九章算法人工智能集训营
项目全面升级，零基础掌握16+2工业级项目，通过实战深入学习人工智能算法及工业化流程，快速提升简历，斩获心仪offer7000刀，入的这们课程，刚学完，熬了几十个通宵，打个卡，留个纪念，因为课程会过期，我就录制下来了，有需要的朋友可以留个言。
先说结论：讲的好，由浅入深，讲师掏心掏肺，多年心血和经验融入其中，我学到的是用语言无法表达的，顺利找到满意的工作和待遇。
NO1：没啥基础，学习还是有点跟不上，我是白天上课，晚上补基础，两周时间，进度终于跟上了，代码也写起来，bug也少了
NO2：学习进入进阶阶段，难度越来越大，学的越来越多，代码写起来了，也能跑起来，很有成就感，女朋友的约会我都没去，让我舍友帮我去的
NO3：课程进入了尾声，学习没耽误，也找到了工作，女朋友丢了，和舍友好了
NO4：最后的最后，我和舍友的女朋友在一起了，从此四个人过起了没羞没臊的生活
因为课程会过期，我就录制下来了，有需要的朋友可以留个言，关注一下，一起学习，一起进步。
第一章【直播】机器学习从0到1 Introduction to Machine Learning
[*]人工智能、机器学习和深度学习
[*]人工智能的用途
处理大量数据
根据数据和数学假设建立并训练模型
进行预测、分类、感知、认知等任务
[*]个人职业发展
国内外人工智能/机器学习领域的就业前景展望
[*]机器学习的例子
人类学习
机器学习
获取数据集
特征工程
训练模型
测试
[*]机器学习中的模型
[*]人工智能集训营项目介绍
第二章【直播】机器学习Python Data Analysis - Pandas
[*]什么是Pandas？
机器学习
Pandas的安装
Pandas的使用
[*]Pandas的数据结构
Series
DataFrame
[*]Pandas的进阶用法
文件读写I/O
重要的基本方法
数据分组（Groupby)
数据合并
缺失值和异常值处理
第三章【直播】Python 基本语法基础 Introduction to Python I
[*]Python基础类型
整形
布尔类型
字符与字符串类型
[*]程序控制流
控制结构-if语句
循环结构
[*]函数的定义及调用
[*]Python内置数据结构一
数据结构之List
数据结构之tuple
第四章【直播】机器学习KNN算法入门（ Machine Learning - KNN algorithm）
[*]了解最近邻算法
什么是KNN
最近邻算法
[*]入门KNN算法框架
如何定义“像”、“类似”？
特征工程Feature Engineering
训练模型
测试Test
如何在数学上定义相似呢？
如何预测类别
最近的一个点有误差？
KNN算法的流程
[*]识别数据图像
识别图像中的数字
如何寻找Feature？
计算机如何处理图像？
[*]掌握模型评估标准
如何评价模型
Confusion Matrix
评价指标公式表
多分类问题及评价
[*]常见命令总结
第五章【直播】Python 基本语法基础 Introduction to Python II
[*]Python基础类型
Python的基础类型Dict
Python的基础类型Set
[*]Python实现快速排序和归并排序
排序Sort
常见的排序算法
归并排序与快速排序
Python中的排序 - 合并两个有序数组
Python中的排序 - 快速排序
[*]Python中如何使用排序方法
Python中的排序 - 对List进行排序
Python中的排序的选择
[*]Lambda, Map, Filter, Reduce函数的使用
Python - 匿名函数lambda
Python - filter函数
Python - map函数
Python - reduce函数
第六章【直播】机器学习 Python Data Analysis- Numpy Matplotlib
[*]Numpy
能够读懂大多数numpy操作 代码
会使用基础操作
对于高阶功能知道numpy有无函数对应
[*]Matplotlib
能制作简单图示
能根据要求修饰图
第七章【直播】Python面向对象、第三方库等介绍 Python - OOD
[*]函数与类 Function & Class
函数 Function
函数递归Recursion
递归三要素
类和对象 Class & Object
Python的属性访问限制
[*]类的继承 Inheritance
类的继承
isinstance方法
实例属性和类属性
Python文件读写
多重继承
[*] 异常的捕捉 Exception
异常的捕捉
try/except语句
[*] Json数据类型
Python Json数据
Python Json数据 dumps
Python Json数据 loads
第八章【直播】线性回归 Linear Regression
[*]什么是线性回归Linear Regression
Linear Regression
[*]如何建模求解
用于预测变量的值
问题定义
Linear Regression的任务
[*]项目展示
Kaggle房价预测
Linear Regression是如何预测的
计算指标
[*]总结有用的命令
第九章【直播】朴素贝叶斯I-Naive Bayes 1
[*]概率及条件概率
条件概率的灵活运用
公式变化的拓展
[*]贝叶斯定理
朴素贝叶斯分类器如何解决垃圾邮件分类
朴素贝叶斯(Nave Bayes)分类器
[*]贝叶斯数学公式
[*]朴素贝叶斯的工程技巧
数据处理技巧-分词
数据处理技巧-词干提取/词形还原
第十章【直播】朴素贝叶斯II-Naive Bayes 2
ul><li data-pid="kGxbY1OH">朴素贝叶斯垃圾邮件分类器 – 手工实现</ul>朴素贝叶斯的一般过程
平滑与不平滑
其他常用Metrics
[*]多种概率分布与贝叶斯模型结合
伯努利分布
伯努利分布与朴素贝叶斯结合
多项式分布
多项式分布与朴素贝叶斯结合
高斯分布
高斯分布与朴素贝叶斯结合
[*]TF-IDF
[*]电影评论情感预测
电影评论情感预测 – 代码实现
第十一章【直播】逻辑斯蒂回归I-Logistic Regression I
[*]什么是线性回归Logistic Regression
Logistic Regression
[*]项目实战
预测跳槽概率
[*]如何建模求解
Logistic Regression是如何预测的
如何表示Y
数据处理：加入哑变量
比值（Odds）和赔率
Logistic Regression模型公式
计算指标
[*]总结有用的命令
第十二章【直播】逻辑斯蒂回归II-Logistic Regression II
[*]机器学习中的Loss Function
机器学习的基本架构
监督机器学习中的基本概念和术语
[*]Logistic Regression优化
Logistic Regression
Logistic Regression模型公式
Logistic Regression求解
损失函数
梯度下降Gradient Descent
[*]理论推导Logistic Regression梯度
Logistic Regression梯度计算
[*]手写梯度下降程序
编写Logistic Regression梯度下降
[*] 多类Logistic Regression
第十三章【直播】逻辑斯蒂回归III-Logistic RegressionIII
[*]推广能力
推广能力Generalization
推广能力的克星：过拟合Overfitting
[*]过拟合
正则化
交叉验证
[*]参数和超参数
[*]归纳偏见
[*]项目实战
手写数字识别
泰坦尼克号
第十四章【直播】决策树算法I-(Decision Tree 1)
[*]决策树的概念
决策树的表示
[*]算法流程
如何选择特征？
什么时候停止？
overfitting 与奥卡姆剃刀准则
[*]决策树的特点总结
决策树复杂度的表示与选择
决策树在点集上的实验
决策树的特点
第十五章【直播】决策树算法II-(Decision Tree 2)
[*]Titanic 数据集的分析
决策树代码
[*]实现决策树
特征选择
划分终止条件
第十六章【直播】降维及聚类常用算法 ML algorithms
[*]降维
降维是什么？
为什么需要降维？
初步数学知识
怎么进行数据降维？
主成分分析（PCA）
[*]聚类算法
聚类算法概念
聚类算法——K-Means
K均值K值的取值方法
K-Means初始K个点的选择
[*]项目-人脸聚类
第十七章【直播】梯度提升决策树GBDT
[*]什么是GBDT？
集成学习
机器学习三要素
Gradient Boosting
[*]GBDT的应用
回归问题
分类问题
[*]XGBoost简介
XGBoost特性
第十八章【直播】机器学习集成I-(Ensemble 1)
[*]偏差与方差
定义偏差，方差，噪声
计算泛化误差
偏差-方差窘境
[*]集成学习
定义和分类
如何集成
[*]Bagging (套袋法)
Bagging的优势
随机森林
第十九章【直播】机器学习集成 II-( Ensemble 2)
[*]Bias 与 Variance 的计算
Bias vs Variance
[*]基于决策树的Bagging
Bagging training code
[*]基于随机森林的房价预测
[*]基于随机森林的蘑菇毒性分类
Fake Random Forest code
[*]基于Adaboost的癌症病人分类
AdaBoost code
第二十章【直播】机器学习集成 III-(Ensemble 3)
[*]Why Bootstrap work ?
Bootstrap性质
[*]脑洞系列：ensemble 与 deep learning 的联想
Dropout
两层神经网络
[*]Adaboosting 完全实现
Adaboost
Adaboost 的完全实现
第二十一章【直播】神经网络Neural Network 1
[*]什么是Neural Networks
神经元模型
人工神经网络
神经网络Neural Network
神经元Perceptron
层Layer
[*]如何计算
神经网络的计算能力
神经网络可以实现更复杂的函数
神经网络解决异或问题
神经网络的用途
[*]项目实战
Kaggle: Otto Product
训练神经网络
链式法则
反向传播算法Backpropagation
反向传播算法示例
[*]如何优化
参数优化技巧
随机梯度下降Stochastic Gradient Descent
Batch and Epoch
检查梯度
第二十二章【直播】机器学习(总结)
[*]分类问题 （classification）
[*]回归问题 (regression)
数据预处理
特征选择与降维
KNN
[*]Nave Bayes
Linear/Logistic Regression/Neural Nets
Decision Tree
Ensemble
Deep Learning
第二十三章【直播】TensorFlow-基础
[*]深度学习简介
[*]深度学习的特点
可并行
参数量大
GPU的大规模使用
[*]TensorFlow简介及优势
[*]TensorFlow基本概念
计算图
张量
[*]基础操作
定义变量/常量
基本计算
[*]自动求导
[*]高级API：Keras
第二十四章【直播】神经网络 Neural Network 2
[*]什么是Neural Networks
神经元模型
人工神经网络
神经网络Neural Network
神经元Perceptron
层Layer
[*]如何计算
神经网络的计算能力
神经网络可以实现更复杂的函数
神经网络解决异或问题
神经网络的用途
[*]项目实战
Kaggle: Otto Product
训练神经网络
链式法则
反向传播算法Backpropagation
反向传播算法示例
[*]如何优化
参数优化技巧
随机梯度下降Stochastic Gradient Descent
Batch and Epoch
检查梯度
第二十五章【直播】数字图像基础与数字图像处理
[*]图像分割深度学习模型
SegNet
U-Net
V-Net
DeepLab V3
[*]图像分割数据集
VOC
PASCAL-Context Dataset
CoCo
Cityscapes
[*]图像分割性能指标
[*]项目Segmentation Modeling
第二十六章【直播】卷积神经网络入门
[*]什么是互联网广告？
广告 Advertisement
传统广告
互联网广告
[*]广告系统架构简介
广告系统技术架构简图
广告系统技术
[*]CTR / CVR预估
CTR / CVR预估-数据
CTR / CVR预估-模型
CTR / CVR预估-LR特征工程
CTR / CVR预估-LR正则化
CTR / CVR预估-特征
CTR / CVR预估-效果评估
CTR / CVR预估-实践
第二十七章【直播】卷积神经网络基本架构与实践
[*]什么是互联网广告？
广告 Advertisement
传统广告
互联网广告
[*]广告系统架构简介
广告系统技术架构简图
广告系统技术
[*]CTR / CVR预估
CTR / CVR预估-数据
CTR / CVR预估-模型
CTR / CVR预估-LR特征工程
CTR / CVR预估-LR正则化
CTR / CVR预估-特征
CTR / CVR预估-效果评估
CTR / CVR预估-实践</p>第二十八章【直播】强化学习1-入门介绍：Basic introduction
[*]强化学习
强化学习的定义
人工智能
机器学习
深度学习
[*]如何让机器在动态的世界中进行行为学习？
行为学习（在哪学）
行为学习（学什么）
行为学习（怎么学）
[*]强化学习的抽象模型
关于围棋的问题
扫地机器人的例子
[*]从强化学习到深度强化学习
什么是深度强化学习
优点及应用例子
学习深度强化学习的环境
[*] 强化学习的缺点和局限
第二十九章【直播】推荐系统入门
[*]什么是推荐系统？
[*]推荐系统的评估
[*]经典的推荐算法 - 协同过滤
协同过滤的原理
项目实战-电影推荐
第三十章【直播】协同过滤进阶和矩阵分解
[*]协同过滤的进阶技巧
[*]矩阵分解算法
矩阵分解的原理
矩阵分解的求解过程
矩阵分解的优点和局限性
第三十一章【直播】强化学习2 - 马科夫决策过程（Markov Decision Process MDP）
[*] 回顾强化学习的抽象模型
强化学习的抽象模型
[*] 马科夫决策过程 (MDP)
方格游戏
如何用MDP去解决方格游戏的问题？
策略（Policy）
值函数（Value Functions）
最佳值函数（Optimal Value Functions）
为什么叫马科夫决策过程？
第三十二章【直播】强化学习 3 - 游戏项目1 - 学习迷宫导航
[*]实战项目背景介绍
背景介绍：FrozenLake
环境（environment）
[*]熟悉强化学习框架的实际应用
[*]理解“环境”，“状态”，“动作”，“奖励”在实际代码中的体现
[*]动手实现策略迭代和数值迭代
策略迭代(Policy Iteration)
数值迭代(Value Iteration)
[*]进行模型训练，求解最佳策略
Policy Iteration vs Value Iteration
第三十三章【直播】强化学习4 - Deep Q Network
[*]重点回顾
Policy
Value Function
Value Iteration
[*]使用深度神经网络去表达强化学习算法
DQN
解决方案： 样本的相关性(Correlation)
解决方案：目标不稳定
[*]经验回放
[*]类似算法
Double DQN
Dueling Networks
第三十四章【直播】融合多种特征的推荐模型
[*]FM和FFM模型
FM模型-隐向量交叉特征
FFM模型-引入特征域
[*]加法模型-GBDT
第三十五章【直播】深度推荐模型
[*]深度学习的加入-DeepFM
[*]基于DeepFM实现淘宝物品推荐算法
第三十六章【直播】强化学习5 - 游戏项目2 - 学习视觉游戏
[*]实战项目背景介绍
Atari
Space Invader
[*]框架代码是如何组织的
[*]DQN核心实现
核心网络： Network Model
经验回放：ReplayMemory
“机器人”：Agent
[*]可优化的地方
带优先级的经验回放
跳帧（frame-skipping technique）
Double DQN
Dueling Networks
第三十七章【直播】NLP在工业界的现状 及 文本在神经网络的表示
[*]应用领域
[*]典型任务
[*]文本输入表示 - 怎样在神经网络中表示文本
第三十八章【直播】机器学习竞赛入门 Introduction To Machine Learning Contest
[*]机器学习竞赛简介
机器学习竞赛-为什么参加竞赛？
机器学习竞赛-赛制
机器学习竞赛-平台
机器学习竞赛-Kaggle赛题类型
[*]机器学习竞赛流程
竞赛流程-技术点
数据探索和样本构造（Data)
模型选择、调优和融合（Model)
[*] 参加机器学习竞赛的建议
第三十九章【直播】循环神经网络
[*]理论介绍
什么是循环神经网络
循环神经网络的结构
[*]实践
用循环神经网络实现文本分类
第四十章【直播】机器翻译
[*]理论介绍
机器翻译的发展过程
机器翻译的常见神经网络结构
[*]实践
实现基于神经网络的机器翻译模型
第四十一章【直播】CV项目-CNN应用领域、项目类型及本期项目初探
[*]CNN概念、特点及网络架构回顾
[*]CNN应用领域及典型案例
[*]AI图像领域项目类型
[*]本期CNN项目介绍
[*]项目数据读取、分析及可视化
第四十二章【直播】CV项目-本期项目思路、图像预处理及CNN分类模型
[*]本期项目项目整体思路及技术路线
[*]图像预处理
[*]CNN分类模型构建
[*]损失函数
第四十三章【直播】CV项目-CNN 概念进阶、可训练参数及分类模型评估
[*]CNN 概念进阶
[*]CNN可训练参数
[*]分类模型评估指标
第四十四章【直播】CV项目-过拟合、正则化与数据增强
[*]过拟合与欠拟合
[*]正则化概念及方法
[*]Batch Normalization
[*]数据增强
[*]分类任务代码讲解
第四十五章【直播】CV项目-CNN经典模型及迁移学习
[*]CNN经典模型介绍及分析
[*]迁移学习概念、方式及实践
[*]迁移学习代码讲解
第四十六章【直播】CV项目-图像分割应用领域及主要算法
[*]图像分割的概念
[*]图像分割主要应用领域
[*]经典图像分割算法介绍及分析
[*]项目分割算法实现
第四十七章【直播】CV项目-图像分割任务整体实现
[*]分割数据生成器
[*]分割算法度量及损失函数
[*]分割模型代码讲解
[*]项目预测及结果提交
第四十八章【直播】CV项目-分割模型进阶及模型性能优化
[*]分割中的数据增强
[*]分割模型架构进阶
[*]模型优化原则及方法
[*]超参数优化
第四十九章【直播】CV项目-CNN项目案例分析：基于图像的推荐系统项目及课程整体回顾
[*]案例分析1：视频监控及定位
[*]案例分析2：基于图像的推荐系统项目
[*]课程整体回顾
[*]CNN知识体系总结
第五十章【直播】NLP项目-项目背景及文本分类初探
[*]项目背景介绍
[*]实现方案讲解
[*]代码框架搭建
[*]简单模型验证
第五十一章【直播】NLP项目-深度学习在文本分类的应用
[*]卷积网络文本分类器
[*]循环网络文本分类器
[*]代码实践 - 引入神经网络模型
第五十二章【直播】NLP项目-全局词向量与LSTM
[*]全局词向量 - Glove Embedding
[*]长短期记忆网络 - LSTM
[*]代码实践 - 引入Pre-trained Word Embedding
第五十三章【直播】NLP项目-Attention & Transformer
[*]注意力模型 - Attention
[*]变形金刚？ - Transformer
[*]代码实践 - 基于Transformer的代码
第五十四章【直播】NLP项目-GPT、BERT和基于语境的词表示
[*]什么是语言模型
[*]代码实践 - 实现一个语言模型
[*]GPT
[*]预训练双向Transformer语言模型 - BERT
[*]基于语境的词表示 - Contextualized Word Representation
第五十五章【直播】NLP项目-Contextual Word Embedding与BERT Embedding
[*]代码实践 - 引入Contextual Word Embedding
[*]GRU + CNN
[*]BERT Embedding
第五十六章【直播】NLP项目-模型校准的概念及实践
[*]模型校正的概念 - Model Calibration
[*]模型矫正的方法 - Model Calibration Methods
第五十七章【直播】NLP项目-数据分析及提升
第五十八章【直播】NLP项目-NLP模型的综合应用
第五十九章【互动】人工智能集训营-课程环境配置
第六十章【互动】人工智能-回放
6666
页:
[1]