课程介绍：

本课程涵盖机器学习、深度学习及强化学习的核心概念与实践技术，适合希望全面掌握人工智能关键领域的学习者。从基础数学工具到前沿算法，如神经网络、卷积神经网络、循环神经网络、Transformer、GANs等，再到强化学习的策略迭代、DQN、策略梯度方法等，通过丰富的案例与项目实战，帮助学员构建坚实的理论基础，并掌握实际应用技能。

课程截图：

课程目录：

  • 梗直哥-【机器学习必修课：经典算法与python实战】
  • 01-1课程内容和理念.mp4
  • 01-2初识机器学习.mp4
  • 01-3课程使用的技术栈.mp4
  • 02-1本章总览.mp4
  • 02-2数据长什么样：常见数据集、典型实例、如何使用.mp4
  • 02-3研究哪些问题：分类、回归等.mp4
  • 02-4如何分门别类：监督、无监督、强化学习等.mp4
  • 02-5机器学习的七大常见误区和局限.mp4
  • 03-10numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
  • 03-11numpy数组统计运算：常用的都在这儿了.mp4
  • 03-12numpy数组arg运算和排序.mp4
  • 03-13numpy数组神奇索引和布尔索引.mp4
  • 03-14matplotlib数据可视化：基础绘制与设置.mp4
  • 03-1本章总览：相互关系与学习路线.mp4
  • 03-2anaconda图形化操作.mp4
  • 03-3anaconda命令行操作.mp4
  • 03-4jupyternotebook基础使用.mp4
  • 03-5jupyternotebook高级使用：常用魔法命令.mp4
  • 03-6numpy基础：安装与性能对比.mp4
  • 03-7numpy数组创建：特定数组、等差数组、随机数组.mp4
  • 03-8numpy数组基础索引：索引和切片.mp4
  • 03-9numpy非常重要的数组合并与拆分操作.mp4
  • 04-1本章总览.mp4
  • 04-2knn算法核心思想和原理.mp4
  • 04-3knn分类任务代码实现.mp4
  • 04-4数据集划分：训练集与预测集.mp4
  • 04-5模型评价.mp4
  • 04-6超参数.mp4
  • 04-7特征归一化.mp4
  • 04-8knn回归任务代码实现.mp4
  • 04-9knn优缺点和适用条件.mp4
  • 05-10复杂逻辑回归及代码实现.mp4
  • 05-11线性算法优缺点和适用条件.mp4
  • 05-1本章总览.mp4
  • 05-2线性回归核心思想和原理.mp4
  • 05-3逻辑回归核心思想和原理.mp4
  • 05-4线性回归代码实现.mp4
  • 05-5模型评价：mse、rmse、mae和r方.mp4
  • 05-6多项式回归代码实现.mp4
  • 05-7逻辑回归算法.mp4
  • 05-8线性逻辑回归代码实现.mp4
  • 05-9多分类策略.mp4
  • 06-10lasso和岭回归代码实现.mp4
  • 06-11模型泛化.mp4
  • 06-12评价指标：混淆矩阵、精准率和召回率.mp4
  • 06-13评价指标：roc曲线.mp4
  • 06-1本章总览.mp4
  • 06-2损失函数.mp4
  • 06-3梯度下降.mp4
  • 06-4决策边界.mp4
  • 06-5过拟合与欠拟合.mp4
  • 06-6学习曲线.mp4
  • 06-7交叉验证.mp4
  • 06-8模型误差.mp4
  • 06-9正则化.mp4
  • 07-1本章总览.mp4
  • 07-2决策树核心思想和原理.mp4
  • 07-3信息熵.mp4
  • 07-4决策树分类任务代码实现.mp4
  • 07-5基尼系数.mp4
  • 07-6决策树剪枝.mp4
  • 07-7决策树回归任务代码实现.mp4
  • 07-8决策树优缺点和适用条件.mp4
  • 08-1本章总览.mp4
  • 08-2神经网络核心思想和原理.mp4
  • 08-3激活函数.mp4
  • 08-4正向传播与反向传播.mp4
  • 08-5梯度下降优化算法.mp4
  • 08-6神经网络简单代码实现.mp4
  • 08-7梯度消失和梯度爆炸.mp4
  • 08-8模型选择.mp4
  • 08-9神经网络优缺点和适用条件.mp4
  • 09-10svm优缺点和适用条件.mp4
  • 09-1本章总览.mp4
  • 09-2svm核心思想和原理.mp4
  • 09-3硬间隔svm.mp4
  • 09-4svm软间隔.mp4
  • 09-5线性svm分类任务代码实现.mp4
  • 09-6非线性svm：核技巧.mp4
  • 09-7svm核函数.mp4
  • 09-8非线性svm代码实现.mp4
  • 09-9svm回归任务代码实现.mp4
  • 10-1本章总览.mp4
  • 10-2贝叶斯方法核心思想和原理.mp4
  • 10-3朴素贝叶斯分类.mp4
  • 10-4朴素贝叶斯的代码实现.mp4
  • 10-5多项式朴素贝叶斯代码实现.mp4
  • 10-6贝叶斯方法优缺点和适用条件.mp4
  • 11-1本章总览.mp4
  • 11-2集成学习核心思想和原理.mp4
  • 11-3集成学习代码实现.mp4
  • 11-4并行策略：bagging、oob等方法.mp4
  • 11-5并行策略：随机森林.mp4
  • 11-6串行策略：boosting.mp4
  • 11-7结合策略：stacking方法.mp4
  • 11-8集成学习优缺点和适用条件.mp4
  • 12-1本章总览.mp4
  • 12-2聚类算法核心思想和原理.mp4
  • 12-3k-means和分层聚类.mp4
  • 12-4聚类算法代码实现.mp4
  • 12-5聚类评估代码实现.mp4
  • 12-6聚类算法优缺点和适用条件.mp4
  • 13-1本章总览.mp4
  • 13-2pca核心思想和原理.mp4
  • 13-3pca求解算法.mp4
  • 13-4pca算法代码实现.mp4
  • 13-5降维任务代码实现.mp4
  • 13-6pca在数据降噪中的应用.mp4
  • 13-7pca在人脸识别中的应用.mp4
  • 13-8主成分分析优缺点和适用条件.mp4
  • 14-1本章总览.mp4
  • 14-2概率图模型核心思想和原理.mp4
  • 14-3em算法参数估计.mp4
  • 14-4隐马尔可夫模型代码实现.mp4
  • 14-5概率图模型优缺点和适用条件.mp4
  • 15-1本章总览.mp4
  • 15-2泰坦尼克生还预测.mp4
  • 15-3房价预测.mp4
  • 15-4交易反欺诈代码实现.mp4
  • 15-5如何深入研究机器学习.mp4
  • 梗直哥–强化学习必修课：引领智能新时代
  • 1_10-1-基于模型的强化学习核心思想和原理.mp4
  • 1_11-1模仿学习.mp4
  • 1_1-1-课程内容和理念.mp4
  • 1_12-1-项目实战：gym游戏.mp4
  • 1_2-1-线性代数.mp4
  • 1_3-1-cuda+anaconda深度学习环境配置.mp4
  • 1_4-1-序列建模与概率图模型.mp4
  • 1_5-1-动态回归核心思想和原理.mp4
  • 1_6-1-蒙特卡洛方法.mp4
  • 1_7-1-深度q网络核心思想和原理.mp4
  • 1_8-1-策略梯度核心思想和原理.mp4
  • 1_9-1-演员评论家算法核心思想和原理.mp4
  • 2_10-2-dyna-q算法.mp4
  • 2_11-2-博弈论与强化学习.mp4
  • 2_12-2-项目实战：大模型rlhf.mp4
  • 2_1-2-认识强化学习.mp4
  • 2_2-2-微积分.mp4
  • 2_3-2-conda使用命令.mp4
  • 2_4-2-马尔可夫观测过程：学会“看”.mp4
  • 2_5-2-策略迭代.mp4
  • 2_6-2-时序差分方法.mp4
  • 2_7-2-dqn-代码实现.mp4
  • 2_8-2-蒙特卡洛策略梯度.mp4
  • 2_9-2-改进型演员评论家算法.mp4
  • 3_10-3-dyna-q算法代码实现.mp4
  • 3_11-3-多智能体强化学习.mp4
  • 3_12-3-强化学习最新发展趋势.mp4
  • 3_1-3-课程使用的技术栈.mp4
  • 3_2-3-概率.mp4
  • 3_3-3-jupyter-notebook快速上手.mp4
  • 3_4-3-马尔可夫决策过程：试着-“干”.mp4
  • 3_5-3-价值迭代.mp4
  • 3_6-3-蒙特卡洛方法和时序差分代码实现.mp4
  • 3_7-3-常见问题改进和扩展.mp4
  • 3_8-3-策略梯度方法代码实现.mp4
  • 3_9-3-演员评论家算法代码实现.mp4
  • 4_10-4-基于模型的策略优化.mp4
  • 4_11-4-maddp的代码实现.mp4
  • 4_12-4-下一步的学习建议.mp4
  • 4_3-4-仿真环境gym安装.mp4
  • 4_4-4-马尔可夫奖励过程：懂得“想”.mp4
  • 4_5-4-动态规划代码实现.mp4
  • 4_6-4-广义策略迭代.mp4
  • 4_7-4-dqn改进算法代码实现.mp4
  • 4_8-4-近端策略优化算法.mp4
  • 4_9-4-深度确定性策略梯度.mp4
  • 5_10-5-mbpo的代码实现.mp4
  • 5_11-5-alphastar系统.mp4
  • 5_3-5-深度学习库pytorch的安装.mp4
  • 5_4-5-贝尔曼方程：迭代求解价值函数.mp4
  • 5_6-5-q-learning算法.mp4
  • 5_8-5-近端策略优化（ppo）代码实现.mp4
  • 5_9-5-ddpg算法代码实现.mp4
  • 6_11-6-基于人类反馈大强化学习.mp4
  • 6_4-6-模型分类与选择.mp4
  • 6_6-6-sarsa算法.mp4
  • 6_9-6-软性演员评论家算法.mp4
  • 7_4-7-常见问题解析.mp4
  • 7_6-7-q-learning&sarsa代码实现.mp4
  • 7_9-7-sac代码实现.mp4
  • 8_4-8-马尔可夫过程代码实现.mp4
  • 梗直哥–深度学习必修课：进击算法工程师
  • 001.1-1 课程内容和理念.mp4
  • 002.1-2 初识深度学习.mp4
  • 003.1-3 课程使用的技术栈.mp4
  • 004.2-1 线性代数.mp4
  • 005.2-2 微积分.mp4
  • 006.2-3 概率.mp4
  • 007.3-1 cuda+anaconda深度学习环境搭建.mp4
  • 008.3-2 conda实用命令.mp4
  • 009.3-3 jupyter notebook快速上手.mp4
  • 010.3-4 深度学习库pytorch安装.mp4
  • 011.4-1 神经网络原理.mp4
  • 012.4-2 多层感知机.mp4
  • 013.4-3 前向传播和反向传播.mp4
  • 014.4-4 多层感知机代码实现.mp4
  • 015.4-5 回归问题.mp4
  • 016.4-6 线性回归代码实现.mp4
  • 017.4-7 分类问题.mp4
  • 018.4-8 多分类问题代码实现.mp4
  • 019.5-1 训练的常见问题.mp4
  • 020.5-2 过拟合欠拟合应对策略.mp4
  • 021.5-3 过拟合和欠拟合示例.mp4
  • 022.5-4 正则化.mp4
  • 023.5-5 dropout.mp4
  • 024.5-6 dropout代码实现.mp4
  • 025.5-7 梯度消失和梯度爆炸.mp4
  • 026.5-8 模型文件的读写.mp4
  • 027.6-1 最优化与深度学习.mp4
  • 028.6-2 损失函数.mp4
  • 029.6-3 损失函数性质.mp4
  • 030.6-4 梯度下降.mp4
  • 031.6-5 随机梯度下降法.mp4
  • 032.6-6 小批量梯度下降法.mp4
  • 033.6-7 动量法.mp4
  • 034.6-8 adagrad算法.mp4
  • 035.6-9 rmsprop_adadelta算法.mp4
  • 036.6-10 adam算法.mp4
  • 037.6-11 梯度下降代码实现.mp4
  • 038.6-12 学习率调节器.mp4
  • 039.7-1 全连接层问题.mp4
  • 040.7-2 图像卷积.mp4
  • 041.7-3 卷积层.mp4
  • 042.7-4 卷积层常见操作.mp4
  • 043.7-5 池化层pooling.mp4
  • 044.7-6 卷积神经网络代码实现（lenet）.mp4
  • 045.8-1 alexnet.mp4
  • 046.8-2 vggnet.mp4
  • 047.8-3 批量规范化.mp4
  • 048.8-4 googlenet.mp4
  • 049.8-5 resnet.mp4
  • 050.8-6 densenet.mp4
  • 051.9-1 序列建模.mp4
  • 052.9-2 文本数据预处理.mp4
  • 053.9-3 循环神经网络.mp4
  • 054.9-4 随时间反向传播算法.mp4
  • 055.9-5 循环神经网络代码实现.mp4
  • 056.9-6 rnn的长期依赖问题.mp4
  • 057.10-1 深度循环神经网络.mp4
  • 058.10-2 双向循环神经网络.mp4
  • 059.10-3 门控循环单元.mp4
  • 060.10-4 长短期记忆网络.mp4
  • 061.10-5 复杂循环神经网络代码实现.mp4
  • 062.10-6 编码器-解码器网络.mp4
  • 063.10-7 序列到序列模型代码实现.mp4
  • 064.10-8 束搜索算法.mp4
  • 065.10-9 机器翻译简单代码实现.mp4
  • 066.11-1 什么是注意力机制.mp4
  • 067.11-2 注意力的计算.mp4
  • 068.11-3 键值对注意力和多头注意力.mp4
  • 069.11-4 自注意力机制.mp4
  • 070.11-5 注意力池化及代码实现.mp4
  • 071.11-6 transformer模型.mp4
  • 072.11-7 transformer代码实现.mp4
  • 073.12-1bert模型.mp4
  • 074.12-2 gpt系列模型.mp4
  • 075.12-3 t5模型.mp4
  • 076.12-4 vit模型.mp4
  • 077.12-5 swin transformer模型.mp4
  • 078.12-6 gpt模型代码实现.mp4
  • 079.13-1 蒙特卡洛方法.mp4
  • 080.13-2 变分推断.mp4
  • 081.13-3 变分自编码器.mp4
  • 082.13-4 生成对抗网络.mp4
  • 083.13-5 diffusion扩散模型.mp4
  • 084.13-6 图像生成.mp4
  • 085.14-1 自定义数据加载.mp4
  • 086.14-2 图像数据增强.mp4
  • 087.14-3 迁移学习.mp4
  • 088.14-4 经典视觉数据集.mp4
  • 089.14-5 项目实战：猫狗大战.mp4
  • 090.15-1 词嵌入和word2vec.mp4
  • 091.15-2 词义搜索和句意表示.mp4
  • 092.15-3 预训练模型.mp4
  • 093.15-4 hugging face库介绍.mp4
  • 094.15-5 经典nlp数据集.mp4
  • 095.15-6 项目实战：电影评论情感分析.mp4
  • 096.16-1 instructgpt模型.mp4
  • 097.16-2 clip模型.mp4
  • 098.16-3 dall-e模型.mp4
  • 099.16-4 深度学习最新发展趋势分析.mp4
  • 100.16-5 下一步学习的建议.mp4
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。