3节：马尔可夫决策过程.ts
• 第九课第4节：打折未来奖励.ts
• 第九课第5节：q-learning.ts
• 第九课第6节：deepq-network.ts
• 第九课第7节：q-learning应用.ts
• 第九课第8节：案例flappy-bird.ts
• 第十课第1节：风格迁移应用.ts
• 第十课第2节：风格迁移实现原理步骤.ts
• 第十课第3节：风格迁移实现原理步骤续.ts
• 第十课第4节：模型fine-tuning.ts
• 第十课第5节：多语种语音识别multitasklearning.ts
• 第十课第5节：多语种语音识别multitasklearning_1.ts
• 第十课第6节：域对抗domain-adversarialtraining.ts
• 第十课第7节：capsulenet.ts
• 强化学习与deepq-network.pdf
• 第一阶段深度学习从零入门
• neural_networks.zip
• 第1课dnn与混合网络：googlewide&deep.ts
• 第1课深度学习初步.pdf
• 第一课第1节：深度学习应用.ts
• 第一课第2节：线性分类器基本概念.ts
• 第一课第3节：hingeloss、交叉熵损失.ts
• 第一课第4节：神经网络的网络结构.ts
• 第一课第5节：非线性表达能力原理和过拟合.ts
• 第一课第6节：传递函数和bp算法概念.ts
• 第一课第7节：bp算法公式实例推导.ts
• 第一课第8节：实战：手写一个神经网络算法进行分类.ts
• 阅读作业_神经网络与深度学习.pdf
• 其他资料
• dl4_exam_1答案.html
• dl4_exam_3_答案.html
• dl4_exam_4_答案.html
• dl4_exam_5_答案.html
• 13-人工智能极简入门
• 第10课焦距思维：为什么卷积神经网络在深度学习中得到广泛应用？.ts
• 第1课机械思维：从人工智能发展史中，我们能获得什么启示？.ts
• 第2课数据思维：为什么大数据当代ai发展的最大推手？.ts
• 第3课辩证思维：如何成为智能时代的精英？.ts
• 第4课锯箭思维：为什么说回归分析是完成数据到价值转换的好途径？.ts
• 第5课中庸思维：机器学习的三大流派都是什么.ts
• 第6课概率思维：为什么贝叶斯是一个现代人的人生观？.ts
• 第7课维度思维：降维和升维给我们带来什么启示？.ts
• 第8课不确定思维：为什么生命以负熵为生？.ts
• 第9课心学思维：神经网络学习的生物学基础在哪里？.ts
• 14-区块链实战
• 第八课ico揭秘以及如何发币.ts
• 第二课共识、挖矿、交易以及钱包详解.ts
• 第六课智能合约学习准备.ts
• 第七课智能合约开发入门（实战项目）.ts
• 第三课手动实现简易区块链原型（代码实战）.ts
• 第四课比特币源码编译和本地实验（略懂c++即可）.ts
• 第五课比特币的局限性及以太坊入门.ts
• 第一课从比特币到区块链.ts
• 15-迁移学习
• transfer-learningcode.zip
• 第1课迁移学习详解.ts
• 第2课迁移学习实战.ts
• 第一课迁移学习.pdf
• 16-七月在线-机器学习集训营第九期
• 机器学习集训营第九期
• 10-18
• 第10课聚类_1.mp4
• 第11课聚类与推荐系统实战_1.mp4
• 第12课贝叶斯网络_1.mp4
• 第13课隐马尔科夫模型hmm_1.mp4
• 第14课主题模型_1.mp4
• 第15课神经网络初步_1.mp4
• 第16课卷积神经网络与计算机视觉_1.mp4
• 第17课循环神经网络与自然语言处理_1.mp4
• 第18课深度学习实践_1.mp4
• 1-9
• 第1课回归问题与应用_1.mp4
• 第2课决策树与树集成模型_1.mp4
• 第3课svm_1.mp4
• 第4课最大熵与em算法（上）.m4a
• 第4课最大熵与em算法（下）_1.mp4
• 第5课机器学习中的特征工程处理_1.mp4
• 第6课多算法组合与模型最优化_1.mp4
• 第7课sklearn与机器学习实战_1.mp4
• 第8课高级工具xgboost_lightgbm与建模实战_1.mp4
• 第9课电商推荐系统_1.mp4
• 其他
• 概率论_1.mp4
• 凸优化_1.mp4
• 微积分_1.mp4
• 线性代数_1.mp4
• 资料
• 资料
• 4次数学预习课讲义
• 4次数学预习课讲义
• 概率论.pdf
• 凸优化简介.pdf
• 微分学与梯度下降法(1).pdf
• 线性代数基础_.pdf
• gpu使用方法
• gpu使用方法
• 七月在线18vipwin下gpu服务器使用方法.pdf
• 七月在线18vipmac便捷连接远程gpu服务器.pdf
• 第10课
• 第十课聚类.pdf
• 数据&代码.zip
• 第11课
• kaggle_recommendation_competitions.zip
• 第12课
• 第12课贝叶斯网络.pdf
• 第13课
• hmm_pos_tag.html
• 第13课hmm.pdf
• 第14课
• 第14课主题模型.pdf
• 资料与代码(1).zip
• 第15课
• neural_networks.zip
• 深度学习初步.downloading
• 第16课
• cnn.downloading
• mnist_cnn.py
• 第17课
• 循环神经网络与应用.downloading
• 第18课
• tensorflow_pytorch.downloading
• 深度学习框架介绍与应用.downloading
• 第1课
• homework.zip
• regression_based_algorithms.zip
• 回归类问题机器学习.downloading
• 第2课
• decisiontrees.zip
• homework.zip
• 决策树与随机森林.downloading
• 第3课
• svm.pdf
• 第4课
• gmm-em-clustering-master.downloading
• 第5课
• kaggle-bike-sharing-competition.downloading
• 第5课：机器学习中的特征工程.downloading
• 第6课
• model_ensemble-example.downloading
• 第7课
• housing.downloading
• sklearn_learning.downloading
• 第8课
• xgboost_lightgbm.downloading
• 第9课
• recommendersystemexamples.downloading
• 第9课-推荐系统原理与应用.downloading
• 天池电力ai大赛数据及代码
• tianchi_power_baseline_bramble.downloading
• 学员课程笔记
• linux笔记.downloading
• 17-七月：推荐系统实战第二期
• 第1课推荐系统简介：bat、头条等.mp4
• 第2课召回算法和业界最佳实践(一).mp4
• 第3课召回算法和业界最佳实践(二).mp4
• 第4课用户建模（召回、排序都会用到）.mp4
• 第5课排序算法&深度学习模型.mp4
• 第6课重排序算法：learntorank.mp4
• 第7课学术界最新算法在bat的应用1.mp4
• 学术界最新算法在bat的应用2.mp4
• 资料.zip
• 18-面试求职第四期
• 第二阶段玩转树、堆、图等高级数据结构
• 代码及相关图例.zip
• 第3课树／堆.ts
• 第4课图论.ts
• 第5课递归.ts
• 第6课图搜索初探.ts
• 第六课图搜索.pdf
• 第三课树和堆.pdf
• 第四课图论.pdf
• 第五课递归.pdf
• 第三阶段实战动态规划和贪心
• 代码.zip
• 第7课动态规划.ts
• 第8课贪心.ts
• 第8课-贪心.pdf
• 第七课动态规划.pdf
• 第四阶段掌握海量数据处理和概率，求职心不慌
• 10博弈论概率论数论.pdf
• 第10课博弈论概率数论.ts
• 第9课高并发／海量数据处理／笔试技巧.ts
• 第9课-架构和设计.pdf
• 第一阶段掌握基础算法和数据结构
• 第1课算法初步.ts
• 第2课必知必会的数据结构.ts
• 第二课必知必会的数据结构.pdf
• 第一课算法初步.pdf
• 名企ai面试100题第二版.pdf
• 19-量化交易策略实战
• 第1课量化交易基础.ts
• 第2课衍生品及交易策略（a）.ts
• 第3课衍生品及交易策略（b）.ts
• 第4课统计套利.ts
• 20-矩阵与凸优化班
• lecture1.pdf
• lecture2.pdf
• lecture3.pdf
• lecture4_凸优化初步.pdf
• lecture5.pdf
• lecture6_凸优化在机器学习中的应用.pdf
• 第1课理解矩阵.ts
• 第2课理解微积分和凸优化.ts
• 第3课微积分与逼近论.ts
• 第4课凸优化初步.ts
• 第5课凸优化进阶.ts
• 第6课凸优化在机器学习中的应用.ts
• 21-金融风控实战
• 第二阶段机器学习的核心：特征工程
• 04特征工程（下）.ipynb
• 第三课特征工程（上）.ts
• 第三课特征工程（上）.zip
• 第三课第1节：油品数据分析.ts
• 第三课第2节：特征工程介绍.ts
• 第三课第3节：预览数据.ts
• 第三课第4节：数值型数据处理.ts
• 第三课第5节：时间和文本型数据处理.ts
• 第三课第6节：基于时间序列进行特征衍生.ts
• 第三课第7节：基于时间序列进行特征衍生续.ts
• 第四课特征工程（下）.ts
• 第四课第1节：特征选择介绍.ts
• 第四课第2节：特征选择filter.ts
• 第四课第3节：特征选择wrapper和embedded.ts
• 第四课第4节：模型遇到的问题.ts
• 第四课第5节：模型遇到的问题续.ts
• 第四课第6节：变量重要性.ts
• 第四课第7节：变量共线性.ts
• 第四课第8节：变量稳定性.ts
• 第三阶段机器学习与评分卡模型
• 第六课集成算法.ts
• 第六课集成算法.zip
• 第六课第1节：评分卡复习.ts
• 第六课第2节：xgboost介绍.ts
• 第六课第3节：xgboost参数.ts
• 第六课第4节：调参策略.ts
• 第六课第5节：lightgbm做评分卡.ts
• 第六课第6节：lightgbm评分卡结果.ts
• 第六课第7节：lightgbm和逻辑回归结果对比.ts
• 第五课逻辑回归评分卡.ts
• 第五课逻辑回归评分卡.zip
• 第五课第1节：评分卡介绍.ts
• 第五课第2节：逻辑回归建立评分卡.ts
• 第五课第3节：模型评价ks值.ts
• 第五课第4节：再做特征筛选.ts
• 第五课第5节：生成分析报告.ts
• 第五课第6节：打分系统.ts
• 第四阶段模型优化
• 第7课第3节：标签分裂.ts
• 第7课第4节：代价敏感.ts
• 第7课第5节：采样算法smote.ts
• 第7课第6节：采样算法续.ts
• 第7课第7节：实战：用采样算法看模型效果.ts
• 第9课迁移学习.rar
• 第八课模型融合.ts
• 第八课第1节：采样算法回顾.ts
• 第八课第2节：模型融合介绍.ts
• 第八课第3节：模型融合方法.ts
• 第八课第4节：逻辑回归和gbdt介绍.ts
• 第八课第5节：逻辑回归和gbdt融合.ts
• 第八课第6节：实战：模型融合看模型效果.ts
• 第九课迁移学习.ts
• 第九课第1节：为什么做迁移学习？.ts
• 第九课第2节：主要任务和增量学习.ts
• 第九课第3节：模型迁移学习方法.ts
• 第九课第4节：几个统计分布概念.ts
• 第九课第5节：主要任务实现方法.ts
• 第九课第6节：tradaboost算法.ts
• 第九课第7节：实战：跨国家跨场景迁移模型.ts
• 第七课不均衡学习.ts
• 第七课不均衡学习.zip
• 第七课第1节：不均衡学习介绍.ts
• 第七课第2节：下探和半监督学习.ts
• 第五阶段高级风控模型
• 10深度学习.rar
• 11无监督算法与异常检测.rar
• 12社交网络与图算法.rar
• 第8课模型融合.rar
• 第十二课社交网络分析与金融反欺诈.ts
• 第十二课第1节：设备指纹.ts
• 第十二课第2节知识图谱介绍.ts
• 第十二课第3节：知识图谱风控应用.ts
• 第十二课第4节：pagerank算法.ts
• 第十二课第5节：其他复杂网络.ts
• 第十二课第6节：lpa算法和代码实现.ts
• 第十二课第7节：案例分享.ts
• 第十课深度学习与金融风控.ts
• 第十课第1节：课前知识回顾.ts
• 第十课第2节：欺诈风险.ts
• 第十课第3节：反欺诈生命周期.ts
• 第十课第4节：风控场景rnn应用.ts
• 第十课第5节：为什么用lstm算法.ts
• 第十课第6节：风控场景cnn应用.ts
• 第十课第7节：word2vec应用.ts
• 第十课第8节：其他算法应用.ts
• 第十一课异常检测实战.ts
• 第十一课第1节：课前知识回顾.ts
• 第十一课第2节：发欺诈难点.ts
• 第十一课第3节：反欺诈无标签建模方法.ts
• 第十一课第4节：异常检测算法介绍.ts
• 第十一课第5节：z-score和knn异常检测算法.ts
• 第十一课第6节：lof异常检测算法.ts
• 第十一课第7节：lsolationforest异常检测算法.ts
• 第十一课第8节：lsolationforest应用.ts
• 第一阶段金融风控技术基础
• 第二课风控数据挖掘方法.ts
• 第二课风控数据挖掘方法.zip
• 第二课第1节：生肖属相单变量分析.ts
• 第二课第2节：决策树算法.ts
• 第二课第3节：决策树规则挖掘实战.ts
• 第二课第4节：变量衍生.ts
• 第二课第5节：训练模型和分析结果.ts
• 第一课金融风控与反欺诈业务详解.ts
• 第一课金融风控与反欺诈业务详解.zip
• 第一课第1节：风控业务初识.ts
• 第一课第2节：风控流程.ts
• 第一课第3节：几个重要概念.ts
• 第一课第4节：风控数据分析.ts
• 第一课第5节：金融反欺诈常用特征方法.ts
• 第一课第6节：金融反欺诈常用特征方法续.ts
• 22-计算机视觉第二期
• lesson1图像处理基础.zip
• lesson10理解alphago（强化学习）和生成模型（gan）背后的原理.zip
• lesson2图像处理进阶.zip
• lesson3神经网络初步与调参.zip
• lesson4深度cnn原理与实战.zip
• lesson6大规模车辆图片搜索.zip
• lesson7目标检测与无人驾驶.zip
• lesson8深度学习在图像语义分割中的应用.zip
• lesson9rnn与gan.zip
• 第10课：深度学习前沿：理解alphago（强化学习）和生成模型（gan）背后的原理.ts
• 第1课：图像处理基础.ts
• 第2课：图像处理进阶.ts
• 第3课：神经网络初步与调参技巧（byseven).ts
• 第4课：深度卷积神经网络原理与实践(byseven).ts
• 第5课图像搜索技术(byseven).ts
• 第7课：目标检测及其在无人驾驶领域的作用.ts
• 第8课：深度学习在图像语义分割中的应用.ts
• 第9课：rnn及其应用（imagecaptioningandvqa）.ts
• 重识别(byseven).ts
• 23-机器学习中的数学第二期
• 扩展
• 第八课第10节代码演示.ts
• 第八课第1节本课纲要.ts
• 第八课第2节优化问题简介.ts
• 第八课第3节svm：线性分类器.ts
• 第八课第4节svm对偶（代数）方法.ts
• 第八课第5节svm几何方法.ts
• 第八课第6节压缩感知：信号还原.ts
• 第八课第7节压缩感知：压缩感知.ts
• 第八课第8节压缩感知：求解压缩感知优化.ts
• 第八课第9节压缩感知：lasso.ts
• 第二课第1节课程简介.ts
• 第二课第2节求导法则。链式，加，乘，除.ts
• 第二课第3节反函数求导：.ts
• 第二课第4节常见函数（幂，三角，对数，复杂）的求导.ts
• 第二课第5节隐函数.ts
• 第二课第6节矩阵求导.ts
• 第二课第7节前馈神经网络.ts
• 第二课第8节反射传播算法.ts
• 第二课第9节梯度消失与梯度爆炸.ts
• 第九课第10节神经网络：结构、传递函数.ts
• 第九课第11节神经网络：bp.ts
• 第九课第12节神经网络：sgd..ts
• 第九课第13节神经网络：前馈，反传及参数更新.ts
• 第九课第14节googleplayground.ts
• 第九课第1节课程简介及本课纲要.ts
• 第九课第2节线性回归与分类.ts
• 第九课第3节线性回归-gt;逻辑回归.ts
• 第九课第4节分类与逻辑回归.ts
• 第九课第5节逻辑回归.ts
• 第九课第6节多分类.ts
• 第九课第7节lr到感知器.ts
• 第九课第8节神经网络.ts
• 第九课第9节神经网络：非线性切分.ts
• 第六课第1节本课纲要.ts
• 第六课第2节对称矩阵对角化.ts
• 第六课第3节特征分解.ts
• 第六课第4节奇异值及分解.ts
• 第六课第5节主成分分析相关概念及手推.ts
• 第七课第1节本课纲要.ts
• 第七课第2节优化问题简介极大似然估计最小二乘估计.ts
• 第七课第3节凸集合与凸函数.ts
• 第七课第4节凸优化.ts
• 第七课第5节凸优化中的对偶问题.ts
• 第七课第6节凸优化对偶性.ts
• 第七课第7节凸优化ktt条件.ts
• 第七课第8节综合问答.ts
• 第三课第10节蒙特卡洛近似.ts
• 第三课第11节机器学习实例（nb）.ts
• 第三课第12节熵，与机器学习实例（决策树）.ts
• 第三课第13节kldivergence(kl散度)gt;用于解释em算法.ts
• 第三课第14节互信息.ts
• 第三课第1节本课简介（常用符号说明）.ts
• 第三课第2节概率，事件，并集，独立事件，条件概率，联合概率，贝叶斯公式定义.ts
• 第三课第3节生成模型与判别模型.ts
• 第三课第4节概念点：随机变量，期望，方差.ts
• 第三课第5节机器学习实例（roc曲线）.ts
• 第三课第6节连续随机变量.ts
• 第三课第7节正态分布.ts
• 第三课第8节协方差与相关系数，协方差矩阵.ts
• 第三课第9节大数定理，中心极限定理.ts
• 第十课第1节本课简介.ts
• 第十课第2节从lr到决策树.ts
• 第十课第3节决策树整理思路.ts
• 第十课第4节核心概念：熵.ts
• 第十课第5节划分依据-信息增益，信息增益率，基尼指数.ts
• 第十课第6节用决策树完成回归（回归树）.ts
• 第十课第7节bagging.ts
• 第四课第10节贝叶斯公式（复习上节课）.ts
• 第四课第11节mixturegaussianmle.ts
• 第四课第12节em优化与原理.ts
• 第四课第13节k-means.ts
• 第四课第14节综合答疑.ts
• 第四课第1节复习.ts
• 第四课第2节正态分布，期望估计.ts
• 第四课第3节参数估计：最大似然.ts
• 第四课第4节伯努利分布.ts
• 第四课第5节正态分布.ts
• 第四课第5节正态分布_1.ts
• 第四课第7节线性回归.ts
• 第四课第8节逻辑回归.ts
• 第四课第9节机器学习实例(biasvariancetradeoff)knn.ts
• 第五课第10节二次性，正定，半正定矩阵.ts
• 第五课第11节向量的范数.ts
• 第五课第12节矩阵的范数.ts
• 第五课第13节最小二乘.ts
• 第五课第14节最小二乘统计意义（与最大似然的关系）.ts
• 第五课第15节最小二乘几何意义前导及求解（矩列阵空间）.ts
• 第五课第1节本课纲要.ts
• 第五课第2节线代基本概念.ts
• 第五课第3节加，减，数乘，向量乘积（内积，外积），矩阵积等运算及运算律.ts
• 第五课第4节矩阵转置，特殊类型矩阵，方阵的迹，向量的线性无关，空间概念，矩阵的秩.ts
• 第五课第5节矩阵的秩.ts
• 第五课第6节可逆与非奇异.ts
• 第五课第7节方阵的特征值与特征向量.ts
• 第五课第8节相似矩阵.ts
• 第五课第9节矩阵的等价，相似与合同.ts
• 第一课第10节低维到高维：多元函数的梯度.ts
• 第一课第11节梯度下降法与（牛顿法）.ts
• 第一课第12节梯度计算：随机梯度下降法sgd.ts
• 第一课第13节随机梯度下降法的困难：学习率选择.ts
• 第一课第14节随机梯度下降法的优化算法.ts
• 第一课第15节综合答疑.ts
• 第一课第1节数学在机器学习的角色，机器学习整体流程等课程整体性简介.ts
• 第一课第2节微积分学核心思想：逼近（用简单的事物（函数）去模拟复杂的事件（函数）），近似思想是研究复杂事物时的简化手段.ts
• 第一课第3节逼近思想的语言：极限论及表示.ts
• 第一课第4节无穷小与无穷小阶数：比x^n接近于0速度还快的无穷小记为o(x^n).ts
• 第一课第5节两边夹定理.ts
• 第一课第6节重要的几种极限.ts
• 第一课第7节求导的几何及代数意义.ts
• 第一课第8节常见函数的导数.ts
• 第一课第9节从线性逼近到多项式逼近：泰勒级数（n阶）.ts
• 第10课-机器学习分类问题与数学(下).pdf
• 第1课微分学与梯度下降法.pdf
• 第2课微分学进阶.pdf
• 第3课probability.pdf
• 第5课-线性代数基础_.pdf
• 第6课-线性代数进阶.pdf
• 第7课凸优化简介.pdf
• 第8课代码示范.支持向量机.ipynb
• 第8课凸优化进阶.pdf
• 第9课-机器学习分类问题与数学(上).pdf
• 第八课：优化的稳定性.ts
• 第二课：微分学进阶.ts
• 第九课：从线性模型谈起的机器学习分类与回归.ts
• 第六课：线性代数进阶.ts
• 第七课：凸优化简介.ts
• 第三课：概率论简介.ts
• 第十课：从信息论到工业界最爱的树模型.ts
• 第四课：极大似然估计.ts
• 第五课：线性代数基础.ts
• 第一课：微分学基本概念.ts
• 24-机器学习与量化交易项目班
• 第八课自动交易系统的搭建
• 第8课代码.zip
• 第八课自动交易系统的搭建.ts
• 第二课量化交易系统综述
• 第2课量化交易系统综述.pdf
• 第2课量化交易系统综述_课堂标记版.pdf
• 第二课量化交易系统综述.ts
• 第九课量化策略的实现
• 参考论文1.zip
• 第9课量化策略的实现.pdf
• 第九课量化策略的实现.ts
• 第六课策略建模：基于机器学习的策略建模
• 第6课策略建模：基于机器学习的策略建模.pdf
• 第六课策略建模：基于机器学习的策略建模.ts
• 第七课模型评估与风险控制
• 第7课模型评估与风险控制.pdf
• 第七课模型评估与风险控制.ts
• 第三课搭建自己的量化数据库
• lec3_codes.zip
• 第3课搭建自己的量化数据库.pdf
• 第三课搭建自己的量化数据库.ts
• 第十课策略优化与课程总结
• 参考论文2.zip
• 第10课策略优化与课程总结.pdf
• 第十课策略优化与课程总结.ts
• 第四课用python进行金融数据分析
• codeforlecture4.ipynb
• data.zip
• 第4课用python进行金融数据分析.pdf
• 第四课用python进行金融数据分析.ts
• 第五课策略建模综述
• 代码.zip
• 第5课策略建模综述.pdf
• 第五课策略建模综述.ts
• 第一课自动化交易综述
• 第1课课前预习版.pdf
• 第1课自动化交易综述.pdf
• 第一课自动化交易综述.ts
• 扩展
• 第10课第1节前九课回顾.ts
• 第10课第2节paper1.ts
• 第10课第3节paper2.ts
• 第10课第4节相关国外课程推荐.ts
• 第1课第1节算法交易综述.ts
• 第1课第2节机器学习流程.ts
• 第1课第3节量化交易评估.ts
• 第1课第4节量化交易策略.ts
• 第2课第1节掌握python语言和常用的数据处理包.ts
• 第2课第2节量化交易技术介绍.ts
• 第2课第3节从技术分析到机器学习.ts
• 第3课第1节数据的获取、清理及存储.ts
• 第3课第2节金融策略.ts
• 第3课第3节机器学习途径实现.ts
• 第4课第1节ols.ts
• 第4课第2节ridgelasso.ts
• 第4课第3节handsonsklearn.ts
• 第5课第1节特征的选择及实现.ts
• 第5课第2节训练集和模型建立.ts
• 第5课第3节模型介绍.ts
• 第6课第1节特征选择.ts
• 第6课第2节遗传算法.ts
• 第6课第3节深入理解bp算法.ts
• 第6课第4节rnn.ts
• 第7课第1节作业点评.ts
• 第7课第2节量化交易实战.ts
• 第7课第3节集成学习.ts
• 第7课第4节adaboost自适应学习方法.ts
• 第8课第1节极简主义的nlp与量化建模课程.ts
• 第8课第2节风险控制parti.ts
• 第8课第3节基于事件驱动的量化交易.ts
• 第9课第1节面试工作闲谈.ts
• 第9课第2节矩阵特征值.ts
• 第9课第3节资产组合权重.ts
• 第9课第4节paper.ts
• 25-机器学习应用班
• 第10课社交网络在工业界的应用
• 第10课社交网络在工业界的应用.pdf
• 第10课社交网络在工业界的应用.ts
• 第10课社交网络在工业界的应用.zip
• 第1课数学基础
• 第1课数学基础.ts
• 第1课数学基础_课堂笔记.pdf
• 第2课随机森林及其应用
• 第2课随机森林及其应用.pdf
• 第2课随机森林及其应用.ts
• 第3课特征工程与模型调优
• feature_engineering_and_model_tuning.zip
• kaggleeventrecommendationcompetition.ipynb
• kaggleevent推荐比赛数据百度云盘地址.txt
• kaggleevent推荐比赛思路.pdf
• 第3课特征工程与模型调优.pdf
• 第3课特征工程与模型调优.ts
• 第4课推荐系统与案例
• 第4课推荐系统.pdf
• 第4课推荐系统与案例.ts
• 推荐系统3个案例.zip
• 第5课ctr预估
• ctr资料.zip
• 第5课ctr预估.ts
• 第5课分类排序与ctr预估.pdf
• 寒老师汇总ctr资源.txt
• 第6课nlp应用基础
• naive_bayes-master.zip
• 第6课nlp应用基础.ts
• 第6课自然语言处理应用基础.pdf
• 第7课深度学习在nlp中的应用
• 第7课深度学习在nlp中的应用.ts
• 第7课深度学习在自然语言处理的应用.pdf
• 第8课图像检索与相关应用
• 第8课图像检索与那些相关的应用.pdf
• 第8课图像检索与相关应用.ts
• 第9课计算机视觉中的物体检测
• 第9课计算机视觉中的物体检测.pdf
• 第9课计算机视觉中的物体检测.ts
• 其他资料
• ali_power_prediction_data_processing_and_tree_based_model_modelling.ipynb
• ffm.pdf
• 机器学习应用班index(update_all)-by远洋.docx
• 推荐系统3个案例.zip
• 小世界网络与无标度网络的社区结构研究.pdf
• 26-机器学习工程师第八期
• 第10课高级工具xgboostlightgbm与建模
• lightgbm与建模实战.ts
• using+xgboost+to+predict+sales.html
• xgboostusagedemo.html
• 第11课用户画像与推荐系统
• reccomendationsystemexamples.ipynb
• 第11课推荐系统.pdf
• 第11课用户画像与推荐系统.ts
• 第12课聚类
• lesson12_clustering.zip
• 第12课聚类.ts
• 第13课聚类与推荐系统实战
• lesson13_recommendationsystemcompetition.zip
• 第13课聚类与推荐系统实战.ts
• 第14课贝叶斯网络
• lesson14_graphicalmodels.pdf
• 第14课贝叶斯网络.ts
• 第15课隐马尔科夫模型hmm
• lesson15_graphicalmodelsii.pdf
• 第15课隐马尔科夫模型hmm.ts
• 第16课主题模型
• 第17课神经网络初步
• 第17课神经网络初步.ts
• 神经网络初步.zip
• gibbs_lda.html
• 第16课主题模型.ts
• 主题模型课件与资料.zip
• 第18课卷积神经网络与计算机视觉
• lesson18_cnn.pdf
• 第18课卷积神经网络与计算机视觉.ts
• 第19课循环神经网络与自然语言处理
• poem_generator.zip
• 第19课循环神经网络与自然语言处理.ts
• 第19课：循环神经网络与自然语言处理.pdf
• 第1课（上）微积分
• lesson1概率论课件.pdf
• lesson1微积分课件.pdf
• lesson1_补充材料_随机梯度下降法概述_翻译.pdf
• lesson1_补充材料_线性代数选讲pca.ipynb
• lesson1微积分线性代数选讲(管).pdf
• 第1课（上）微积分.ts
• 第1课（下）概率论
• 第1课（下）概率论.ts
• 第20课深度学习实践
• deep_learning_frameworks_examples.zip
• 第20课深度学习实践.ts
• 第20课：深度学习框架与应用案例.pdf
• 第2课（上）线性代数
• lesson2凸优化课件.pdf
• lesson2线性代数课件.pdf
• lesson2概率与凸优化（邓）.pdf
• 第2课（上）线性代数.ts
• 第2课（下）凸优化
• 第2课（下）凸优化.ts
• 第3课回归问题与应用
• lecture_3_codes.zip
• 第3课回归问题与应用.ts
• 第3课：回归类模型与应用.pdf
• 第4课决策树、随机森林、gbdt
• house_price.html
• housingpricetest-第4课.csv
• housingpricetrain-第4课.csv
• lesson4_决策树随机森林.pdf
• 第4课决策树、随机森林、gbdt.ts
• 第5课svm
• 第5课svm.ts
• 第6课最大熵与em算法（上）
• 第6课最大熵与em算法（上）.ts
• 第6课最大熵与em算法（下）
• iis.pdf
• maxentem.pdf
• 第6课最大熵与em算法（下）.ts
• 第7课机器学习中的特征工程处理
• lesson7课件_kaggle-bicycle-example.zip
• 第7课机器学习中的特征工程处理.ts
• 第7课：机器学习中的特征工程.pdf
• 第8课多算法组合与模型最优化
• feature_engineering_and_model_tuning.zip
• tianchi_power_baseline.ipynb
• 第8课多算法组合与模型最优化.ts
• 第8课：模型调优与融合.pdf
• 天池电力数据power_ai.csv
• 第9课sklearn与机器学习实战
• sklearn知识要点.html
• 第9课sklearn与机器学习实战.ts
• 第9课sklearn知识要点.html
• 机器学习基本知识.html
• 无敌scikit_learn小抄.pdf
• 扩展资料
• data_all_20170524.csv
• pima-indians-diabetes.csv
• tianchi_power_baseline_bramble(1).ipynb
• tianchi_power_baseline_bramble.ipynb
• 阿里妈妈：大数据下的广告排序技术及实践.pdf
• 无敌scikit_learn小抄.pdf
• 28-关键点检测实战
• 第1课关键点检测概览与环境配置.ts
• 第2课图像识别与检测.ts
• 第3课人体骨骼点检测：自顶向下.ts
• 第4课人体骨骼点检测：自底向上.ts
• 第5课人脸和手部特征点检测.ts
• 第6课物体关键点检测.ts
• 29-概率统计第二期
• 第1课概率论基础.ts
• 第2课参数估计：从概率到统计.ts
• 第3课面试中常见的概率统计问题.ts
• 第4课概率统计在机器学习中的应用.ts
• 第5课熵与相对熵.ts
• 第6课最大熵原理与最大熵模型.ts
• 30-动态规划实战班
• 167.cc
• 215.cpp
• 34.cc
• 第1课动态规划.pdf
• 第1课动态规划实战班第1讲.ts
• 第2课动态规划.pdf
• 第2课动态规划实战班第2讲.ts
• 二分法微课.pdf
• 31-从头到尾带打kaggle比赛
• 第1课开营仪式与赛题介绍.ts
• 第2课如何使用python完成数据分析并构建比赛baseline.ts
• 第3课带你学会使用：构建验证集的3种方法，以及10多种机器学习模型.ts
• 第4课n种数据挖掘技巧，让你学到爽.ts
• 第5课3种模型集成方法，构建最强模型.ts
• 第6课比赛总结与展望.ts
• 32-从零实战目标检测
• 第二阶段目标检测主流体系
• 第3课anchors下的主力网络.ts
• 第4课anchorfree下的第三条路.ts
• 第三阶段目标检测最新发展现状
• 第5课憋大招前的准备工作.ts
• 第一阶段夯实基础
• 第1课目标检测概览与环境配置.ts
• 第2课骨干网络.ts
• 33-从零起步实战slam
• 第10课：回环检测与重建.ts
• 第1课slam概览与系统环境配置.ts
• 第2课slam中的基础.ts
• 第3课李群与李代数.ts
• 第4课相机成像及常用视觉传感器.ts
• 第5课非线性优化.ts
• 第6课视觉里程计.ts
• 第7课多视角几何.ts
• 第8课视觉里程计中的位姿估计方法.ts
• 第9课非线性优化.ts
• 34-tensorflow框架案例实战
• 资料
• 1.1_tensorflow_basics.ipynb
• 2.1_linear_regression.html
• 2.2_polynomial_regression.html
• 2.3_logistic_regression.html
• 2.4_multilayer_perception.html
• lenet_inference.py
• lenet_train.py
• lesson_5.zip
• lesson_8code.zip
• lesson6-code.zip
• 代码链接.txt
• 第1课：tensorflow基础.pdf
• 第4课海量图像训练预处理.zip
• 第6课-tensorboard使用.pdf
• 第三课cnn-intro.pdf
• 风格转换与dcgan.pdf
• 第1课tensorflow基础.ts
• 第2课详解深度神经网络案例.ts
• 第3课卷积神经网络与图像应用.ts
• 第4课海量图像训练预处理.ts
• 第5课循环神经网络与应用.ts
• 第6课tensorboard工具与模型优化.ts
• 第7课tensorflow应用案例.ts
• 第8课tensorflow之上的工具库.ts
• 35-spark机器学习班
• graphx.scala
• spark系统概述与编程入门.pps
• sql.scala
• 第1课spark系统概述与编程接口.ts
• 第2课spark运行模式及原理.ts
• 第2课spark运行原理与shuffle过程.pps
• 第3课spark存储、调度、与监控分析.ts
• 第3课spark存储、调度与监控分析.pdf
• 第4课spark性能调优.pdf
• 第4课spark性能调优.ts
• 第5课spark即时查询讲解.pdf
• 第5课spark即时查询讲解.ts
• 第6课spark图计算讲解.pdf
• 第6课spark图计算讲解.ts
• 第7-8课spark机器学习.zip
• 第7课spark机器学习讲解.ts
• 第8课spark机器学习应用.ts
• 36-pytorch的入门与实战
• 第八课问答系统.ts
• 第二课词向量简介.ts
• 第六课图片风格迁移和gan.ts
• 第七课seq2seq与attention.ts
• 第三课语言模型.ts
• 第四课自然语言分类任务.ts
• 第五课简单图片分类.ts
• 第一课深度学习回顾与pytorch简介.ts
• 37-python数据分析升级版
• 第10课python深度学习入门.ts
• 第1课python和数据分析入门.ts
• 第2课numpy.ts
• 第3课pandas.ts
• 第4课数据获取与处理.ts
• 第5课matplotlib与数据可视化.ts
• 第6课python文本分析.ts
• 第7课机器学习库scikit-learn与应用.ts
• 第8课python社交网络分析igraph.ts
• 第9课python多线程.ts
• 第八课python社交网络分析igraph.zip
• 第二课numpy.zip
• 第九课python多线程.zip
• 第六课python文本分析.zip
• 第七课机器学习库scikit-learn与应用.zip
• 第三课pandas.zip
• 第十课python深度学习入门.zip
• 第五课matplotlib与数据可视化.zip
• 第一课python和数据分析入门.zip
• 38-python爬虫项目班
• 第1课环境准备与入门
• lesson_01_code.zip
• 第1课环境准备与入门.pdf
• 第1课环境准备与入门.ts
• 第2课python编程入门
• lesson_02_code.zip
• 第2课python编程入门.pdf
• 第2课python编程入门.ts
• 第3课爬虫基础知识与简易爬虫实现
• lesson_03_code.zip
• 第3课爬虫基础知识与简易爬虫实现.pdf
• 第3课爬虫基础知识与简易爬虫实现.ts
• 第4课相关库使用与登录问题
• lesson_04_code.zip
• 第4课相关库使用与登录问题.pdf
• 第4课相关库使用与登录问题.ts
• 第5课scrapy及相关应用
• 代码.zip
• 第5课scrapy及相关应用.pdf
• 第5课scrapy及相关应用.ts
• 第6课爬虫设计实战
• douban[天下无鱼][shikey.com].zip
• douban_imgs[天下无鱼][shikey.com].zip
• 第6课scrapy图片抓取[天下无鱼][shikey.com].pdf
• 第6课爬虫设计实战[天下无鱼][shikey.com].ts
• 第7课高级内容-并发编程
• lesson_07_code.zip
• 第7课高级内容-并发编程.pdf
• 第7课高级内容-并发编程.ts
• 第8课分布式爬虫框架设计
• lesson_08_code.zip
• 第8课分布式爬虫框架设计.pdf
• 第8课分布式爬虫框架设计.ts
• 39-python极简入门
• 第10课展翅腾飞：后续发展方向.ts
• 第1课了解一项看似神秘的工作：编程工作和编程语言.ts
• 第2课夯实基础：内置对象和语句基础（一）.ts
• 第3课夯实基础：内置对象和语句基础（二）.ts
• 第4课夯实基础：内置对象和语句基础（三）.ts
• 第5课继承伟大发明;函数.ts
• 第6课光辉思想：面向对象和类（一）.ts
• 第7课光辉思想：面向对象和类（二）.ts
• 第8课轮子的世界：模块和包.ts
• 第9课气定神闲：异常处理和文件读写.ts
• 40-python基础入门3
• 扩展
• 第八课第1节python文件读写.ts
• 第八课第2节json.ts
• 第八课第3节正则表达式.ts
• 第八课第4节爬虫.ts
• 第八课第5节numpy入门.ts
• 第八课第6节pandas.ts
• 第二课第1节复习上节课内容.ts
• 第二课第2节python基础语法格式，表达式与声明.ts
• 第二课第3节关键字、标准操作符.ts
• 第二课第4节名字，赋值与名字空间.ts
• 第二课第5节python中的对象.ts
• 第九课第1节dataanalyst.csv招聘数据分析.ts
• 第九课第2节美国总统大选数据分析.ts
• 第九课第3节matplotlib.ts
• 第九课第4节实战：销售数据分析.ts
• 第六课第1节复习上节课内容.ts
• 第六课第2节面向对象思想.ts
• 第六课第3节类的设计与创建.ts
• 第六课第4节类中的关键字与装饰器.ts
• 第七课第1节复习上节课内容.ts
• 第七课第2节类的继承和多态.ts
• 第七课第3节类的魔术方法与描述符.ts
• 第七课第4节开放类与元类.ts
• 第七课第5节模块和包.ts
• 第三课第1节复习上节课内容.ts
• 第三课第2节条件判断与三元表达式.ts
• 第三课第3节循环与循环控制.ts
• 第三课第4节可迭代对象，迭代器与生成器.ts
• 第三课第5节异常与错误处理.ts
• 第四课第1节复习上节课内容.ts
• 第四课第2节函数定义，函数体，位置参数与关键字参数，函数返回值.ts
• 第四课第3节不定长位置参数与关键字参数.ts
• 第四课第4节偏函数.ts
• 第五课第1节复习上节课内容.ts
• 第五课第2节函数式编程思想.ts
• 第五课第3节匿名函数.ts
• 第五课第4节高阶函数与内置高阶函数map,reduce,filter,sorted.ts
• 第五课第5节嵌套函数与函数闭包，函数对象.ts
• 第五课第6节python名字访问规则：legb.ts
• 第五课第7节装饰器.ts
• 第一课第1节notebook环境配置，安装.ts
• 第一课第2节notebook使用.ts
• 第一课第3节markdown.ts
• 第一课第4节notebook隐藏辅助功能.ts
• 第一课第5节python简介，解释执行，运行方式.ts
• 第一课第6节python内置及三方库的管理及使用.ts
• 第一课第7节如何更好得获得帮助.ts
• python1.ipynb
• python2.ipynb
• python3.ipynb
• python4.ipynb
• python5.ipynb
• python6.ipynb
• python7.ipynb
• 第1课python入门及环境搭建.ts
• 第2课python编程基础（上）.ts
• 第3课python编程基础（下）.ts
• 第4课函数基础.ts
• 第5课高级函数.ts
• 第6课面向对象基础.ts
• 第7课面向对象高级.ts
• 第8课文件操作及常用系统模块.ts
• 第9课python数据分析.ts
• 41-ocr文字识别实战
• 第二阶段：掌握文本定位与文本检测
• 第四课文本行定位.ts
• 第五课自然场景中的文本检测.ts
• 第三阶段掌握其他图像问题
• 第六课图像质量增强和预处理.ts
• 第一阶段一览ocr技术和字符识别
• 第二课单字符分割与识别.ts
• 第三课字符序列识别.ts
• 第一课ocr技术概览.ts
• 拓展阶段
• 增加内容：手把手教你用asr的框架搞定ocr.ts
• 预习阶段ocr基础：cnn和rnn
• cnn.pdf
• cnn预习视频：卷积神经网络与计算机视觉.ts
• mnist_cnn.py
• rnn预习视频：循环神经网络与自然语言处理.ts
• 循环神经网络与应用.pdf
• 42-nlp到word2vec实战班
• 第1课nlp理论基础
• search+relevance.zip
• 第1课nlp基础.pdf
• 第1课nlp理论基础.ts
• 第2课word2vec理论基础
• lrsoftmaxandbpreference.txt
• 第2课word2vec理论基础.ts
• 第2课词向量到word2vec与相关应用.pdf
• 第3课word2vec实战案例课-kaggle竞赛案例
• chinese-sentiment-analysis.zip
• kaggle-word2vec-ipynb.zip
• recommendersystemsusingwordembeddings.pdf
• word2vec-recommender.zip
• 第3课word2vec实战案例课-kaggle竞赛案例.ts
• 第3课应用案例.pdf
• 第4课从word2vec到fasttext的新发展+案例
• 第4课从word2vec到fasttext的发展.pdf
• 第4课从word2vec到fasttext的新发展+案例.ts
• 资料及代码.zip
• 43-linux从零入门实战
• 第八讲linux运维基础.ts
• 第二讲linux常用操作命令.ts
• 第九讲linux系统构建.ts
• 第六讲linux网络基础.ts
• 第七讲http网络服务.ts
• 第三讲linux代码编辑器.ts
• 第十讲linux操作系统常见试题解析.ts
• 第四讲linuxshell编程.ts
• 第五讲linux开发基础.ts
• 第一讲linux介绍.ts
• 44-leetcode刷题班
• 200.cpp
• 207.cpp
• 399.cpp
• 第1课数论.ts
• 第1课课件.pdf
• 第2课二分搜索.ts
• 第2课课件.pdf
• 第3课并查集.ts
• 第3课树微课part1.pdf
• 第3课树微课part2.pdf
• 第4课深度优先搜索.ts
• 第5课图.pdf
• 第5课图论算法.ts
• 第6课动态规划.ts
• 45-kaggle竞赛实战班
• 第二阶段实战计算广告、nlp、cv等方向
• 第3课第二节datasetandfeatures.ts
• 第3课第三节sparkmllibandthepipelineapi&&mllibpipelineforclickthroughrateprediction.ts
• 第3课第四节randomforestgbdtfmffmdnn.ts
• 第3课第一节onlineadvertisingandclickthroughrateprediction.ts
• 第4课第二节kaggle题目详解（初级）.ts
• 第4课第三节kaggle题目详解（进阶）.ts
• 第4课第一节nlp的基本思路与技巧.ts
• 第5课第二节竞赛方案介绍.ts
• 第5课第一节数据采集清洗.ts
• 第6课第二节lstm.ts
• 第6课第三节案例.ts
• 第6课第四节图片特征.ts
• 第6课第五节cnn.ts
• 第6课第一节rnn.ts
• 第六课深度学习比赛：猫狗分辨与人脸表情识别.ts
• 第三课计算广告实战：排序与ctr预估问题.ts
• 第四课通过搜索和情感分析实战nlp问题.ts
• 第五课通过能源预测与分配案例实战机器学习的完整流程.ts
• 第三阶段实战电商推荐与金融风控
• 第7课第二节思路拓展与实践.ts
• 第7课第三节竞赛案例参考.ts
• 第7课第一节案例介绍.ts
• 第8课第二节案例解析.ts
• 第8课第一节金融风控介绍.ts
• 第八课金融风控案例的完整分析与实战.ts
• 第七课电商推荐与销量预测案例实战.ts
• 第一阶段掌握kaggle比赛的通用流程
• 第1课第二节机器学习常用算法.ts
• 第1课第六节模型分析与模型融合.ts
• 第1课第七节kagglewiki案例.ts
• 第1课第三节常用工具.ts
• 第1课第四节数据处理.ts
• 第1课第五节特征工程、模型选择、交叉验证.ts
• 第1课第一节机器学习应用领域.ts
• 第2课第二节案例.ts
• 第2课第三节非标准数据的处理.ts
• 第2课第一节解决高纬数据分类回归问题.ts
• 第二课经济金融案例实战：房价与股市预测.ts
• 第一课通过kaggle经典案例掌握机器学习算法的通用流程.ts
• 1.zip
• 2.zip
• 3.zip
• 4.zip
• 5.zip
• 6.zip
• 7.zip
• 8.zip
• dsb2017-kaggle肺癌检测第一名解决方案和代码.zip