第一章 Python基础与数据科学库(新)
1-1 Python快速入门 免费试学
  • 1-Python环境配置
  • 2-Python库安装工具
  • 3-Notebook工具使用
  • 4-Python简介
  • 5-Python数值运算
  • 6-Python字符串操作
  • 7-1-索引结构
  • 7-2-List基础结构
  • 8-List核心操作
  • 9-字典基础定义
  • 10-字典的核心操作
  • 11-Set结构
  • 12-赋值机制
  • 13-判断结构
  • 14-循环结构
  • 15-函数定义
  • 16-模块与包
  • 17-异常处理模块
  • 18-文件操作
  • 19-类的基本定义
  • 20-类的属性操作
  • 21-时间操作
  • 22-Python练习题-1
  • 23-Python练习题-2
  • 24-Python练习题-3
  • 25-Python练习题-4
1-2 科学计算库-Numpy
  • 1--Numpy概述
  • 2--Array数组
  • 3--数组结构
  • 4--数组类型
  • 5--数值运算
  • 6--排序操作
  • 7--数组形状操作
  • 8--数组生成函数
  • 9--常用生成函数
  • 10--四则运算
  • 11--随机模块
  • 12--文件读写
  • 13--数组保存
  • 14--练习题-1
  • 15--练习题-2
  • 16--练习题-3
  • 17-练习题-4
1-3 数据分析处理库Pandas
  • 1--Pandas概述
  • 2--Pandas基本操作
  • 3--Pandas索引
  • 4--groupby操作
  • 5--数值运算
  • 6-对象操作
  • 7-对象操作2
  • 8-merge操作
  • 9-显示设置
  • 10-数据透视表
  • 11-时间操作
  • 12-时间序列操作
  • 13-Pandas常用操作
  • 14-Pandas常用操作2
  • 15-Groupby操作延伸
  • 16-字符串操作
  • 17-索引进阶
  • 18-Pandas绘图操作
  • 19-大数据处理技巧
1-4 可视化库Matplotlib
  • 1-Matplotlib概述
  • 2-子图与标注
  • 3-风格设置
  • 4-条形图
  • 5-条形图细节
  • 6-条形图外观
  • 7-盒图绘制
  • 8-盒图细节
  • 9-绘图细节设置
  • 10-绘图细节设置2
  • 11-直方图与散点图
  • 12-3D图绘制
  • 13-pie图
  • 14-子图布局
  • 15-结合pandas与sklearn
1-5 可视化库Seaborn
  • 1-课程简介
  • 2-整体布局风格设置
  • 3-调色板
  • 4-风格细节设置
  • 5-调色板颜色设置
  • 6-单变量分析绘图
  • 7-回归分析绘图
  • 8-多变量分析绘图
  • 9-分类属性绘图
  • 10-Facetgrid使用方法
  • 11-Facetgrid绘制多变量
  • 12-热度图绘制
第二章 机器学习入门篇
2-1 算法:线性回归算法
  • 1-线性回归算法概述
  • 2-误差项分析
  • 3-似然函数求解
  • 4-目标函数推导
  • 5-线性回归求解
  • 1-梯度下降原理
  • 2-梯度下降方法对比
  • 3-学习率对结果的影响
2-2 算法:逻辑回归算法
  • 1-逻辑回归算法原理推导
  • 2-逻辑回归求解
2-3 案例:Python实现逻辑回归与梯度下降
  • 1-案例实战:Python实现逻辑回归任务概述
  • 2-案例实战:完成梯度下降模块
  • 3-案例实战:停止策略与梯度下降案例
  • 4-案例实战:实验对比效果
2-4 案例实战-信用卡欺诈检测
  • 1-案例背景和目标
  • 2-样本不均衡解决方案
  • 3-下采样策略
  • 4-交叉验证
  • 5-模型评估方法
  • 6-正则化惩罚
  • 7-逻辑回归模型
  • 8-混淆矩阵
  • 9-逻辑回归阈值对结果的影响
  • 10-SMOTE样本生成策略
第三章 机器学习入门篇2
3-1 算法:决策树
  • 1-决策树原理概述
  • 2-衡量标准-熵
  • 3-决策树构造实例
  • 4-信息增益率
  • 5-决策树剪枝策略
3-2 决策树Sklearn实例
  • 1-案例:决策树复习
  • 2-案例:决策树涉及参数
  • 3-案例:树可视化与sklearn库简介
  • 4-案例:sklearn参数选择
3-3 算法:随机森林与集成算法
  • 1-集成算法-随机森林
  • 2-特征重要性衡量
  • 3-提升模型
  • 4-堆叠模型
3-4 集成算法实例
  • 1-集成算法实例概述
  • 2-ROC与AUC指标
  • 3-基础模型
  • 4-集成实例
  • 5-Stacking模型
  • 6-效果改进
3-5 算法:贝叶斯算法
  • 1-贝叶斯算法概述
  • 2-贝叶斯推导实例
  • 3-贝叶斯拼写纠错实例
  • 4-垃圾邮件过滤实例
  • 5-贝叶斯实现拼写检查器
3-6 案例:Python文本数据分析
  • 1-文本分析与关键词提取
  • 2-相似度计算
  • 3-新闻数据与任务简介
  • 4-TF-IDF关键词提取
  • 5-LDA建模
  • 6-基于贝叶斯算法进行新闻分类
3-7 算法:KMEANS聚类
  • 1-KMEANS算法概述
  • 2-KMEANS工作流程
  • 3-KMEANS迭代可视化展示
3-8 算法:DBSCAN聚类
  • 1-DBSCAN聚类算法
  • 2-DBSCAN工作流程
  • 3-DBSCAN可视化展示
3-9 案例:聚类实践
  • 1-多种聚类算法概述
  • 2-聚类案例实战
3-10 案例:Python实现线性判别分析
  • 1-线性判别分析要解决的问题
  • 2-线性判别分析要优化的目标
  • 3-线性判别分析求解
  • 1-实现线性判别分析进行降维任务
  • 2-求解得出降维结果
3-11 算法:PCA主成分分析
  • 1-PCA降维概述
  • 2-PCA要优化的目标
  • 3-PCA求解
3-12 案例:Python实现PCA主成分分析
  • 1-PCA降维实例
第四章 机器学习提升篇
4-1 算法:EM算法
  • 1-EM算法要解决的问题
  • 2-隐变量问题
  • 3-EM算法求解实例
  • 4-Jensen不等式
  • 5-GMM模型
4-2 案例:GMM聚类实践
  • 1-GMM实例
  • 2-GMM聚类
4-3 算法:推荐系统
  • 0-开场
  • 1-推荐系统应用
  • 2-推荐系统要完成的任务
  • 3-相似度计算
  • 4-基于用户的协同过滤
  • 5-基于物品的协同过滤
  • 6-隐语义模型
  • 7-隐语义模型求解
  • 8-模型评估标准
4-4 案例:推荐系统实践
  • 1-Surprise库与数据简介
  • 2-Surprise库使用方法
  • 3-得出推荐商品结果
4-5 算法:线性支持向量机
  • 1-支持向量机要解决的问题
  • 2-距离与数据的定义
  • 3-目标函数
  • 4-目标函数求解
  • 5-SVM求解实例
  • 6-支持向量的作用
4-6 案例:SVM实践
  • 1-sklearn求解支持向量机
  • 2-SVM参数选择
4-7 非线性支持向量机
  • 1-软间隔问题
  • 2-SVM核变换
4-8 算法:时间序列AIRMA模型
  • 1-数据平稳性与差分法
  • 2-ARIMA模型
  • 3-相关函数评估方法
  • 4-建立ARIMA模型
  • 5-参数选择
4-9 案例:时间序列预测任务
  • 1-Pandas生成时间序列
  • 2-Pandas数据重采样
  • 3-Pandas滑动窗口
  • 4-股票预测案例
  • 5-使用tsfresh库进行分类任务
  • 6-维基百科词条EDA
4-10 算法:Xgboost提升算法
  • 1-Xgboost算法概述
  • 2-Xgboost模型构造
  • 3-Xgboost建模衡量标准
4-11 案例:Xgboost调参实例
  • 1-Xgboost安装
  • 2-保险赔偿任务概述
  • 3-Xgboost参数定义
  • 4-基础模型定义
  • 5-树结构对结果的影响
  • 6-学习率与采样对结果的影响
4-12 机器学习套路与BenchMark
  • 1-HTTP检测任务与数据挖掘的核心
  • 2-论文的重要程度
  • 3-BenchMark概述
  • 4-BenchMark的作用
4-13 案例:探索性数据分析-农粮数据分析
  • 农业-1数据背景简介
  • 农业-2数据切片分析
  • 农业-3单变量分析
  • 农业-4峰度与偏度
  • 农业-5数据对数变换
  • 农业-6数据分析维度
  • 农业-7变量关系可视化展示
第五章 数据挖掘篇
5-1 泰坦尼克号获救预测
  • 1-数据挖掘任务流程
  • 2-数据介绍
  • 3-Python兵器库介绍
  • 4-sklearn库介绍
  • 5-数据读取与统计分析
  • 6-性别特征分析
  • 7-船舱等级特征分析
  • 8-缺失值问题
  • 9-年龄特征缺失值填充与分析
  • 10-登船地点特征分析
  • 11-家庭特征分析
  • 12-特征相关性
  • 13-构建特征
  • 14-机器学习算法概述
  • 15-交叉验证
  • 16-多种机器学习算法模型效果
  • 17-集成模块
  • 18-特征重要性衡量
  • 19-总结与特征预处理
5-2 用户画像
  • 1-用户画像概述
  • 2-如何建立用户画像
  • 3-用户搜索数据介绍
  • 4-任务概述与方案
  • 5-构造词向量特征
  • 6-构造输入特征
  • 7-建立预测模型
5-3 kaggle数据科学
  • 1-kaggle数据科学调查介绍
  • 2-基本情况可视化展示
  • 3-工资情况
  • 4-技能使用情况
  • 5-数据集与平台
  • 6-python和r哪家强
  • 7-调查总结
5-4 Xgboost实战
  • 1-Xgboost算法概述
  • 2-Xgboost模型构造
  • 3-Xgboost建模衡量标准
  • 4-Xgboost安装
  • 5-保险赔偿任务概述
  • 6-Xgboost参数定义
  • 7-基础模型定义
  • 8-树结构对结果的影响
  • 9-学习率与采样对结果的影响
5-5 京东购买预测
  • 1-项目与数据介绍
  • 2-数据挖掘流程
  • 3-数据检查
  • 4-构建用户特征表单
  • 5-构建商品特征表单
  • 6-数据探索概述
  • 7-购买因素分析
  • 8-特征工程
  • 9-基本特征构造
5-6 房价预测
  • 1-房价预测任务概述
  • 2-离散形数据
  • 3-数据对数变换
  • 4-缺失值处理与box-cox变换
  • 5-模型预测
第六章 深度学习必备原理与实战
6-1 算法:深度学习概述与计算机视觉挑战
  • 1-深度学习概述
  • 2-挑战与常规套路
  • 3-用K近邻来进行分类
  • 4-超参数与交叉验证
6-2 算法:深度学习必备基础知识点
  • 1-线性分类
  • 2-损失函数
  • 3-正则化惩罚项
  • 4-softmax分类器
6-3 算法:最优化与反向传播
  • 1-最优化形象解读
  • 2-最优化问题细节
  • 3-反向传播
6-4 算法:神经网络整体架构
  • 1-整体架构
  • 2-实例演示
  • 3-过拟合解决方案
6-5 案例:案例实战CIFAR图像分类任务
  • 1-神经网络案例-cifar分类任务
  • 2-神经网络案例-分模块构造神经网络
  • 3-神经网络案例-训练神经网络完成分类任务
  • 4-神经网络架构-感受神经网络的强大
第七章 深度学习必备原理与实战2
7-1 算法:自然语言处理-word2vec
  • 0-开篇
  • 1-自然语言处理与深度学习
  • 2-语言模型
  • 3-N-gram模型
  • 4-词向量
  • 5-神经网络模型
  • 6-Hierarchical Softmax
  • 7-CBOW模型实例
  • 8-CBOW求解目标
  • 9-锑度上升求解
  • 10-负采样模型
7-2 案例:Gensim中文词向量建模
  • 1-使用Gensim库构造词向量
  • 2-维基百科中文数据处理
  • 3-Gensim构造word2vec模型
  • 4-测试模型相似度结果
7-3 案例:使用word2vec进行分类任务
  • 1-影评情感分类
  • 2-基于词袋模型训练分类器
  • 3-准备word2vec输入数据
  • 4-使用gensim构建word2vec词向量
7-4 算法:卷积神经网络基本原理
  • 1-卷积神经网络的应用
  • 2-卷积层解释
  • 3-卷积计算过程
7-5 算法:卷积参数详解
  • 1-pading与stride
  • 2-卷积参数共享
  • 3-池化层原理
7-6 案例:案例实战CNN网络
  • 1-卷积池化反向传播
  • 2-卷积网络代码1
  • 3-卷积网络代码2
第八章 深度学习必备原理与实战3
8-1 算法:网络模型训练技巧
  • 1-数据增强策略
  • 2-TransferLearning
  • 3-巧妙设计神经网络
8-2 算法:经典网络架构与物体检测任务
  • 1-经典网络架构
  • 2-分类与回归任务
  • 3-三代物体检测算法
8-3 框架:深度学习框架Tensorflow基本操作
  • 1-Tensorflow简介
  • 2-Tensorflow安装
  • 3-基本计算单元-变量
  • 4- 常用基本操作
8-4 框架:Tensorflow框架构造回归模型
  • 1-构造线性回归模型
  • 2-Mnist数据集简介
  • 3-逻辑回归框架
  • 4-迭代完成逻辑回归模型
8-5 框架:Tensorflow神经网络模型
  • 1-神经网络模型架构
  • 2-训练神经网络
8-6 框架:Tensorflow构建CNN网络
  • 1-卷积神经网络模型架构
  • 2-卷积神经网络模型参数
  • 3-模型的保存和读取
8-7 框架:Tensorflow构建RNN网络
  • 1-使用RNN处理Mnist数据集
  • 2-RNN网络模型
  • 3-训练RNN网络
8-8 框架:Tensorflow加载训练好的模型
  • 1-加载训练好的VGG网络模型
  • 2-使用VGG模型进行测试
8-9 项目:深度学习项目实战-验证码识别
  • 1-验证码数据生成
  • 2-构造网络的输入数据和标签
  • 3-卷积网络模型定义
  • 4-迭代及测试网络效果
第九章 深度学习必备原理与实战4
9-1 框架:深度学习框架Caffe网络配置
  • 1-CAFFE简介
  • 2-网络配置文件-数据层
  • 3-网络配置文件-计算层
  • 4-超参数solver文件
9-2 框架:Caffe制作数据源
  • 1-制作LMDB数据源
  • 2-多label问题之HDF5数据源
9-3 框架:Caffe框架小技巧
  • 1-使用命令行训练网络
  • 2-使用python定义自己的层
  • 3-绘制网络结构图
9-4 框架:Caffe框架常用工具
  • 1-生成网络配置文件
  • 2-对训练的网络模型绘制LOSS曲线
  • 3-对训练结果进行分类任务
第十章 tensorflow2版本
10-1 tensorflow安装与简介
  • 0-课程简介
  • 1-Tensorflow2版本简介与心得
  • 2-Tensorflow2版本安装方法
  • 3-tf基础操作
10-2 神经网络原理解读与整体架构
  • 1-深度学习要解决的问题
  • 2-深度学习应用领域
  • 3-计算机视觉任务
  • 4-视觉任务中遇到的问题
  • 5-得分函数
  • 6-损失函数的作用
  • 7-前向传播整体流程
  • 8-返向传播计算方法
  • 9-神经网络整体架构
  • 10-神经网络架构细节
  • 11-神经元个数对结果的影响
  • 12-正则化与激活函数
  • 13-神经网络过拟合解决方法
10-3 搭建神经网络进行分类与回归任务
  • 1-任务目标与数据集简介
  • 2-建模流程与API文档
  • 3-网络模型训练
  • 4-模型超参数调节与预测结果展示
  • 5-分类模型构建
  • 6-tf.data模块解读
  • 7-模型保存与读取实例
10-4 卷积神经网络原理与参数解读
  • 1-卷积神经网络应用领域
  • 2-卷积的作用
  • 3-卷积特征值计算方法
  • 4-得到特征图表示
  • 5-步长与卷积核大小对结果的影响
  • 6-边缘填充方法
  • 7-特征图尺寸计算与参数共享
  • 8-池化层的作用
  • 9-整体网络架构
  • 10-VGG网络架构
  • 11-残差网络Resnet
  • 12-感受野的作用
10-5 猫狗识别实战
  • 1-猫狗识别任务与数据简介
  • 2-卷积网络涉及参数解读
  • 3-网络架构配置
  • 4-卷积模型训练与识别效果展示
10-6 图像数据增强实例
  • 1-数据增强概述
  • 2-图像数据变换
  • 3-猫狗识别任务数据增强实例
10-7 训练策略-迁移学习实战
  • 1-迁移学习的目标
  • 2-迁移学习策略
  • 3-Resnet原理
  • 3-加载训练好的经典网络模型
  • 4-Callback模块与迁移学习实例
  • 5-tfrecords数据源制作方法
  • 6-图像数据处理实例
10-8 递归神经网络与词向量原理解读
  • 0-RNN网络架构解读
  • 1-词向量模型通俗解释
  • 2-模型整体框架
  • 3-训练数据构建
  • 4-CBOW与Skip-gram模型
  • 5-负采样方案
10-9 基于TensorFlow实现word2vec
  • 1-任务流程解读
  • 2-模型定义参数设置
  • 3-文本词预处理操作
  • 4-训练batch数据制作
  • 5-损失函数定义与训练结果展示
10-10 基于RNN模型进行文本分类任务
  • 1-任务目标与数据介绍
  • 2-RNN模型输入数据维度解读
  • 3-数据映射表制作
  • 4-embedding层向量制作
  • 5-数据生成器构造
  • 6-双向RNN模型定义
  • 7-自定义网络模型架构
  • 8-训练策略指定
  • 9-训练文本分类模型
10-11 将CNN网络应用于文本分类实战
  • 1-CNN应用于文本任务原理解析
  • 2-整体流程解读
  • 3-网络架构设计与训练
10-12 时间序列预测
  • 1-任务目标与数据源
  • 2-构建时间序列数据
  • 3-训练时间序列数据预测结果
  • 4-多特征预测结果
  • 5-序列结果预测
10-13 自然语言处理通用框架BERT原理解读
  • BERT课程简介
  • 1-BERT任务目标概述
  • 2-传统解决方案遇到的问题
  • 3-注意力机制的作用
  • 4-self-attention计算方法
  • 5-特征分配与softmax机制
  • 6-Multi-head的作用
  • 7-位置编码与多层堆叠
  • 8-transformer整体架构梳理
  • 9-BERT模型训练方法
  • 10-训练实例
10-14 谷歌开源项目BERT源码解读与应用实例
  • 1-BERT开源项目简介
  • 2-项目参数配置
  • 3-数据读取模块
  • 4-数据预处理模块
  • tfrecord制作
  • 6-Embedding层的作用
  • 7-加入额外编码特征
  • 8-加入位置编码特征
  • 9-mask机制
  • 10-构建QKV矩阵
  • 11-完成Transformer模块构建
  • 12-训练BERT模型
10-15 对抗生成网络实战
  • 1-对抗生成网络通俗解释
  • 2-GAN网络组成
  • 3-DCGAN网络架构与流程解读
  • 4-网络架构设计
  • 5-损失函数定义与训练
10-16 基于CycleGan开源项目实战图像合成
  • 1-CycleGan网络所需数据
  • 2-CycleGan整体网络架构
  • 3-PatchGan判别网络原理
  • 1-数据与环境配置
  • 2-生成与判别器损失函数定义
  • 3-整体损失模块解读
  • 4-Cycle开源项目简介
  • 5-数据读取与预处理操作
  • 6-生成网络模块构造
  • 7-判别网络模块构造
  • 8-损失函数:identity loss计算方法
  • 9-生成与判别损失函数指定
  • 10-额外补充:VISDOM可视化配置
10-17 经典网络架构Resnet实战
  • 1-额外补充-Resnet论文解读
  • 2-额外补充-Resnet网络架构解读
  • 3-项目结构概述
  • 4-数据集处理方法
  • 5-训练数据构建
  • 6-网络架构层次解读
  • 7-前向传播配置
  • 8-训练resnet模型
第十一章 深度学习项目实战
11-1 项目实战:人脸检测数据源制作与网络训练(基于Caffe) 免费试学
  • 0-项目概述
  • 1-数据获取
  • 2-正负样本数据裁剪
  • 3-TXT数据制作
  • 4-LMDB脚本文件
  • 5-制作LMDB数据源
  • 6-网络配置文件
  • 7-超参数和训练网络
11-2 项目实战:实现人脸检测(基于Caffe) 免费试学
  • 1-检测框架
  • 2-scale变换和预处理
  • 3-坐标变换
  • 4-NMS完成代码
  • 5-测试效果及改进
  • 6-矫正过程
  • 7-如何提高精度
  • 8-项目总结
11-3 项目实战:关键点检测第一阶段网络训练(基于Caffe)
  • 0-人脸关键点算法概述
  • 1-多标签数据源制作及其坐标转换
  • 2-对数据进行增强
  • 3-完成第一阶段数据源制作
  • 4-第一阶段网络训练
11-4 项目实战:关键点检测第二阶段模型实现(基于Caffe)
  • 1-第二三阶段数据源制作
  • 2-第二三阶段网络模型训练
  • 3-网络模型参数初始化
  • 4-完成全部测试结果
  • 5-人脸关键点检测效果
  • 6-项目总结分析
  • 7-算法框架分析
第十二章 深度学习项目实战2
12-1 项目实战:对抗生成网络(基于Tensorflow) 免费试学
  • 1-对抗生成网络原理概述
  • 2-GAN网络结构定义
  • 3-Gan迭代生成
  • 4-DCGAN网络特性
  • 5-DCGAN训练
12-2 项目实战:LSTM情感分析(基于Tensorflow)
  • 1-RNN网络架构
  • 2-LSTM网络架构
  • 3-案例:使用LSTM进行情感分类
  • 4-情感数据集处理
  • 5-基于word2vec的LSTM模型
12-3 项目实战:强化学习基础(基于Tensorflow)
  • 1-强化学习概念(开场)
  • 2-强化学习基本概念
  • 3-马尔科夫决策过程
  • 4-Bellman方程
  • 5-值迭代求解
  • 6-完成值迭代代码
  • 7-求解流程详解
  • 8-QLearning基本原理
  • 9-QLearning迭代计算实例
  • 10-QLearning效果演示
12-4 项目实战:DQN让AI自己玩游戏(基于Tensorflow)
  • 1-DeepQnetwork原理
  • 2-DQN网络细节
  • 3-DQN网络参数配置
  • 4-搭建DQN网络模型
  • 5-卷积操作定义
  • 6-数据预处理
  • 7-实验阶段数据存储
  • 8-实现训练模块
  • 9-Debug解读训练代码
  • 10-完整代码流程分析
  • 11-DQN效果演示
12-5 项目实战:机器人写唐诗(基于Tensorflow)
  • 0-开场_RNN
  • 1-递归神经网络(RNN)概述
  • 2-RNN网络细节
  • 3-LSTM网络架构
  • 4-任务概述与环境配置
  • 5-参数配置
  • 6-数据预处理模块
  • 7-batch数据制作
  • 8-RNN模型定义
  • 9-完成训练模块
  • 10-训练唐诗生成模型
  • 11-测试唐诗生成效果
12-6 项目实战:文本分类任务解读与环境配置
  • 1-开场
  • 2-数据任务简介
  • 3-使用CNN进行文本分类原理
  • 4-使用tensorflow配置参数
  • 5-数据读取
  • 6-数据切分
第十三章 深度学习项目实战3
13-1 项目实战:seq2seq序列生成模型解读(基于Tensorflow) 免费试学
  • 0-开场_seq2seq
  • 1-机器翻译技术发展
  • 2-Seq2Seq网络基本架构
  • 3-Seq2Seq网络应用
  • 4-Attention机制
13-2 项目实战:seq2seq序列模型实战(基于Tensorflow)
  • 1-环境配置
  • 2-数据预处理
  • 3-编码层与词向量
  • 4-完成解码模块
  • 5-模型迭代
  • 6-数据预处理
  • 7-使用构建好的词向量模型
  • 8-完成解码操作
  • 9-任务总结
13-3 项目实战:style-transfer工作原理(基于Tensorflow)
  • 1-课程简介
  • 2-style-transfer基本原理
  • 3-风格生成网络结构原理
  • 4-风格生成网络细节
  • 5-风格转换效果
  • 6-风格转换参数配置
  • 7-数据读取操作
  • 8-VGG体征提取网络结构
13-4 项目实战:style-transfer实战(基于Tensorflow)
  • 1-内容与风格特征提取
  • 2-生成网络结构定义
  • 3-生成网络计算操作
  • 4-参数初始化
  • 5-Content损失计算
  • 6-Style损失计算
  • 7-完成训练模块
  • 8-模型保存与打印结果
  • 9-完成测试代码
13-5 12306抢票实战
  • 31-【12306自动抢票】12306抢票流程分析
  • 32-【12306自动抢票】登录12306功能完成
  • 33-【12306自动抢票】准备好购票信息
  • 34-【12306自动抢票】自动查询余票功能完成
  • 35-【12306自动抢票】自动提交订单
第十四章 Tensorflow-图像处理
14-1 对抗生成网络
  • 1-对抗生成网络原理概述
  • 2-GAN网络结构定义
  • 3-Gan迭代生成
  • 4-DCGAN网络特性
  • 5-DCGAN训练
14-2 风格转换
  • 0-style-transfer基本原理
  • 1-风格生成网络结构原理
  • 2-风格生成网络细节
  • 3-风格转换效果展示
  • 4-参数解释与配置
  • 5-数据加载
  • 6-特征提取网络
  • 7-网络训练
  • 8-视频与图像测试模块
14-3 高级API实例
  • 1-参数配置
  • 2-estimator模块
  • 3-estimator自定义
  • 4-slim模块
  • 5-estimator实例
  • 6-estimator实例2
  • 7-tensorflow常规模板
  • 8-模板细节
  • 9-tensorlayer
14-4 图像补全
  • 1-论文概述
  • 2-网络架构
  • 3-细节设计
  • 4-论文总结
  • 5-数据与项目概述
  • 6-参数基本设计
  • 7-网络结构配置
  • 8-网络迭代训练
  • 9-测试模块
14-5 超分辨率重构
  • 1-论文概述
  • 2-网络架构
  • 3-数据与环境配置
  • 4-数据加载与配置
  • 5-生成模块
  • 6-判别模块
  • 7-VGG特征提取网络
  • 8-损失函数与训练
  • 9-测试模块
第十五章 Tensorflow-自然语言处理
15-1 word2vec
  • 1-数据与任务流程
  • 2-数据清洗
  • 3-batch数据制作
  • 4-网络训练
  • 5-可视化展示
15-2 LSTM情感分析
  • 1-RNN网络架构
  • 2-LSTM网络架构
  • 3-案例:使用LSTM进行情感分类
  • 4-情感数据集处理
  • 5-基于word2vec的LSTM模型
15-3 对话机器人
  • 1-效果演示
  • 2-参数配置与数据加载
  • 3-数据处理
  • 4-词向量与投影
  • 5-seq网络
  • 6-网络训练
15-4 NLP-相似度模型
  • 1-任务概述
  • 2-数据展示
  • 3-正负样本制作
  • 4-数据预处理
  • 5-网络模型定义
  • 6-基于字符的训练
  • 7-基于句子的相似度训练
15-5 行为识别
  • 1-任务概述
  • 2-数据与网络设计
  • 3-网络迭代训练
第十六章 物体检测与机器翻译实战
16-1 Faster-rcnn物体检测
  • 三代算法-1-物体检测概述
  • 三代算法-2-深度学习经典检测方法
  • 三代算法-3-faster-rcnn概述
  • 论文解读-1
  • 论文解读-2-RPN网络结构
  • 论文解读-3-损失函数定义
  • 论文解读-4-网络细节
  • 代码-1-环境配置概述
  • 代码-2-项目配置
  • 代码-3-数据加载
  • 代码-4-数据变换
  • 代码-5-完成数据读取
  • 代码-6-特征提取VGG
  • 代码-7-RPN层
  • 代码-8-提取网络细节
  • 代码-9-网络训练迭代
16-2 Seq2Seq网络
  • 2-Seq2Seq网络基本架构
  • 3-Seq2Seq网络应用
  • 4-Attention机制
  • 1-数据准备
  • 2-网络结构概述
  • 3-加载数据
  • 4-训练测试模型
  • 1-机器翻译框架概述
  • 2-参数设置
  • 3-数据加载
  • 4-网络结构定义
  • 5-训练模型
第十七章 Keras框架实战
17-1 课程简介
  • 1-Keras项目实战课程概述
  • 2-简介与安装
17-2 搭建神经网络-应用于自己的数据集
  • 1-训练自己的数据集整体流程
  • 2-数据加载与预处理
  • 3-搭建网络模型
  • 4-学习率对结果的影响
  • 5-Drop-out操作
  • 6-权重初始化方法对比
  • 7-初始化标准差对结果的影响
  • 8-正则化对结果的影响
  • 9-加载模型进行测试
17-3 再战卷积神经网络
  • 1-卷积层构造
  • 2-整体流程
  • 3-BatchNormalization效果
  • 4-参数对比
  • 5-网络测试效果
17-4 LSTM时间序列预测任务
  • 1-时间序列模型
  • 2-网络结构与参数定义
  • 3-构建LSTM模型
  • 4-训练模型与效果展示
  • 5-多序列预测结果
  • 6-股票数据预测
  • 7-数据预处理
  • 8-预测结果展示
17-5 文本分类实战
  • 1-文本数据读取预处理
  • 2-基本模型
  • 3-Embeeding-layer效果
  • 4-准备词向量数据
  • 5-词嵌入训练结果
  • 6-加入LSTM层效果
  • 7-加入卷积层效果
  • 8-参数调优
17-6 多标签与多输出
  • 1-多标签解决方案
  • 2-多标签网络训练与测试
  • 3-多输出网络解决方案
  • 4-多输出网络训练与测试
17-7 数据增强
  • DIY你的数据集
  • 1-数据增强概述
  • 2-图像数据变换
  • 3-数据增强效果
17-8 对抗生成网络
  • 1-对抗生成网络通俗解释
  • 2-GAN网络组成
  • 3-判别网络设计
  • 4-生成网络定义
  • 5-标签制作
  • 6-训练与测试网络模型
  • 7-DCGAN网络
17-9 迁移学习
  • 1-迁移学习的目标
  • 2-迁移学习策略
  • 3-Resnet原理
  • 4-Resnet网络细节
  • 5-Resnet基本处理操作
  • 6-shortcut模块
  • 7-加载训练好的权重
  • 8-迁移学习效果对比
17-10 地址邮编多序列任务
  • 1-数据与目标
  • 2-字符表制作
  • 3-数据读取
  • 4-数据增强
  • 5-网络模型
  • 6-测试效果
17-11 seq2seq网络实战
  • 网络模型解读
  • 2-数据介绍与读取
  • 3-配置文件制作
  • 4-编码器模型
  • 5-解码器模型
  • 6-制作训练batch数据
  • 7-测试数据准备
  • 8-完成测试模块
17-12 实战模板总结
  • 1-模板目录结构
  • 2-模型与训练结构
  • 3-评论数据集与任务目标
  • 4-数据准备
  • 5-模型整体架构
  • 6-准备模型
  • 7-训练网络
  • 8-多标签训练
第十八章 opencv实战
18-1 课程简介与环境配置
  • 0-课程简介
  • 1-Python与Opencv配置安装
  • 2-Notebook与IDE环境
18-2 图像基本操作
  • 1-计算机眼中的图像
  • 2-视频的读取与处理
  • 3-ROI区域
  • 4-边界填充
  • 5-数值计算
18-3 阈值与平滑处理
  • 图像阈值
  • 1-图像平滑处理
  • 2-高斯与中值滤波
18-4 图像形态学操作
  • 1-腐蚀操作
  • 2-膨胀操作
  • 3-开运算与闭运算
  • 4-梯度计算
  • 5-礼帽与黑帽
18-5 图像梯度计算
  • 1-Sobel算子
  • 2-梯度计算方法
  • 3-scharr与lapkacian算子
18-6 边缘检测
  • 1-Canny边缘检测流程
  • 2-非极大值抑制
  • 3-边缘检测效果
18-7 图像金字塔与轮廓检测
  • 1-图像金字塔定义
  • 2-金字塔制作方法
  • 3-轮廓检测方法
  • 4-轮廓检测结果
  • 5-轮廓特征与近似
  • 6-模板匹配方法
  • 7-匹配效果展示
18-8 直方图与傅里叶变换
  • 1-直方图定义
  • 2-均衡化原理
  • 3-均衡化效果
  • 4-傅里叶概述
  • 5-频域变换结果
  • 6-低通与高通滤波
18-9 项目实战-信用卡数字识别
  • 总体流程与方法讲解
  • 2-环境配置与预处理
  • 3-模板处理方法
  • 4-输入数据处理方法
  • 5-模板匹配得出识别结果
18-10 项目实战-文档扫描OCR识别
  • 1-整体流程演示
  • 2-文档轮廓提取
  • 3-原始与变换坐标计算
  • 4-透视变换结果
  • 5-tesseract-ocr安装配置
  • 6-文档扫描识别效果
18-11 图像特征-harris
  • 1-角点检测基本原理
  • 2-基本数学原理
  • 3-求解化简
  • 4-特征归属划分
  • 5-opencv角点检测效果
18-12 图像特征-sift
  • 1-尺度空间定义
  • 2-高斯差分金字塔
  • 3-特征关键点定位
  • 4-生成特征描述
  • 5-特征向量生成
  • 6-opencv中sift函数使用
18-13 案例实战-全景图像拼接
  • 1-特征匹配方法
  • 2-RANSAC算法
  • 3-图像拼接方法
  • 4-流程解读
18-14 项目实战-停车场车位识别
  • 1-任务整体流程
  • 2-所需数据介绍
  • 3-图像数据预处理
  • 4-车位直线检测
  • 5-按列划分区域
  • 6-车位区域划分
  • 7-识别模型构建
  • 8-基于视频的车位检测
18-15 项目实战-答题卡识别判卷
  • 1-整体流程与效果概述
  • 2-预处理操作
  • 3-填涂轮廓检测
  • 4-选项判断识别
18-16 背景建模
  • 1-背景消除-帧差法
  • 2-混合高斯模型
  • 3-学习步骤
  • 4-背景建模实战
18-17 光流估计
  • 1-基本概念
  • 2-Lucas-Kanade算法
  • 3-推导求解
  • 4-光流估计实战
18-18 Opencv的DNN模块
  • 1-dnn模块
  • 2-模型加载结果输出
18-19 项目实战-目标追踪
  • 1-目标追踪概述
  • 2-多目标追踪实战
  • 3-深度学习检测框架加载
  • 4-基于dlib与ssd的追踪
  • 5-多进程目标追踪
  • 6-多进程效率提升对比
18-20 卷积原理与操作
  • 1-卷积神经网络的应用
  • 2-卷积层解释
  • 3-卷积计算过程
  • 4-pading与stride
  • 5-卷积参数共享
  • 6-池化层原理
  • 7-卷积效果演示
  • 8-卷积操作流程
18-21 项目实战-疲劳检测
  • 1-关键点定位概述
  • 2-获取人脸关键点
  • 3-定位效果演示
  • 4-闭眼检测
  • 5-检测效果
第十九章 机器学习竞赛实战
19-1 课程简介
  • 0-课程简介
19-2 快手短视频用户活跃度分析
  • 1-任务目标与数据分析.
  • 2-整体模型架构
  • 3-构建用户特征序列
  • 4-序列特征提取方法
  • 5-生成特征汇总表
  • 6-标签制作
  • 7-网络训练模块
  • 8-得出最终模型结果
19-3 工业化工生产预测
  • 1-数据任务概述
  • 2-数据异常检查
  • 3-时间特征提取
  • 4-各道工序特征构建
  • 5-准备训练数据
  • 6-训练xgboost模型
19-4 智慧城市-道路通行时间预测
  • 1-数据与任务目标分析
  • 2-数据清洗与标签转换
  • 3-道路通行时间序列数据生成
  • 4-序列缺失补全方法
  • 5-基于回归与插值完成序列特征
  • 6-基于回归与插值进行序列补全
  • 7-特征汇总
  • 8-建立回归模型进行预测
19-5 医学糖尿病数据命名实体识别
  • 1-数据与任务介绍
  • 2-整体模型架构
  • 3-数据-标签-语料库处理
  • 4-输入样本填充补齐
  • 5-训练网络模型
  • 6-医疗数据集(糖尿病)实体识别
19-6 新闻关键词抽取模型
  • 1-任务目标与数据集介绍
  • 2-数据清洗与预处理
  • 3-基本特征抽取
  • 4-文章与词向量分析
  • 5-权重划分
  • 6-候选词统计特征
  • 7-textrank特征提取
  • 8-候选词相似度特征
  • 9-特征工程汇总
19-7 用电敏感客户分类
  • 1-任务与解决框架概述
  • 2-特征工程分析与特征提取
  • 3-离散数据处理
  • 4-统计与文本特征
  • 5-文本特征构建
  • 6-构建低敏用户模型
  • 7-高敏模型概述
第二十章 机器学习竞赛优胜解决方案实战
20-1 课程简介
  • 课程简介
20-2 特征工程建模可解释工具包
  • 1-模型解释方法与实践
  • 2-部分依赖图解释
  • 3-双变量分析
  • 4-ShapValues指标分析
  • 5-疾病引起原因分析实战
  • 6-竞赛与目标分析
  • 7-特征对比分析方法
  • 8-结果对比分析
20-3 贷款平台风控模型-特征工程
  • 1-竞赛任务目标
  • 2-图模型信息提取
  • 3-节点权重特征提取(PageRank)
  • 4-deepwalk构建图顶点特征
  • 5-各项统计特征
  • 6-app安装特征
  • 7-图中联系人特征
20-4 数据特征常用构建方法
  • 1-基本数值特征
  • 2-常用特征构造手段
  • 3-时间特征处理
  • 4-文本特征处理
  • 5-构造文本向量
  • 6-词向量特征
  • 7-计算机眼中的图像
20-5 机器学习项目实战-数据处理与特征提取
  • 1-dataleakage问题
  • 2-基础模型对比
  • 3-数据处理
  • 4-单变量绘图分析
  • 5-离群点剔除
  • 6-变量与结果的关系
  • 7-多变量展示
  • 8-特征工程
20-6 机器学习项目实战-建模与分析
  • 1-dataleakage问题
  • 2-基础模型对比
  • 3-选择参数
  • 4-测试模型
  • 5-模型解释
  • 6-模型分析