【人工智能/机器学习】373集机器学习与人工智能深度视频课程

发布者：简遇而安

*****课程目录*****
非常有学习和研究价值的一套的机器学习与人工智能Ai实战课程，可以说课程的深度已经达到了做科学研究的级别，很有深度。课程内容达到了373集，而最强有力的还不是其内容的数量多寡，而在于课程带给同学们不一样的机器学习体验，可以直接运用于企业实战中的高级实战课程。
*****课程目录*****
■(1) 课时001： mlcamp_course_info.mp4
■(2) 课时002：课程介绍.mp4
■(3) 课时003：凸集、凸函数、判定凸函数(102330).mp4
■(4) 课时003：凸集、凸函数、判定凸函数.mp4
■(5) 课时004： transportation problem.mp4
■(6) 课时005： portfolio optimization.mp4
■(7) 课时006： set cover problem.mp4
■(8) 课时007： duality.mp4
■(9) 课时008：答疑部分.mp4
■(10) 课时009：从词嵌入到文档距离01.mp4
■(11) 课时010：从词嵌入到文档距离02.mp4
■(12) 课时011：KKT Condition.mp4
■(13) 课时012：svm 的直观理解.mp4
■(14) 课时013：svm 的数学模型.mp4
■(15) 课时014：带松弛变量的svm.mp4
■(16) 课时015：带kernel的svm.mp4
■(17) 课时016：svm的smo的解法.mp4
■(18) 课时017：使用svm支持多个类别.mp4
■(19) 课时018：kernel linear regression.mp4
■(20) 课时019：kernel pca.mp4
■(21) 课时020：交叉验证.mp4
■(22) 课时021：vc维.mp4
■(23) 课时022：直播答疑01.mp4
■(24) 课时023：直播答疑02.mp4
■(25) 课时024：lp实战01.mp4
■(26) 课时025：lp实战02.mp4
■(27) 课时026：lp实战03.mp4
■(28) 课时027：hard，np hard-01.mp4
■(29) 课时028：hard，np hard-02.mp4
■(30) 课时029：hard，np hard-03.mp4
■(31) 课时030：引言.mp4
■(32) 课时031：线性回归.mp4
■(33) 课时032：basis expansion.mp4
■(34) 课时033：bias 与 variance.mp4
■(35) 课时034：正则化.mp4
■(36) 课时035：ridge, lasso, elasticnet.mp4
■(37) 课时036：逻辑回归.mp4
■(38) 课时037：softmax 多元逻辑回归.mp4
■(39) 课时038：梯度下降法.mp4
■(40) 课时039：svm人脸识别结合cross-validation交叉验证01.mp4
■(41) 课时040：svm人脸识别结合cross-validation交叉验证02.mp4
■(42) 课时041：svm人脸识别结合cross-validation交叉验证03.mp4
■(43) 课时042：svm人脸识别结合cross-validation交叉验证04.mp4
■(44) 课时043：模型评估方法和svm做人脸识别01.mp4
■(45) 课时044：模型评估方法和svm做人脸识别02.mp4
■(46) 课时045：模型评估方法和svm做人脸识别03.mp4
■(47) 课时046：pca和lda的原理和实战01.mp4
■(48) 课时047：pca和lda的原理和实战02.mp4
■(49) 课时048：pca和lda的原理和实战03.mp4
■(50) 课时049：softmax with cross entropy01.mp4
■(51) 课时050：softmax with cross entropy02.mp4
■(52) 课时051：softmax with cross entropy03.mp4
■(53) 课时052：kernel logistic regression and the import vec01.mp4
■(54) 课时053：kernel logistic regression and the import vec02.mp4
■(55) 课时054：lda 作为分类器.mp4
■(56) 课时055：lda 作为分类器答疑.mp4
■(57) 课时056：lda 作为降维工具.mp4
■(58) 课时057：kernel lda 5 kernel lda答疑.mp4
■(59) 课时058：ensemble majority voting.mp4
■(60) 课时059：ensemble bagging.mp4
■(61) 课时060：ensemble boosting.mp4
■(62) 课时061：ensemble random forests.mp4
■(63) 课时062：ensemble stacking.mp4
■(64) 课时063：答疑.mp4
■(65) 课时064：决策树的应用.mp4
■(66) 课时065：集成模型.mp4
■(67) 课时066：提升树.mp4
■(68) 课时067：目标函数的构建.mp4
■(69) 课时068：additive training.mp4
■(70) 课时069：使用泰勒级数近似目标函数.mp4
■(71) 课时070：重新定义一棵树.mp4
■(72) 课时071：如何寻找树的形状.mp4
■(73) 课时072：xgboost-01.mp4
■(74) 课时073：xgboost-02.mp4
■(75) 课时074：xgboost-03.mp4
■(76) 课时075：xgboost的代码解读工程实战-01.mp4
■(77) 课时076：xgboost的代码解读工程实战-02.mp4
■(78) 课时077：xgboost的代码解读工程实战-03.mp4
■(79) 课时078：理解和比较xgboost gbdt lightgbm-01.mp4
■(80) 课时079：理解和比较xgboost gbdt lightgbm-02.mp4
■(81) 课时080：理解和比较xgboost gbdt lightgbm-03.mp4
■(82) 课时081：lightgbm-01.mp4
■(83) 课时082：lightgbm-02.mp4
■(84) 课时083：lightgbm-03.mp4
■(85) 课时084：聚类算法介绍 k-means 算法描述.mp4
■(86) 课时085：k-means 的特性 k-means++.mp4
■(87) 课时086：em 算法思路.mp4
■(88) 课时087：em 算法推演.mp4
■(89) 课时088：em 算法的收敛性证明.mp4
■(90) 课时089：em 与高斯混合模型.mp4
■(91) 课时090：em 与 kmeans 的关系.mp4
■(92) 课时091：dbscan聚类算法.mp4
■(93) 课时092：课后答疑.mp4
■(94) 课时093：kaggle广告点击欺诈识别实战-01.mp4
■(95) 课时094：kaggle广告点击欺诈识别实战-02.mp4
■(96) 课时095：kaggle广告点击欺诈识别实战-03.mp4
■(97) 课时096：kaggle广告点击欺诈识别实战-04.mp4
■(98) 课时097：klda实例+homework1讲评-01.mp4
■(99) 课时098：klda实例+homework1讲评-02.mp4
■(100) 课时099：klda实例+homework1讲评-03.mp4
■(101) 课时100：klda实例+homework1讲评-04_(new).mp4
■(102) 课时101：Analysis and Applications-01_ev.mp4
■(103) 课时102：Analysis and Applications-02_ev.mp4
■(104) 课时103：Analysis and Applications-03_ev.mp4
■(105) 课时104：基于HMM的中文分词： jieba分词原理1_ev.mp4
■(106) 课时105：基于HMM的中文分词： jieba分词原理2_ev.mp4
■(107) 课时106：基于HMM的中文分词： jieba分词原理3_ev.mp4
■(108) 课时107：基于HMM的中文分词： jieba分词原理_ev.mp4
■(109) 课时108：Graphical Models_ev.mp4
■(110) 课时109：Hidden Markov Model_ev.mp4
■(111) 课时110：Finding Best Z_ev.mp4
■(112) 课时111：Finding Best Z：Viterbi_ev.mp4
■(113) 课时112：HMM 的参数估计_ev.mp4
■(114) 课时113：XGBoost分类问题-01_ev.mp4
■(115) 课时114：XGBoost分类问题-02_ev.mp4
■(116) 课时115：XGBoost分类问题-03_ev.mp4
■(117) 课时116：基于STM-CRF命名实体识别-01_ev.mp4
■(118) 课时117：基于STM-CRF命名实体识别-02_ev.mp4
■(119) 课时118：基于STM-CRF命名实体识别-03_ev.mp4
■(120) 课时119.mp4
■(121) 课时120：forward algorithm.mp4
■(122) 课时121：backward algorithm.mp4
■(123) 课时122：complete vs incomplete case.mp4
■(124) 课时123：estimate a-review of language model.mp4
■(125) 课时124：回顾-生成模型与判别模型.mp4
■(126) 课时125：回顾-有向图vs无向图.mp4
■(127) 课时126：multinomial logistic regression.mp4
■(128) 课时127：回顾-hmm.mp4
■(129) 课时128：log-linear model to linear-crf.mp4
■(130) 课时129：inference problem.mp4
■(131) 课时130：bp算法.mp4
■(132) 课时131：pytorch基础.mp4
■(133) 课时132：深度学习与深度神经网络的历史背景.mp4
■(134) 课时133：神经网络的前向算法.mp4
■(135) 课时134：神经网络的误差向后传递算法.mp4
■(136) 课时135：误差向后传递算法推导.mp4
■(137) 课时136：课后答疑.mp4
■(138) 课时137：inception-resnet卷积神经网络-01.mp4
■(139) 课时138：inception-resnet卷积神经网络-02.mp4
■(140) 课时139：bp算法回顾-01.mp4
■(141) 课时140：bp算法回顾-02.mp4
■(142) 课时141：bp算法回顾-03.mp4
■(143) 课时142：矩阵求导-01.mp4
■(144) 课时143：矩阵求导-02.mp4
■(145) 课时144：矩阵求导-03.mp4
■(146) 课时145：卷积的原理.mp4
■(147) 课时146：多通道输入, 多通道输出的卷积操作, 典型的卷积网络结构.mp4
■(148) 课时147：卷积层用于降低网络模型的复杂度.mp4
■(149) 课时148：卷积层复杂度的推演 padding的种类.mp4
■(150) 课时149：卷积层的误差向后传递算法(梯度推演) .mp4
■(151) 课时150：卷积层的各种变体.mp4
■(152) 课时151：经典的卷积网络一览.mp4
■(153) 课时152：课后答疑.mp4
■(154) 课时153：EffNet-01.mp4
■(155) 课时154：EffNet-02.mp4
■(156) 课时155：MobileNet-01.mp4
■(157) 课时156：MobileNet-02.mp4
■(158) 课时157：MobileNet-03.mp4
■(159) 课时158：ShuffleNet-01.mp4
■(160) 课时159：ShuffleNet-02.mp4
■(161) 课时160：ShuffleNet-03.mp4
■(162) 课时161：神经网络的梯度消失及其对策.mp4
■(163) 课时162：神经网络的过拟合及其对策1-Dropout.mp4
■(164) 课时163：神经网络的过拟合及其对策2-L1 L2 Regularization.mp4
■(165) 课时164：神经网络的过拟合及其对策3-Max Norm.mp4
■(166) 课时165：神经网络的过拟合及其对策4-Batch Normalization.mp4
■(167) 课时166：批处理梯度下降法, 随机梯度下降法, mini批处理梯度下降法.mp4
■(168) 课时167_.mp4
■(169) 课时168_.mp4
■(170) 课时169_.mp4
■(171) 课时170_.mp4
■(172) 课时171_.mp4
■(173) 课时172_.mp4
■(174) 课时173_.mp4
■(175) 课时174_.mp4
■(176) 课时175：课后答疑.mp4
■(177) 课时176：语言模型的原理及其应用.mp4
■(178) 课时177：基于n-gram的语言模型.mp4
■(179) 课时178：基于固定窗口的神经语言模型.mp4
■(180) 课时179：RNN的原理, 基于RNN的语言模型及其应用.mp4
■(181) 课时180：RNN中的梯度消失与梯度爆炸.mp4
■(182) 课时181：LSTM的原理.mp4
■(183) 课时182：GRU的原理.mp4
■(184) 课时183：梯度消失爆炸的解决方案.mp4
■(185) 课时184：双向Bidirectional RNN, 多层Multi-layer RNN.mp4
■(186) 课时185：课后答疑.mp4
■(187) 课时186：人脸关键点检测项目讲解-01.mp4
■(188) 课时187：人脸关键点检测项目讲解-02.mp4
■(189) 课时188：人脸关键点检测项目讲解-03.mp4
■(190) 课时189：LONG SHORT-TERM MEMORY-01.mp4
■(191) 课时190：LONG SHORT-TERM MEMORY-02.mp4
■(192) 课时191：为什么需要Attention注意力机制.mp4
■(193) 课时192：Attention的原理.mp4
■(194) 课时193：Transformer入门.mp4
■(195) 课时194：Self-Attention注意力机制的原理.mp4
■(196) 课时195：Positional Encoding.mp4
■(197) 课时196：Layer Normalization.mp4
■(198) 课时197：Transformer Decoder解码器的原理, 损失函数, 训练小技巧.mp4
■(199) 课时198：Bert的原理.mp4
■(200) 课时199：课后答疑.mp4
■(201) 课时200：课中答疑.mp4
■(202) 课时201：Word2Vec论文解读-01.mp4
■(203) 课时202：Word2Vec论文解读-02.mp4
■(204) 课时203：Word2Vec论文解读-03.mp4
■(205) 课时204：使用BiLSTM+CNN实现NER-01.mp4
■(206) 课时205：使用BiLSTM+CNN实现NER-02.mp4
■(207) 课时206：使用BiLSTM+CNN实现NER-03.mp4
■(208) 课时207_.mp4
■(209) 课时208_.mp4
■(210) 课时209_.mp4
后续省略100多目录...