01、python資料分析與機器學習實戰

[(01)人工智慧入門指南] ()

(02)Python科學計算庫-Numpy

(03)python資料分析處理庫-Pandas

(04)Python資料視覺化庫-Matplotlib

(05)Python視覺化庫Seaborn

[(06)線性迴歸演算法原理推導] ()

[(07)梯度下降策略] ()

[(08)邏輯迴歸演算法] ()

[(09)案例實戰：Python實現邏輯迴歸與梯度下降策略] ()

[(10)專案實戰-交易資料異常檢測] ()

[(11)決策樹演算法] ()

[(12)案例實戰：使用sklearn構造決策樹模型] ()

[(13)整合演算法與隨機森林] ()

[(14)案例實戰：泰坦尼克獲救預測] ()

[(15)貝葉斯演算法] ()

[(16)Python文字資料分析：新聞分類任務] ()

[(17)支援向量機] ()

[(18)案例：SVM調參例項] ()

[(19)聚類演算法-Kmeans] ()

[(20)聚類演算法-DBSCAN] ()

[(21)案例實戰：聚類實踐] ()

[(22)降維演算法-PCA主成分分析] ()

[(23)神經網路] ()

[(24)Xgboost整合演算法] ()

[(25)自然語言處理詞向量模型-Word2Vec] ()

[(26)使用Gensim庫構造中文維基百度資料詞向量模型] ()

[(27)scikit-learn模型建立與評估] ()

[(28)Python庫分析科比生涯資料] ()

[(29)Python時間序列分析] ()

[(30)機器學習專案實戰-貸款申請最大化利潤] ()

[(31)機器學習專案實戰-使用者流失預警] ()

[(32)探索性資料分析-足球賽事資料集] ()

[(33)探索性資料分析-農糧組織資料集] ()

[(34)機器學習專案實戰-HTTP日誌聚類分析] ()

02、深度學習入門（上篇）

(01)深度學習與人工智慧簡介

(02)計算機視覺面臨挑戰與常規套路

(03)用K近鄰來進行影像分類

(04)超引數與交叉驗證

(05)線性分類

(06)損失函式

(07)正則化懲罰項

(08)softmax分類器

(09)最優化形象解讀

(10)梯度下降演算法原理

(11)反向傳播

(12)神經網路整體架構

(13)神經網路模型例項演示

(14)過擬合問題解決方案

(15)Python環境搭建（推薦Anaconda方法）

(16)Eclipse搭建python環境

(17)動手完成簡單神經網路

(18)感受神經網路的強大

[(19)神經網路案例-cifar分類任務] ()

[(20)神經網路案例-分模組構造神經網路] ()

[(21)神經網路案例-訓練神經網路完成分類任務] ()

03、深度學習入門（下篇)

(01)感受卷積神經網路的強大

(02)卷積層詳解

(03)卷積計算流程

(04)卷積核引數分析

(05)卷積引數共享原則

(06)池化層（Pooling）原理

[(07)卷積神經網路反向傳播原理] ()

[(08)實現卷積層的前向傳播與反向傳播] ()

[(09)實現Pooling層的前向傳播與反向傳播] ()

(10)經典卷及網路架構例項1

(10)經典卷及網路架構例項2

(11)RNN網路結構

(12)RNN網路細節

(13)python實現RNN演算法

[(14)LSTM網路結構簡介] ()

[(15)分類與迴歸（Location）任務應用詳解] ()

[(16)物體檢測例項] ()

[(17)如何巧妙設計網路結構] ()

[(18)訓練技巧之資料增強] ()

[(19)深度學習框架Caffe簡介] ()

[(20)深度學習框架Caffe訓練過程] ()

[(21)深度學習框架Caffe介面使用例項] ()

[04、深度學習框架-Tensorflow案例實戰] ()

[05、深度學習框架Caffe使用案例] ()

[06、深度學習專案實戰-人臉檢測] ()

[07、深度學習專案實戰-關鍵點定位] ()

08、自然語言處理-Word2Vec

[(001)課程簡介] ()

[(002)自然語言處理與深度學習] ()

[(003)語言模型] ()

[(004)N-gram模型] ()

[(005)詞向量] ()

[(006)神經網路模型] ()

[(007)Hierarchical Softmax] ()

[(008)CBOW模型例項] ()

[(009)CBOW求解目標] ()

[(010)梯度上升求解] ()

[(011)負取樣模型] ()

[(012)使用Gensim庫構造詞向量] ()

[(013)維基百科中文資料處理] ()

[(014)Gensim構造word2vec模型] ()

[(015)測試模型相似度結果] ()

[(016)環境配置] ()

[(017)中文資料預處理] ()

[(018)word2vec模型構造] ()

[(019)構造圖計算模型] ()

[(020)word2vec訓練] ()

[(021)模型訓練模組] ()

[(022)迭代預測效果] ()

[(023)影評情感分類任務概述] ()

[(024)基於詞袋模型訓練分類器] ()

[(025)準備word2vec輸入資料] ()

[(026)使用gensim構建word2vec詞向量] ()

[Gensim構造詞向量模型] ()

[word2vec] ()

[實戰word2vec] ()

09、決勝AI-強化學習實戰

[(1-1)強化學習簡介] ()

[(1-2)強化學習基本概念] ()

[(1-3)馬爾科夫決策過程] ()

[(1-4)Bellman方程] ()

[(1-5)值迭代求解] ()

[(1-6)程式碼實戰求解過程] ()

[(1-7)Q-Learning基本原理] ()

[(1-8)Q-Learning迭代計算例項] ()

[(1-9)Q-Learning迭代效果] ()

[(1-10)求解流程詳解] ()

[(2-1)Deep-Q-Network原理] ()

[(2-2)Deep-Q-Learning網路細節] ()

[(2-3)Deep Q-Learning網路引數配置] ()

[(2-4)搭建Deep Q-Learning網路模型] ()

[(2-5)Deep Q Learning卷積操作定義] ()

[(2-6)資料預處理] ()

[(2-7)實現階段資料儲存] ()

[(2-8)實現訓練模組] ()

[(2-9)Debug解讀訓練程式碼] ()

[(2-10)完整程式碼流程分析] ()

[(2-11)Deep Q-Learning效果演示] ()

[10、Tensorflow專案實戰-文字分類] ()

[11、深度學習專案實戰-StyleTransfer(基於Tensorflow)] ()

[(001)課程簡介] ()

[(002)Tensorflow安裝] ()

[(003)style-transfer基本原理] ()

[(004)風格生成網路結構原理] ()

[(005)風格生成網路細節] ()

[(006)風格轉換效果展示] ()

[(007)風格轉換引數配置] ()

[(008)資料讀取操作] ()

[(009)VGG體徵提取網路結構] ()

[(010)內容與風格特徵提取] ()

[(011)生成網路結構定義] ()

[(012)生成網路計算操作] ()

[(013)引數初始化] ()

[(014)Content損失計算] ()

[(015)Style損失計算] ()

[(016)完成訓練模組] ()

[(017)模型儲存與列印結果] ()

[(018)完成測試程式碼] ()

[12 深度學習頂級論文演算法詳解] ()

[第一課] ()

[第二課] ()

[第三課] ()

[第四課] ()

[第五課] ()

[第六課] ()

[第七課] ()

[第八課] ()

[第九課] ()

[第十課] ()

[第十一課] ()

[第十二課] ()

[第十三課] ()

[第十四課] ()

[第十五課] ()

[第十六課] ()

[13、深度學習實戰專案-利用RNN與LSTM網路原理進行唐詩生成] ()

[RNN手寫字型識別] ()

[TensorFlow打造唐詩生成網路] ()

[遞迴神經網路原理] ()

14 對抗生成網路

[(01)課程簡介] ()

[(02)對抗生成網路形象解釋] ()

[(03)對抗生成網路工作原理] ()

[(04)案例實戰對抗生成網路：環境配置] ()

[(05)案例實戰對抗生成網路：構造判別網路模型] ()

[(06)案例實戰對抗生成網路：構造生成網路模型] ()

[(07)案例實戰對抗生成網路：構造損失函式] ()

[(08)案例實戰對抗生成網路：訓練對抗生成網路] ()

[(09)DCGAN基本原理] ()

[(10)DCGAN的網路模型架構] ()

[(11)DCGAN專案實戰：DIY你要生成的資料] ()

[(12)DCGAN專案實戰：配置引數] ()

[(13)DCGAN專案實戰：基於卷積的生成網路架構] ()

[(14)DCGAN專案實戰：基於卷積的判別網路] ()

[(15)DCGAN專案實戰：訓練DCGAN網路] ()

15 深度學習專案實戰-Seq2Seq序列生模型

[seq2seq網路架構原理] ()

[文章摘要生成] ()

[序列排序生成] ()

16、機器學習-推薦系統

[1-推薦系統工作原理] ()

[2-使用Tensorflow構造隱語義模型] ()

[3-使用Surprise庫建立推薦系統] ()

17、機器學習-經典案例

[(01)課程簡介] ()

[(02)課程資料，程式碼下載] ()

[(03)使用Anaconda搭建python環境] ()

[(04)Kobe.Bryan生涯資料讀取與簡介] ()

[(05)特徵資料視覺化展示] ()

[(06)資料預處理] ()

[(07)使用scikit-learn建立分類模型] ()

[(08)資料簡介及面臨的挑戰] ()

[(09)資料不平衡問題解決方案] ()

[(10)邏輯迴歸進行分類預測] ()

[(11)使用閾值來衡量預測標準] ()

[(12)使用資料生成策略] ()

[(13)資料簡介與特徵課時化展示] ()

[(14)不同特徵的分佈規則] ()

[(15)決策樹模型引數詳解] ()

[(16)決策樹中引數的選擇] ()

[(17)將建立好決策樹視覺化展示出來] ()

[(18)船員資料分析] ()

[(19)資料預處理] ()

[(20)使用迴歸演算法進行預測] ()

[(21)使用隨機森林改進模型] ()

[(22)隨機森林特徵重要性分析] ()

[(23)級聯模型原理] ()

[(24)資料預處理與熱度圖] ()

[(25)二階段輸入特徵製作] ()

[(26)使用級聯模型進行預測] ()

[(27)資料簡介與特徵預處理] ()

[(28)員工不同屬性指標對結果的影響] ()

[(29)資料預處理] ()

[(30)構建預測模型] ()

[(31)基於聚類模型的分析] ()

[(32)tensorflow框架的安裝] ()

[(33)神經網路模型概述] ()

[(34)使用tensorflow設定基本引數] ()

[(35)卷積神經網路模型] ()

[(36)構建完整的神經網路模型] ()

[(37)訓練神經網路模型] ()

[(38)PCA原理簡介] ()

[(39)資料預處理] ()

[(40)協方差分析] ()

[(41)使用PCA進行降維] ()

[(42)資料簡介與故事背景] ()

[(43)基於詞頻的特徵提取] ()

[(44)改進特徵選擇方法] ()

[(45)資料清洗] ()

[(46)資料預處理] ()

[(47)盈利方法和模型評估] ()

[(48)預測結果] ()