黑马人工智能AI零基础到精通教程
人工智能趋势
实战项目：实时人脸识别检测项目：
[attach]8241[/attach]
智能文本分类系统
[attach]8242[/attach]
项目亮点
项目展示：智慧交通技术架构图
[attach]8244[/attach]
项目亮点:
计算机视觉案例实战
市场价值:
[attach]8246[/attach]
1.MSCOCO图像说明生成
3.莎士比亚风格的文本生成
6.应用于bert模型的动态量化技术
本主题需向作者支付 50 资源币 才能浏览 购买主题
感谢楼主的无私分享！
454545454545454545454545454545
太强了太强了
我看不错噢 谢谢楼主！
6666666666666
大佬人工智能趋势
人工智能是当前乃至未来时代热门的技术之一，已在全球范围内掀起了研究与学习热潮。人工智能连续四年成为大学最热门专业！！！ 课程知识体系完备，从简明的python语言开始，到机器学习，再到AI的两大应用方向：计算机视觉（CV）和自然语言处理（NLP），几乎包含了当下AI就业市场的全部需求。同时，课程学习曲线设计平滑，根据学习者对知识的消化吸收情况，循序渐进增强自身的AI技能。
[attach]8239[/attach]
学完收获：
实战项目：实时人脸识别检测项目：
本项目可通过摄像头实时采集视频人脸数据，也可批量图片输入自动化识别人脸；本项目对视频可实现人脸的跟踪，并标注姓名、性别、情绪（开心、生气、自然）等信息并能对进入视频的陌生人报警，通过对人眼状态的监测对疲劳驾驶发出警报，并能通过对深度神经网络的训练，进行活体检测。
[attach]8241[/attach]
智能文本分类系统
智能文本分类系统是一款toB类型的应用, 解决泛娱乐领域公司内部对文本分类的需求, 用以支持推荐系统, 精准营销系统等, 它能够将各类非结构化文本进行精确分类，打上一个或多个适合的标签.从系统本身角度: 系统内包含很多NLP基础任务的处理，比如分词任务，命名实体识别任务等，又是机器翻译，文本生成工作的基础。因此，智能文本分类任务是学习NLP的必经之路。
[attach]8242[/attach]
项目亮点
1.搭建多模型训练服务,保证在训练过程中,进行资源监控和分配,得以高效率在有限资源内进行模型训练。
2.搭建多线程并行预测服务,为了满足性能要求,这里我们将利用多线程的方式,并对每一个获得结果做最 后综合处理。
3.图谱权重更新,随着模型的预测完成,将使用预测概率更新在该路径权重,最后根据权重计算规则,
获得最后结果。
4.使用n-gram特征工程,来捕捉词序对结果的影响。
5.使用fasttext模型,适应在语料变化大,模型数量规模大,模型上下线频繁的场景。
2.搭建多线程并行预测服务,为了满足性能要求,这里我们将利用多线程的方式,并对每一个获得结果做最 后综合处理。
3.图谱权重更新,随着模型的预测完成,将使用预测概率更新在该路径权重,最后根据权重计算规则,
获得最后结果。
4.使用n-gram特征工程,来捕捉词序对结果的影响。
5.使用fasttext模型,适应在语料变化大,模型数量规模大,模型上下线频繁的场景。
智慧交通
汽车的日益普及在给人们带来极大便利的同时，也导致了拥堵的交通路况，以及更为频发的交通事故。智能交通技术已成为推动现代技术交通技术发展的重要力量，智能交通不仅能够提供实时的交通路况信息，帮助交通管理者规划管理策略，而且还能优化出行者的出行策略。还可以减轻交通道路的堵塞情况，降低交通事故的发生概率，提高道路运行的安全系数。智慧交通项目利用深度学习技术，跟踪路面实时车辆通行状况，并逐帧记录不同行车道车流量数目。车辆自动计数系统由计数系统、图像抓拍系统、实时监控录像系统组成，可在视频看出每个车辆的连续帧路径。该项目可拓展性强，可根据企业业务，外接计费结算系统、LED显示系统、语音播报系统、供电防雷系统等
项目展示：智慧交通技术架构图
[attach]8243[/attach]
在线医生
在线医生是一款toC类型的应用, 以微信公众号为依托, 用户通过微信扫码与在线AI医生进行交流，通过循序渐进描述自己的症状, 在线医生将逐步确定病情，同时也支持部分的闲聊功能，提升用户
项目展示：[attach]8244[/attach]
项目亮点:
1. 基于医疗知识图谱的实体检索技术。
2. 基于bert迁移学习的命名实体审核技术
3. 基于BiLSTM+CRF的命名实体识别技术
4. 基于微信公众号和flask的模型部署服务
2. 基于bert迁移学习的命名实体审核技术
3. 基于BiLSTM+CRF的命名实体识别技术
4. 基于微信公众号和flask的模型部署服务
计算机视觉案例实战
市场价值:
综合运用计算机视觉及图像处理相关技术，并将其用于企业业务场景及工业检测如场景识别，手势姿态识别，画风迁移及生成，人体姿态估计等多方应用案例，通过案例实践，能够熟悉深度学习主要及前沿网络模型的架构原理及在实际业务场景中的应用，结合实践掌握深度学习在计算机视觉中的应用。
学习内容:1.视频中场景识别案例
通过卷积神经网络实现场景识别，与传统的人工特征SIFT, HOG形成鲜明对比，通过训练模型，提取图片中的特征，组合出更的特征，最终实现场景识别，是前沿的场景识别方法，通过本案例，可牢固掌握Deep Learning的网络结构、数据集增强方法，掌握CNN提取图像特征和组合特征的特点并学习卷积神经网络提高模型容量和降低模型过拟合的方法。
[attach]8245[/attach]
2.垃圾图片分类案例
纸巾再湿也是干垃圾？瓜子皮再干也是湿垃圾？你是否傻傻分不清？通过这个案例，你不仅能无障碍分类垃圾，
更能学会一系列深度学习技能，例如:
1,掌握EfficientNet等最新的深度神经网络模型;
2,掌握图片分类问题高分优化技巧;
3,学会使用分布式任务队列Celery构建企业级应用等。
更能学会一系列深度学习技能，例如:
1,掌握EfficientNet等最新的深度神经网络模型;
2,掌握图片分类问题高分优化技巧;
3,学会使用分布式任务队列Celery构建企业级应用等。
[attach]8246[/attach]
3.Flappy Bird的深度强化学习
本案例将完成如下游戏场景：障碍物以一定速度往左前行，小鸟拍打翅膀向上或向下飞翔来避开障碍物，如果碰到障碍物，游戏就GAME OVER！而我们通过强化学习能够使小鸟能够自动识别障碍物，做出正确的动作（向上或向下飞翔）。
通过这个案例，你将学会：
1，深度强化学习模型训练及马尔科夫决策原理
2，强化学习原理及贝尔曼优化
3，将一个游戏决策问题转换成对瞬时多维图像的分类识别问题并运用卷积神经网络来进行策略优化
通过这个案例，你将学会：
1，深度强化学习模型训练及马尔科夫决策原理
2，强化学习原理及贝尔曼优化
3，将一个游戏决策问题转换成对瞬时多维图像的分类识别问题并运用卷积神经网络来进行策略优化
[attach]8247[/attach]
4.画风融合和迁移
通过深度学习网络实现画风Style与内容Content融合，最小化损失函数根据迭代最终生成手绘风格图像，其他案例如建筑物变化为梵高风格，狗狗变成梵高风格图片等，都是基于深度神经网络自动生成。
通过这个案例，你将学会：
1，基于深度神经网络完成图像融合重构及画风迁移
2、通过双损失函数调节实现风格内容的比例制衡
3，神经网络自适应匹配不同风格画作与写实画风融合，真正实现AI的艺术创作
通过这个案例，你将学会：
1，基于深度神经网络完成图像融合重构及画风迁移
2、通过双损失函数调节实现风格内容的比例制衡
3，神经网络自适应匹配不同风格画作与写实画风融合，真正实现AI的艺术创作
[attach]8248[/attach]
5.画风融合及生成
通过生成对抗网络网络DCGAN等实现二次元图片的自动生成，通过这个案例，你将学会：
1，掌握非监督图像的生成技术及风格迁移
2、了解深度卷积生成对抗网络原理及其变体
3，掌握CycleGAN及特征解耦图像生成技术
1，掌握非监督图像的生成技术及风格迁移
2、了解深度卷积生成对抗网络原理及其变体
3，掌握CycleGAN及特征解耦图像生成技术
[attach]8249[/attach]
6.姿态估计及处理
手势识别，人体姿态是人机交互领域一个重要的研究方向，本案例通过预测手势或姿态进行人机交互的技术其商用前景广泛，通过这个案例，你将学会：
1，自底向上的方法：检测图像中的所有部件（即所有人的肢体关节），然后将属于不同人的部件进行关联/分组。
2，自顶向下的方法：加入一个人体检测器，然后分别估计各个部件，最后再计算每个人的姿态。
3，OpenPose，DeepCut，动作捕捉和增强现实等相关原理及方法
1，自底向上的方法：检测图像中的所有部件（即所有人的肢体关节），然后将属于不同人的部件进行关联/分组。
2，自顶向下的方法：加入一个人体检测器，然后分别估计各个部件，最后再计算每个人的姿态。
3，OpenPose，DeepCut，动作捕捉和增强现实等相关原理及方法
[attach]8250[/attach]
自然语言处理(NLP)案例实战1.MSCOCO图像说明生成
案例介绍
输入为一张图片，输出该图片的说明描述文本。使用MSCOCO图像数据集，基于seq2seq的模型架构，编码器使用InceptionV3的迁移预训练模型，在此基础上进行微调，提取图像的表征。解码器使用带有attention机制的GRU模型，结合图片表征循环生成文本，其中包含多个工程技巧。
[attach]8251[/attach]
2.IMDB影评情感分析案例介绍
输入为一段影评文本，输出为该段文本情感倾向。在这个案例中我们将使用多个不同隐层的RNN进行效果对比，以获得在IMDB标注数据集上的最有表现，同时调节不同超参数，印证它们带来的不同模型效果。
[attach]8252[/attach]
3.莎士比亚风格的文本生成
案例介绍
输入为任意文本，循环输出指定长度的莎士比亚风格的文本。以莎士比亚的剧作为训练样本，使用GRU模型直接生成概率分布，通过random categorical进行结果选择，找到最有可能的生成方案。
[attach]8253[/attach]
4.西班牙语到英语的机器翻译案例介绍
输入为一段西班牙语，输出为对应同义的英文。以典型的西班牙语到英语的翻译文本为语料，使用带有attention机制的RNN模型，对Attention的效果进行可视化分析，并不断探寻这种机制的原理与改进方案。
[attach]8254[/attach]
5.模型并行与分布式的实践案例介绍
如何加快模型的训练和预测速度，使得在象牙塔中的理想模型能够应用于实际，促进商业化发展，一直是困扰公司技术团队的关键问题。该案例将从模型并行与分布式基本理论开始，阐述这种技术方案如何改善以上问题，并通过一系列实验对比结果论证方法的可行性。
[attach]8255[/attach]
6.应用于bert模型的动态量化技术
案例介绍
随着大型模型的出现,各项任务的指标都有了突飞猛进,但是如何将其部署在计算性能有限的场景下,如移动设备,个人终端等,成为阻碍模型应用的瓶颈,因此,模型压缩技术开始在工业界普及,尤其以能够快速操作的动,静态量化技术为主,该案例将详细介绍在大型模型bert上的动态量化技术,对比量化后模型的性能情况。
[attach]8256[/attach]
[attach]8258[/attach]
目录：
- ——/0000黑马【年度钻石会员】人工智能AI进阶2022年/
├──0000黑马【年度钻石会员】人工智能AI进阶
├──【 主学习路线】01、阶段一 人工智能Python基础
| ├──1–第一章 计算机组成原理
| | └──1–计算机原理
| ├──10–第十章 公共方法
| | ├──1–公共方法
| | └──2–推导式
| ├──11–第十一章 函数
| | ├──1–函数介绍
| | ├──10–函数参数二
| | ├──11–拆包, 交换变量
| | ├──12–引用
| | ├──2–函数参数一
| | ├──3–函数返回值一
| | ├──4–函数文档说明
| | ├──5–函数嵌套
| | ├──6–局部变量
| | ├──7–全局变量
| | ├──8–函数执行流程
| | └──9–函数返回值二
| ├──12–第十二章 函数强化
| | ├──1–函数应用学员管理系统
| | ├──2–课后练习(学员管理系统)
| | ├──3–递归函数
| | ├──4–匿名函数
| | └──5–高阶函数
| ├──13–第十三章 文件操作
| | ├──1–文件操作介绍
| | ├──2–文件读写操作
| | ├──3–案例文件备份
| | └──4–文件及文件夹的相关操作
| ├──14–第十四章 面向对象
| | ├──1–面向对象介绍
| | ├──10–私有属性和方法
| | ├──11–多态
| | ├──12–类属性及相关方法
| | ├──2–类和对象
| | ├──3–对象属性操作
| | ├──4–魔法方法
| | ├──5–案例烤地瓜
| | ├──6–案例 搬家具
| | ├──7–继承
| | ├──8–子类重写父类属性和方法
| | └──9–super方法使用
| ├──15–第十五章 异常
| | ├──1–异常介绍
| | ├──2–捕获异常
| | ├──3–异常传递
| | └──4–自定义异常
| ├──16–第十六章 模块
| | ├──1–模块介绍
| | ├──2–模块制作
| | └──3–python中的包
| ├──17–第十七章 学生管理系统(面向对象版)
| | └──1–学生管理系统(面向对象)
| ├──2–第二章 python基础语法
| | ├──1–课程介绍
| | ├──2–注释
| | ├──3–变量
| | ├──4–bug认识
| | ├──5–数据类型
| | ├──6–输出
| | ├──7–输入
| | ├──8–数据类型转换
| | └──9–运算符
| ├──3–第三章 判断语句
| | ├──1–判断语句介绍
| | ├──2–if基本格式
| | ├──3–if…elif…else格式
| | ├──4–if嵌套
| | └──5–案例猜拳游戏
| ├──4–第四章 循环语句
| | ├──1–循环语句介绍
| | ├──2–while循环
| | ├──3–循环应用
| | ├──4–break和continue
| | ├──5–while循环嵌套及应用
| | ├──6–for循环
| | └──7–循环else应用
| ├──5–第五章 字符串
| | ├──1–字符串介绍
| | ├──2–输入输出
| | ├──3–切片
| | └──4–字符串操作方法
| ├──6–第六章 列表
| | ├──1–列表相关操作
| | ├──2–列表循环遍历
| | └──3–列表嵌套
| ├──7–第七章 元组
| | └──1–元组相关操作
| ├──8–第八章 字典
| | ├──1–字典介绍
| | ├──2–字典的常见操作
| | └──3–字典遍历
| └──9–第九章 集合
| | └──1–集合的相关操作
├──【 主学习路线】02、阶段二 人工智能Python高级
| ├──1–第一章 Linux基础命令
| | ├──1–linux简介
| | └──2–linux相关命令
| ├──10–第十章 MySqL数据库高级使用
| | ├──1–条件查询
| | ├──2–实战操作
| | ├──3–外键使用
| | ├──4–视图
| | ├──5–事务
| | ├──6–索引
| | ├──7–设计范式
| | └──8–PyMySQL的使用
| ├──2–第二章 Linux高级命令
| | ├──1–linux高级操作
| | ├──2–远程控制
| | └──3–vim介绍
| ├──3–第三章 多任务编程
| | ├──1–多任务介绍
| | ├──2–多进程介绍
| | ├──3–多线程介绍
| | ├──4–锁的介绍
| | └──5–进程和线程的对比
| ├──4–第四章 网络编程
| | ├──1–ip和端口介绍
| | ├──2–TCP介绍
| | ├──3–TCP开发流程
| | └──4–多任务案例
| ├──5–第五章 HTTP协议和静态服务器
| | ├──1–HTTP协议
| | └──2–静态web服务器搭建
| ├──6–第六章 闭包,装饰器及python高级语法
| | ├──1–闭包
| | ├──2–装饰器
| | ├──3–property语法
| | ├──4–with语法
| | └──5–python高级语法
| ├──7–第七章 正则表达式
| | └──1–正则表达式
| ├──8–第八章 数据结构与算法
| | ├──1–算法概念
| | ├──10–选择排序
| | ├──11–插入排序
| | ├──12–快速排序
| | ├──13–二分查找
| | ├──14–二叉树
| | ├──15–二叉树的遍历
| | ├──2–时间复杂度
| | ├──3–空间复杂度
| | ├──4–数据结构
| | ├──5–顺序表
| | ├──6–链表
| | ├──7–栈
| | ├──8–队列
| | └──9–冒泡排序
| └──9–第九章 MySql数据库基本使用
| | ├──1–数据库介绍
| | ├──2–数据表的基本操作
| | ├──3–where条件查询
| | └──4–排序
├──【 主学习路线】03、阶段三 人工智能机器学习
| ├──1–第一章 机器学习概述V2.1
| | └──1–机器学习介绍
| ├──10–第十章 决策树V2.1
| | ├──1–信息增益
| | ├──2–特征提取
| | ├──3–案例泰坦生存预测
| | └──4–回归决策树
| ├──11–第十一章 集成学习V2.1
| | ├──1–集成介绍
| | ├──2–随机森林案例
| | └──3–集成学习
| ├──12–第十二章 聚类算法V2.1
| | └──1–聚类算法
| ├──13–第十三章 朴素贝叶斯V2.1
| | └──1–朴素贝叶斯
| ├──14–第十四章 SVM算法V2.1
| | └──1–SVM算法
| ├──15–第十五章 EM算法V2.1
| | └──1–EM算法
| ├──16–第十六章 HMM算法V2.1
| | └──1–HMM算法
| ├──17–第十七章 集成学习进阶V2.1
| | ├──1–XGBoost算法
| | ├──2–otto案例
| | ├──3–lightGBM算法
| | └──4–绝地求生案例
| ├──2–第二章 环境安装和使用V2.1
| | └──1–环境安装及使用
| ├──3–第三章 matplotlibV2.1
| | └──1–matplotlib使用
| ├──4–第四章 numpyV2.1
| | └──1–numpy使用
| ├──5–第五章 pandasV2.1
| | ├──1–pandas数据结构
| | ├──2–pandas基础使用
| | ├──3–pandas高级使用
| | └──4–电影案例分析
| ├──6–第六章 seabornV2.1
| | ├──1–绘制统计图
| | ├──2–分类数据绘图
| | ├──3–NBA案例
| | └──4–北京租房数据统计分析
| ├──7–第七章 K近邻算法V2.1
| | ├──1–k近邻算法介绍
| | ├──2–kd树
| | ├──3–数据集处理
| | ├──4–特征工程
| | ├──5–KNN总结
| | ├──6–交叉验证, 网格搜索
| | └──7–案例 Facebook位置预测
| ├──8–第八章 线性回归V2.1
| | ├──1–回归介绍
| | ├──2–损失优化
| | └──3–回归相关知识
| └──9–第九章 逻辑回归V2.1
| | └──1–逻辑回归
├──【 主学习路线】04、阶段四 计算机视觉与图像处理
| ├──1–第一章 课程简介_v2.0
| | ├──1–深度学习
| | └──2–计算机视觉（CV）
| ├──10–第十章 图像特征提取与描述_v2.0
| | ├──1–角点特征
| | ├──2–Harris和Shi-Tomas算法
| | ├──3–SIFT
| | ├──4–Fast和ORB算法
| | └──5–LBP和HOG特征算子
| ├──11–第十一章 视频操作_v2.0
| | ├──1–视频读写
| | └──2–视频追踪
| ├──12–第十二章 案例人脸案例_v2.0
| | └──1–案例人脸案例
| ├──2–第二章 tensorflow入门_v2.0
| | ├──1–tensorflow和keras简介
| | └──2–快速入门模型
| ├──3–第三章 深度神经网络_v2.0
| | ├──1–神经网络简介
| | ├──2–常见的损失函数
| | ├──3–深度学习的优化方法
| | ├──4–深度学习的正则化
| | ├──5–神经网络案例
| | └──6–卷积神经网络CNN
| ├──4–第四章 图像分类_v2.0
| | ├──1–图像分类简介
| | ├──2–AlexNet
| | ├──3–VGG
| | ├──4–GoogleNet
| | ├──5–ResNet
| | ├──6–图像增强方法
| | └──7–模型微调
| ├──5–第五章 目标检测_v2.0
| | ├──1–目标检测概述
| | ├──2–R-CNN网络基础
| | ├──3–Faster-RCNN原理与实现
| | ├──4–yolo系列算法
| | ├──5–yoloV3案例
| | └──6–SSD模型介绍
| ├──6–第六章 图像分割_v2.0
| | ├──1–目标分割介绍
| | ├──2–语义分割：FCN与Unet
| | ├──3–Unet-案例
| | └──4–实例分割：MaskRCNN
| ├──7–第七章 OpenCV简介_v2.0
| | ├──1–图像处理简介
| | ├──2–OpenCV简介及安装方法
| | └──3–OpenCV的模块
| ├──8–第八章 OpenCV基本操作_v.2.0
| | ├──1–图像的基础操作
| | └──2–算数操作
| └──9–第九章 OpenCV图像处理_v2.0
| | ├──1–几何变换
| | ├──2–形态学操作
| | ├──3–图像平滑
| | ├──4–直方图
| | ├──5–边缘检测
| | ├──6–模版匹配和霍夫变换
| | └──7–轮廓检测
├──【 主学习路线】05、阶段五 NLP自然语言处理
| ├──1–第一章 Pytorch工具_v2.0
| | ├──1–认识pytorch
| | ├──2– Pytorch中的autograd
| | ├──3–使用Pytorch构建一个神经网络
| | └──4–使用Pytorch构建一个分类器
| ├──10–第十章 迁移学习-v2.0
| | ├──1–迁移学习理论
| | ├──2–NLP中的标准数据集
| | ├──3–NLP中的常用预训练模型
| | ├──4–加载和使用预训练模型
| | └──5–迁移学习实践
| ├──11–第十一章 BERT,Transformer的模型架构与详解-v2.0
| | ├──1–认识BERT
| | ├──10–BERT模型的优点和缺点
| | ├──11–BERT的MLM任务为什么采用80% 10% 10%的策略
| | ├──12–长文本预测任务使用BERT如何构造训练样本
| | ├──2–Transformer的结构是什么样的 各个子模块各有什么作用
| | ├──3–Transformer结构中的Decoder端具体输入
| | ├──4–Transformer中的self-attention
| | ├──5–采用Multi-head Attention的原因和计算规则
| | ├──6–Transformer相比于RNN的优势和原因
| | ├──7–Transformer可以代替seq2seq的原因
| | ├──8–self-attention公式中添加scaled的原因
| | └──9–Transformer架构的并行化是如何进行的
| ├──12–第十二章 ELMo, GPT等经典模型的介绍与对比-v2.0
| | ├──1–认识ELMo
| | ├──2–认识GPT
| | ├──3–认识GPT2
| | └──4–请详述BERT, GPT, ELMo模型的对比和各自的优缺点
| ├──13–第十三章 HMM模型-v2.0
| | ├──1–马尔科夫链
| | ├──2–HMM简介
| | ├──3–HMM模型基础
| | └──4–维特比算法解码隐藏状态序列
| ├──14–第十四章 经典的序列模型-v2.0
| | └──1–认识HMM与CRF模型
| ├──2–第二章 自然语言处理NLP介绍-v2.0
| | └──1–NLP简介
| ├──3–第三章 文本预处理-v2.0
| | ├──1–认识文本预处理
| | ├──2–文本处理的基本方法
| | ├──3–文本张量表示方法
| | ├──4–文本的数据分析
| | ├──5–文本的特征处理
| | └──6–文本数据增强
| ├──4–第四章 RNN架构解析-v2.0
| | ├──1–认识RNN模型
| | ├──2–传统RNN模型
| | ├──3–LSTM模型
| | ├──4–GRU模型
| | └──5–注意力机制
| ├──5–第五章 RNN经典案例-v2.0
| | ├──1–使用RNN模型构建人名分类器
| | └──2–使用seq2seq模型架构实现英译法任务
| ├──6–第六章 莎士比亚风格的文本生成任务-v2.0
| | └──1–莎士比亚风格的文本生成任务
| ├──7–第七章 Transformer背景介绍-v2.0
| | └──1–Transformer背景介绍
| ├──8–第八章 Transformer架构解析-v2.0
| | ├──1–认识Transformer架构
| | ├──10–编码器
| | ├──11–解码器层
| | ├──12–解码器
| | ├──13–输出部分实现
| | ├──14–模型构建
| | ├──2–输入部分实现
| | ├──3–掩码张量
| | ├──4–注意力机制
| | ├──5–多头注意力机制
| | ├──6–前馈全连接层
| | ├──7–规范化层
| | ├──8–子层连接结构
| | └──9–编码器层
| └──9–第九章 fasttext工具的使用-v2.0
| | ├──1–认识fasttext工具
| | ├──2–进行文本分类
| | ├──3–训练词向量
| | └──4–词向量迁移
├──【 主学习路线】06、阶段六 人工智能项目实战
| ├──1–第一章 智慧交通
| | ├──1–项目简介
| | ├──10–车流量统计
| | ├──11–相机校正
| | ├──12–相机校正和图像去畸变
| | ├──13–车道线提取
| | ├──14–透视变换
| | ├──15–车道线定位与拟合
| | ├──16–车道曲率与车辆偏离中心线距离
| | ├──17–在视频中进行车道线检测
| | ├──18–SIamese网络系列（选学）
| | ├──19–跟踪效果（选学）
| | ├──2–算法原理
| | ├──20–数据集处理（选学）
| | ├──21–网络模型搭建（选学）
| | ├──22–网络模型训练（选学）
| | ├──23–网络模型测试（选学）
| | ├──24–网络模型应用（选学）
| | ├──3–多目标跟踪
| | ├──4–辅助功能
| | ├──5–卡尔曼滤波
| | ├──6–匈牙利算法
| | ├──7–数据关联
| | ├──8–SORT
| | └──9–目标检测
| ├──2–第二章 在线医生
| | ├──1–背景介绍
| | ├──10–结构化数据流水线
| | ├──11–非结构化数据流水线
| | ├──12–任务介绍与模型选用
| | ├──13–训练数据集
| | ├──14–BERT中文预训练模型
| | ├──15–构建RNN模型
| | ├──16–进行模型训练
| | ├──17–NE模型使用
| | ├──18–命名实体识别介绍
| | ├──19–BiLSTM介绍
| | ├──2–Unit对话API使用
| | ├──20–CRF介绍
| | ├──21–BiLSTM+CRF模型
| | ├──22–模型训练
| | ├──23–模型使用
| | ├──24–在线部分简要分析
| | ├──25–werobot服务构建
| | ├──26–主要逻辑服务
| | ├──27–任务介绍与模型选用及训练数据集
| | ├──28–BERT中文预训练模型1
| | ├──29–微调模型
| | ├──3–在线医生的总体架构
| | ├──30–进行模型训练1
| | ├──31–模型部署
| | ├──32–系统联调与测试
| | ├──4–总体架构中的工具介绍
| | ├──5–neo4j简介
| | ├──6–neo4j图数据库的安装
| | ├──7–Cypher介绍与使用
| | ├──8–在Python中使用neo4j
| | └──9–离线部分简要分析
| ├──3–第三章 智能文本分类系统
| | ├──1–整体系统搭建
| | ├──2–构建标签词汇图谱
| | ├──3–特征工程和fasttext模型训练
| | ├──4–多模型训练和预测
| | ├──5–系统联调和测试
| | ├──6–泛娱乐推荐介绍
| | ├──7–召回模块
| | └──8–排序模块
| └──4–第四章 实时人脸识别检测项目
| | ├──1–人脸识别
| | ├──2–口罩检测
| | ├──3–Dlib模型训练
| | ├──4–活体检测
| | └──5–属性识别
├──【 主学习路线】07、阶段七 人工智能面试强化（赠送）
| ├──1–第一章 自动编码器
| | ├──1–自动编码器历史与应用介绍
| | ├──2–构建自动编码器
| | ├──3–自动编码器改进技巧
| | └──4–变分自动编码器
| ├──10–第十章 贝叶斯方法实现及粒子滤波
| | └──1–贝叶斯方法实现及粒子滤波
| ├──11–第十一章 深度强化学习
| | ├──1–强化学习
| | ├──2–Q-learning算法
| | └──3–Deep Q-Network
| ├──2–第二章 图像分割应用
| | └──1–图像分割应用介绍
| ├──3–第三章 生成对抗学习
| | └──1–生成对抗学习
| ├──4–第四章 算法进阶迁移学习
| | └──1–迁移学习介绍
| ├──5–第五章 模型可解释
| | └──1–模型可解释
| ├──6–第六章 模型压缩
| | └──1–模型压缩
| ├──7–第七章 终生学习
| | └──1–终生学习
| ├──8–第八章 算法进阶进化学习
| | └──1–进化学习
| └──9–第九章 贝叶斯方法
| | └──1–贝叶斯方法
├──【课外拓展】01、阶段一 HR面试技巧
| ├──第二章 2-求职篇
| | └──0-1 求职篇
| ├──第三章 3-面试篇
| | └──0-1 面试篇
| ├──第四章 4-试用期篇
| | └──0-1 试用期
| └──第一章 1-HR面试技巧
| | ├──1-众里寻他千百度，你的简历在何处.mp4 170.16M
| | ├──10-应聘企业早知道.mp4 40.64M
| | ├──11-谈钱怎么不伤感情.mp4 55.63M
| | ├──12-工作中的困难，你是如何处理的？.mp4 53.16M
| | ├──13-描述你的个性.mp4 53.88M
| | ├──14-你的应聘优势是什么.mp4 48.98M
| | ├──15-应聘企业早知道.mp4 43.40M
| | ├──16-生活中的那些爱好，挑一个盘他.mp4 50.93M
| | ├──17-选择机会重因素，个人心中要有数.mp4 69.24M
| | ├──18-加班，你怎么看？.mp4 64.57M
| | ├──19-处于下风？不存在的，几招教你定乾坤！.mp4 77.22M
| | ├──2-面试前的那些“坑”.mp4 140.79M
| | ├──20-提问的含金量，你知道吗？.mp4 83.59M
| | ├──3-了解应聘流程，做个有条不紊的人.mp4 80.36M
| | ├──4-自我介绍，你行吗？.mp4 129.29M
| | ├──5-你的规划你做主!.mp4 145.04M
| | ├──6-如何正视你的小缺点.mp4 85.29M
| | ├──7-谈谈跳槽那些事.mp4 53.47M
| | ├──8-与领导意见分歧，你是怎么做的？.mp4 54.19M
| | └──9-世界那么大，趋势知多少？.mp4 37.09M
├──【课外拓展】02、阶段二 赠送-人脸支付
| └──第一章 1-人脸支付
| | ├──0-1 项目背景介绍
| | ├──0-2 人脸检测子任务
| | ├──0-3 人脸姿态估计
| | ├──0-4 人脸多任务
| | ├──0-5 人脸识别
| | └──0-6 项目集成
├──【课外拓展】03、阶段三 赠送-文本摘要项目
| └──第一章 1-文本摘要项目
| | ├──0-1 文本摘要项项目背景介绍
| | ├──0-10 模型的预测
| | ├──0-11 词向量的单独训练
| | ├──0-12 模型的优化
| | ├──0-13 PGN架构
| | ├──0-14 数据预处理
| | ├──0-15 PGN数据特殊性分析
| | ├──0-16 迭代器和类的实现
| | ├──0-17 PGN模型的搭建
| | ├──0-18 PGN模型训练
| | ├──0-19 PGN模型预测
| | ├──0-2 项目中的数据集初探
| | ├──0-20 评估方法介绍
| | ├──0-21 BLEU算法理论
| | ├──0-22 ROUGE算法理论
| | ├──0-23 ROUGE算法实现
| | ├──0-24 coverage机制原理
| | ├──0-25 coverage模型类实现
| | ├──0-26 coverage训练和预测
| | ├──0-27 Beam-search原理介绍
| | ├──0-28 Beam-search模型类实现
| | ├──0-29 TF-IDF算法原理和实现
| | ├──0-3 TextRank算法理论基础
| | ├──0-30 单词替换法的类实现
| | ├──0-31 单词替换法的训练和评估
| | ├──0-32 回译数据法实现和评估
| | ├──0-33 半监督学习法原理和实现
| | ├──0-34 训练策略原理和实现
| | ├──0-35 模型转移实现
| | ├──0-36 GPU优化原理和实现
| | ├──0-37 CPU优化原理和实现
| | ├──0-38 Flask实现模型部署
| | ├──0-4 TextRank算法实现模型
| | ├──0-5 seq2seq架构
| | ├──0-6 seq3seq架构
| | ├──0-7 工具函数的实现
| | ├──0-8 模型类的搭建
| | └──0-9 模型的训练
├──【课外拓展】04、阶段四 入学第一课
| └──无课程相关内容
├──【课外拓展】05、阶段五 阶段一 python基础（更新）
| ├──第二章 2-python面向对象
| | ├──0-1 类定义及类属性使用
| | ├──0-2 魔法方法
| | ├──0-3 案例-面向对象
| | ├──0-4 面向对象封装与继承
| | ├──0-5 面向对象多态
| | └──0-6 类属性方法
| └──第一章 1-python基础编程
| | ├──0-1 python开发环境搭建
| | ├──0-10 循环else
| | ├──0-11 字符串定义切片
| | ├──0-12 字符串查找，替换，合并
| | ├──0-13 列表定义及使用
| | ├──0-14 元祖定义及使用
| | ├──0-15 字典定义及使用
| | ├──0-16 案例-学生管理系统（一）
| | ├──0-17 集合定义及使用
| | ├──0-18 公共方法与推导式
| | ├──0-19 函数基本使用
| | ├──0-2 Python注释与变量
| | ├──0-20 函数基本使用替代视频（04,05,06）
| | ├──0-21 函数作用域
| | ├──0-22 不定长参数与组包拆包
| | ├──0-23 案例-学生管理系统（二）
| | ├──0-24 基础加强练习
| | ├──0-25 可变类型及非可变类型
| | ├──0-26 递推
| | ├──0-27 递归
| | ├──0-28 lambda表达式
| | ├──0-29 文件基本操作
| | ├──0-3 Python数据类型
| | ├──0-30 文件操作案例
| | ├──0-31 案例-学生管理系统（三）
| | ├──0-32 python异常处理
| | ├──0-33 python模块与包
| | ├──0-34 案例-飞机大战
| | ├──0-4 Python格式化输出
| | ├──0-5 Python运算符
| | ├──0-6 Python分支语句
| | ├──0-7 while循环
| | ├──0-8 while循环案例
| | └──0-9 for循环及案例
├──【课外拓展】06、阶段六 阶段二 Python高级（更新）
| ├──第二章 2-SQL基础
| | ├──0-1 数据库基础
| | ├──0-2 SQL语言基础
| | ├──0-3 SQL约束
| | ├──0-4 SQL聚合
| | ├──0-5 SQL多表查询
| | └──0-6 SQL高阶特性
| ├──第三章 3-Python编程进阶
| | ├──0-1 函数的闭包
| | ├──0-10 进程
| | ├──0-11 线程
| | ├──0-12 进程线程对比
| | ├──0-13 With上下文管理器
| | ├──0-14 Python生成器
| | ├──0-15 Python中深浅拷贝
| | ├──0-16 Python中正则表达式
| | ├──0-17 正则表达式扩展
| | ├──0-18 FastAPI搭建Web服务器
| | ├──0-19 Python爬虫
| | ├──0-2 装饰器
| | ├──0-3 PyMySQL
| | ├──0-4 HTML基础
| | ├──0-5 CSS基础
| | ├──0-6 Socket网络编程
| | ├──0-7 TCP服务器开发
| | ├──0-8 静态Weeb服务器
| | └──0-9 FastAPI
| └──第一章 1-Linux基础
| | ├──0-1 Linux基础
| | ├──0-2 Linux终端基本使用
| | ├──0-3 Linux常用命令(1)
| | └──0-4 Linux常用命令(2)
├──【课外拓展】07、阶段七 阶段三 机器学习（更新）
| ├──第二章 2-机器学习算法进阶
| | ├──0-1 决策树算法
| | ├──0-2 朴素贝叶斯算法
| | ├──0-3 SVM算法
| | ├──0-4 聚类算法
| | ├──0-5 集成学习算法
| | └──0-6 机器学习算法回顾总结（有需要的同学可以看看）
| └──第一章 1-机器学习基础算法
| | ├──0-1 人工智能原理基础
| | ├──0-2 KNN算法
| | ├──0-3 线性回归
| | └──0-4 逻辑回归
├──【课外拓展】08、阶段八 阶段四—深度学习基础补充视频
| ├──01-深度学习基础-TensorFlow和keras入门-张量计算增补-轴axis的意义.mp4 100.88M
| ├──02-深度学习基础-TensorFlow和keras入门-张量计算增补-轴axis的应用(1).mp4 134.81M
| ├──02-深度学习基础-TensorFlow和keras入门-张量计算增补-轴axis的应用.mp4 134.81M
| ├──03-深度学习基础-深度神经网络-神经网络介绍-网络是如何工作的-参数初始化增补-初始化方式的对比.mp4 132.24M
| ├──04-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-数据传输过程(1).mp4 43.91M
| ├──04-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-数据传输过程.mp4 43.91M
| ├──05-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-前向传播过程（输入层到隐藏层）(1).mp4 38.46M
| ├──05-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-前向传播过程（输入层到隐藏层）.mp4 38.46M
| ├──06-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-前向传输过程（隐藏层到输出层）(1).mp4 19.99M
| ├──06-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-前向传输过程（隐藏层到输出层）.mp4 19.99M
| ├──07-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-损失函数的计算.mp4 49.95M
| ├──08-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-输出层权值的更新.mp4 65.37M
| ├──09-深度学习基础-深度神经网络-神经网络的优化方法-反向传播算法增补-隐藏层权值的更新.mp4 63.39M
| ├──10-深度学习基础-深度神经网络-卷积神经网络CNN增补-网络参数量的计算.mp4 155.78M
| ├──11-深度学习基础-图像分类-图像分类案例补充(1)-任务介绍.mp4 51.45M
| ├──12-深度学习基础-图像分类-图像分类案例补充(2)-数据接获取与可视化.mp4 149.87M
| ├──13-深度学习基础-图像分类-图像分类案例补充(3)-图像增强.mp4 27.15M
| ├──14-深度学习基础-图像分类-图像分类案例补充(4)-Xception模型介绍.mp4 107.98M
| ├──15-深度学习基础-图像分类-图像分类案例补充(5)-项目网络介绍.mp4 131.99M
| ├──16-深度学习基础-图像分类-图像分类案例补充(6)-网络构建（输入流）.mp4 28.44M
| ├──17-深度学习基础-图像分类-图像分类案例补充(7)-网络构建（中间流）.mp4 29.77M
| ├──18-深度学习基础-图像分类-图像分类案例补充(8)-网络构建（输出流）.mp4 41.05M
| ├──19-深度学习基础-图像分类-图像分类案例补充(9)-模型训练.mp4 121.96M
| ├──20-深度学习基础-图像分类-图像分类案例补充(10)-模型训练的实现.mp4 22.20M
| └──21-深度学习基础-图像分类-图像分类案例补充(11)-模型预测.mp4 143.40M
├──【课外拓展】09、阶段九 阶段五—NLP基础补充视频
| ├──第一章 1-阶段五—NLP基础补充视频
| | ├──0-1 文本预处理阶段补充
| | ├──0-2 RNN及其变体阶段补充
| | ├──0-3 Transformer阶段补充
| | ├──0-4 迁移学习阶段补充
| | └──0-5 虚拟机的使用
| ├──01-文本预处理-文本预处理-文本数据增强讲解.mp4 14.12M
| ├──02-文本预处理-文本预处理-文本数据增强代码实现.mp4 14.17M
| ├──03-文本预处理- 新闻主题分类任务-数据加载方式的增补代码解读.mp4 9.12M
| ├──04-文本预处理-新闻主题分类任务-数据加载方式的增补文件补齐.mp4 5.40M
| ├──05-RNN及其变体-RNN架构解析-注意力机制的增补内容概念.mp4 9.78M
| ├──06-RNN及其变体-RNN架构解析-注意力机制的增补流程梳理.mp4 20.46M
| ├──07-RNN及其变体-RNN架构解析-注意力机制的增补attention机制模型.mp4 34.58M
| ├──08-RNN及其变体-RNN架构解析-注意力机制的增补attention公式讲解.mp4 21.86M
| ├──09-RNN及其变体-RNN架构解析-注意力机制的增补attention应用场景.mp4 14.74M
| ├──10-Transformer—新增案例机器翻译模型-1模型的介绍.mp4 57.15M
| ├──11-Transformer—新增案例机器翻译模型-数据的下载和vocab构建.mp4 24.13M
| ├──12-Transformer—新增案例机器翻译模型-3模型构建.mp4 31.48M
| ├──13-Transformer—新增案例机器翻译模型-4掩码的构建.mp4 15.05M
| ├──14-Transformer—新增案例机器翻译模型-5数据批处理.mp4 13.79M
| ├──15-Transformer—新增案例机器翻译模型-6构建训练函数和评估函数.mp4 32.81M
| ├──16-Transformer—新增案例机器翻译模型-7训练模型和定义解码函数.mp4 22.58M
| ├──17-Transformer—新增案例机器翻译模型-8翻译函数的定义和9模型保存.mp4 13.30M
| ├──18-迁移学习—迁移理论—加载和使用预训练模型全小节增补-1tokenizer加载.mp4 22.91M
| ├──19-迁移学习—迁移理论—加载和使用预训练模型全小节增补-2加载带头和不带头的预训练模型.mp4 39.74M
| ├──20-迁移学习—迁移理论—加载和使用预训练模型全小节增补-3加载不带头的模型输出结果.mp4 27.98M
| ├──21-迁移学习—迁移理论—加载和使用预训练模型全小节增补-4加载语言模型头结果输出.mp4 25.83M
| ├──22-迁移学习—迁移理论—加载和使用预训练模型全小节增补-5加载分类模型头结果输出.mp4 21.14M
| ├──23-迁移学习—迁移理论—加载和使用预训练模型全小节增补-6加载问答模型头结果输出.mp4 45.77M
| ├──24-迁移学习—迁移理论—迁移学习实践增补内容-模型上传.mp4 52.62M
| ├──25-迁移学习—迁移理论—迁移学习实践增补内容-模型上传后加载使用.mp4 29.35M
| └──26-虚拟机的使用.mp4 14.09M
├──【课外拓展】10、阶段十 CV基础+项目（更新）
| ├──第二章 2-深度学习核心模型与实战
| | ├──0-1 卷积神经网络基础
| | ├──0-2 卷积神经网络案例
| | ├──0-3 循环神经网络基础
| | └──0-4 循环神经网络案例
| ├──第六章 6-04 – 智慧交通
| | ├──0-1 项目简介
| | ├──0-10 相机标定
| | ├──0-11 图像去畸变
| | ├──0-12 车道线提取
| | ├──0-13 透视变换
| | ├──0-14 车道线定位与拟合
| | ├──0-15 车道线曲率计算
| | ├──0-2 算法原理
| | ├──0-3 多目标跟踪
| | ├──0-4 卡尔曼滤波
| | ├──0-5 匈牙利算法
| | ├──0-6 sort
| | ├──0-7 yolo目标检测
| | ├──0-8 车流量统计
| | └──0-9 车道线检测
| ├──第三章 3-01 – 目标检测
| | ├──0-1 目标检测概述
| | ├──0-2 FasterRCNN原理与实现
| | ├──0-3 FasterRCNN案例
| | ├──0-4 yolo v1-v3算法介绍
| | ├──0-5 yolo v4算法介绍
| | ├──0-6 yolo v5算法介绍
| | └──0-7 yolo v5案例
| ├──第四章 4-02 – OpenCV
| | ├──0-1 opencv简介
| | ├──0-2 几何变换
| | ├──0-3 形态学操作
| | ├──0-4 图形平滑
| | ├──0-5 直方图
| | ├──0-6 边缘检测
| | ├──0-7 视频读写
| | └──0-8 视频追踪
| ├──第五章 5-03 – 人脸支付
| | ├──0-1 项目背景介绍
| | ├──0-2 人脸检测子任务
| | ├──0-3 人脸姿态任务
| | ├──0-4 人脸多任务
| | ├──0-5 人脸识别
| | └──0-6 项目集成
| └──第一章 1-Pytorch与深度学习基础
| | ├──0-1 Pytorch基础
| | ├──0-2 Pytorch张量操作
| | ├──0-3 Pytorch高阶操作
| | ├──0-4 Pytorch案例实战
| | ├──0-5 深度学习基础理论
| | ├──0-6 深度学习优化理论
| | └──0-7 BP神经网络案例
├──人工智能课件
| ├──01-阶段1-3（python基础 、python高级、机器学习）
| | ├──02-虚拟机环境
| | ├──01-Python+机器学习课程环境使用说明(1).pdf 3.78M
| | ├──01-阶段1-3（python基础 、python高级、机器学习）.zip 2.22G
| | ├──AI虚拟机使用常见问题汇总(1).pdf 646.33kb
| | └──Azure机器学习模型搭建实验(1).doc 1.70M
| ├──02-阶段4 （计算机视觉CV) 阶段6 （CV项目）
| | ├──02-虚拟机环境
| | └──02-阶段4 （计算机视觉CV) 阶段6 （CV项目）.zip 439.07M
| ├──03-阶段5（自然语言处理NLP）、阶段6（NLP项目）
| | ├──02-NLP虚拟机环境
| | └──03-阶段5（自然语言处理NLP）、阶段6（NLP项目）.zip 10.50G
| ├──阶段测试题
| | ├──阶段1—测试
| | ├──阶段2—测试
| | ├──阶段3—测试
| | ├──阶段4—测试
| | ├──阶段5—测试
| | └──.DS_Store 6.00kb
| ├──Iris数据集
| | ├──iris.csv 4.86kb
| | └──iris.txt 4.85kb
| ├──01-计算机视觉CV课程环境使用说明文档.pdf 3.59M
| └──机器学习梳理总结xmind.zip 8.61M
ggg 恭喜发财 看看