三部曲全——机器学习，强化学习，深度学习



课程介绍：
随着科技的不断发展，人工智能（AI）已经成为了当今最热门的话题之一。而机器学习、深度学习、强化学习、迁移学习作为人工智能的重要分支，也受到了广泛的关注。这些分支在理论和应用方面各有不同，但它们之间又存在着密切的联系。




【机器学习必修课：经典算法与Python实战】  
├──01-1课程内容和理念.mp4  60.86M
├──01-2初识机器学习.mp4  36.89M
├──01-3课程使用的技术栈.mp4  37.01M
├──02-1本章总览.mp4  7.86M
├──02-2数据长什么样：常见数据集、典型实例、如何使用.mp4  35.28M
├──02-3研究哪些问题：分类、回归等.mp4  39.98M
├──02-4如何分门别类：监督、无监督、强化学习等.mp4  29.27M
├──02-5机器学习的七大常见误区和局限.mp4  35.12M
├──03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4  32.97M
├──03-11Numpy数组统计运算：常用的都在这儿了.mp4  16.03M
├──03-12Numpy数组arg运算和排序.mp4  18.39M
├──03-13Numpy数组神奇索引和布尔索引.mp4  23.67M
├──03-14Matplotlib数据可视化：基础绘制与设置.mp4  22.99M
├──03-1本章总览：相互关系与学习路线.mp4  9.16M
├──03-2Anaconda图形化操作.mp4  15.87M
├──03-3Anaconda命令行操作.mp4  18.94M
├──03-4JupyterNotebook基础使用.mp4  19.82M
├──03-5JupyterNotebook高级使用：常用魔法命令.mp4  14.99M
├──03-6Numpy基础：安装与性能对比.mp4  15.47M
├──03-7Numpy数组创建：特定数组、等差数组、随机数组.mp4  36.91M
├──03-8Numpy数组基础索引：索引和切片.mp4  16.82M
├──03-9Numpy非常重要的数组合并与拆分操作.mp4  18.71M
├──04-1本章总览.mp4  12.11M
├──04-2KNN算法核心思想和原理.mp4  39.42M
├──04-3KNN分类任务代码实现.mp4  32.76M
├──04-4数据集划分：训练集与预测集.mp4  31.74M
├──04-5模型评价.mp4  33.82M
├──04-6超参数.mp4  30.33M
├──04-7特征归一化.mp4  27.78M
├──04-8KNN回归任务代码实现.mp4  29.45M
├──04-9KNN优缺点和适用条件.mp4  20.86M
├──05-10复杂逻辑回归及代码实现.mp4  18.03M
├──05-11线性算法优缺点和适用条件.mp4  21.56M
├──05-1本章总览.mp4  14.52M
├──05-2线性回归核心思想和原理.mp4  40.35M
├──05-3逻辑回归核心思想和原理.mp4  25.37M
├──05-4线性回归代码实现.mp4  27.96M
├──05-5模型评价：MSE、RMSE、MAE和R方.mp4  29.13M
├──05-6多项式回归代码实现.mp4  19.65M
├──05-7逻辑回归算法.mp4  21.81M
├──05-8线性逻辑回归代码实现.mp4  28.49M
├──05-9多分类策略.mp4  8.68M
├──06-10LASSO和岭回归代码实现.mp4  23.94M
├──06-11模型泛化.mp4  24.56M
├──06-12评价指标：混淆矩阵、精准率和召回率.mp4  36.52M
├──06-13评价指标：ROC曲线.mp4  33.80M
├──06-1本章总览.mp4  30.55M
├──06-2损失函数.mp4  39.35M
├──06-3梯度下降.mp4  35.66M
├──06-4决策边界.mp4  25.28M
├──06-5过拟合与欠拟合.mp4  25.13M
├──06-6学习曲线.mp4  26.73M
├──06-7交叉验证.mp4  23.90M
├──06-8模型误差.mp4  42.80M
├──06-9正则化.mp4  45.01M
├──07-1本章总览.mp4  14.39M
├──07-2决策树核心思想和原理.mp4  22.73M
├──07-3信息熵.mp4  39.70M
├──07-4决策树分类任务代码实现.mp4  38.72M
├──07-5基尼系数.mp4  19.63M
├──07-6决策树剪枝.mp4  25.97M
├──07-7决策树回归任务代码实现.mp4  12.60M
├──07-8决策树优缺点和适用条件.mp4  16.52M
├──08-1本章总览.mp4  26.78M
├──08-2神经网络核心思想和原理.mp4  56.43M
├──08-3激活函数.mp4  36.11M
├──08-4正向传播与反向传播.mp4  23.42M
├──08-5梯度下降优化算法.mp4  36.83M
├──08-6神经网络简单代码实现.mp4  28.88M
├──08-7梯度消失和梯度爆炸.mp4  28.50M
├──08-8模型选择.mp4  39.68M
├──08-9神经网络优缺点和适用条件.mp4  20.20M
├──09-10SVM优缺点和适用条件.mp4  11.32M
├──09-1本章总览.mp4  35.65M
├──09-2SVM核心思想和原理.mp4  15.71M
├──09-3硬间隔SVM.mp4  33.05M
├──09-4SVM软间隔.mp4  25.49M
├──09-5线性SVM分类任务代码实现.mp4  17.88M
├──09-6非线性SVM：核技巧.mp4  35.30M
├──09-7SVM核函数.mp4  21.91M
├──09-8非线性SVM代码实现.mp4  22.93M
├──09-9SVM回归任务代码实现.mp4  14.35M
├──10-1本章总览.mp4  22.39M
├──10-2贝叶斯方法核心思想和原理.mp4  31.95M
├──10-3朴素贝叶斯分类.mp4  20.30M
├──10-4朴素贝叶斯的代码实现.mp4  27.24M
├──10-5多项式朴素贝叶斯代码实现.mp4  23.65M
├──10-6贝叶斯方法优缺点和适用条件.mp4  25.46M
├──11-1本章总览.mp4  14.58M
├──11-2集成学习核心思想和原理.mp4  19.98M
├──11-3集成学习代码实现.mp4  24.36M
├──11-4并行策略：Bagging、OOB等方法.mp4  38.79M
├──11-5并行策略：随机森林.mp4  17.55M
├──11-6串行策略：Boosting.mp4  27.39M
├──11-7结合策略：Stacking方法.mp4  13.32M
├──11-8集成学习优缺点和适用条件.mp4  24.86M
├──12-1本章总览.mp4  9.93M
├──12-2聚类算法核心思想和原理.mp4  16.26M
├──12-3k-means和分层聚类.mp4  22.78M
├──12-4聚类算法代码实现.mp4  21.93M
├──12-5聚类评估代码实现.mp4  20.30M
├──12-6聚类算法优缺点和适用条件.mp4  19.69M
├──13-1本章总览.mp4  17.31M
├──13-2PCA核心思想和原理.mp4  25.38M
├──13-3PCA求解算法.mp4  21.56M
├──13-4PCA算法代码实现.mp4  15.17M
├──13-5降维任务代码实现.mp4  23.61M
├──13-6PCA在数据降噪中的应用.mp4  13.79M
├──13-7PCA在人脸识别中的应用.mp4  28.39M
├──13-8主成分分析优缺点和适用条件.mp4  9.45M
├──14-1本章总览.mp4  13.97M
├──14-2概率图模型核心思想和原理.mp4  52.82M
├──14-3EM算法参数估计.mp4  20.45M
├──14-4隐马尔可夫模型代码实现.mp4  43.03M
├──14-5概率图模型优缺点和适用条件.mp4  11.60M
├──15-1本章总览.mp4  8.53M
├──15-2泰坦尼克生还预测.mp4  61.96M
├──15-3房价预测.mp4  67.17M
├──15-4交易反欺诈代码实现.mp4  35.90M
└──15-5如何深入研究机器学习.mp4  11.51M
强化学习必修课：引领智能新时代  
├──1_1-1-课程内容和理念.mp4  59.03M
├──1_10-1-基于模型的强化学习核心思想和原理.mp4  47.96M
├──1_11-1模仿学习.mp4  48.35M
├──1_12-1-项目实战：Gym游戏.mp4  51.39M
├──1_2-1-线性代数.mp4  26.89M
├──1_3-1-CUDA+Anaconda深度学习环境配置.mp4  18.73M
├──1_4-1-序列建模与概率图模型.mp4  38.12M
├──1_5-1-动态回归核心思想和原理.mp4  30.86M
├──1_6-1-蒙特卡洛方法.mp4  32.50M
├──1_7-1-深度Q网络核心思想和原理.mp4  44.71M
├──1_8-1-策略梯度核心思想和原理.mp4  44.18M
├──1_9-1-演员评论家算法核心思想和原理.mp4  20.12M
├──2_1-2-认识强化学习.mp4  53.78M
├──2_10-2-Dyna-Q算法.mp4  44.61M
├──2_11-2-博弈论与强化学习.mp4  64.74M
├──2_12-2-项目实战：大模型RLHF.mp4  31.35M
├──2_2-2-微积分.mp4  30.04M
├──2_3-2-conda使用命令.mp4  11.87M
├──2_4-2-马尔可夫观测过程：学会“看”.mp4  40.93M
├──2_5-2-策略迭代.mp4  40.01M
├──2_6-2-时序差分方法.mp4  34.17M
├──2_7-2-DQN-代码实现.mp4  35.82M
├──2_8-2-蒙特卡洛策略梯度.mp4  24.23M
├──2_9-2-改进型演员评论家算法.mp4  23.04M
├──3_1-3-课程使用的技术栈.mp4  12.01M
├──3_10-3-Dyna-Q算法代码实现.mp4  17.74M
├──3_11-3-多智能体强化学习.mp4  44.45M
├──3_12-3-强化学习最新发展趋势.mp4  65.61M
├──3_2-3-概率.mp4  46.60M
├──3_3-3-Jupyter-Notebook快速上手.mp4  14.13M
├──3_4-3-马尔可夫决策过程：试着-“干”.mp4  29.63M
├──3_5-3-价值迭代.mp4  19.17M
├──3_6-3-蒙特卡洛方法和时序差分代码实现.mp4  22.84M
├──3_7-3-常见问题改进和扩展.mp4  27.54M
├──3_8-3-策略梯度方法代码实现.mp4  19.41M
├──3_9-3-演员评论家算法代码实现.mp4  19.74M
├──4_10-4-基于模型的策略优化.mp4  19.66M
├──4_11-4-MADDP的代码实现.mp4  45.07M
├──4_12-4-下一步的学习建议.mp4  33.28M
├──4_3-4-仿真环境Gym安装.mp4  18.95M
├──4_4-4-马尔可夫奖励过程：懂得“想”.mp4  49.39M
├──4_5-4-动态规划代码实现.mp4  43.48M
├──4_6-4-广义策略迭代.mp4  19.56M
├──4_7-4-DQN改进算法代码实现.mp4  31.02M
├──4_8-4-近端策略优化算法.mp4  36.16M
├──4_9-4-深度确定性策略梯度.mp4  30.35M
├──5_10-5-MBPO的代码实现.mp4  53.79M
├──5_11-5-AlphaStar系统.mp4  82.38M
├──5_3-5-深度学习库PyTorch的安装.mp4  9.24M
├──5_4-5-贝尔曼方程：迭代求解价值函数.mp4  30.56M
├──5_6-5-Q-Learning算法.mp4  32.26M
├──5_8-5-近端策略优化（PPO）代码实现.mp4  34.58M
├──5_9-5-DDPG算法代码实现.mp4  22.50M
├──6_11-6-基于人类反馈大强化学习.mp4  47.15M
├──6_4-6-模型分类与选择.mp4  30.84M
├──6_6-6-SARSA算法.mp4  20.84M
├──6_9-6-软性演员评论家算法.mp4  38.57M
├──7_4-7-常见问题解析.mp4  21.65M
├──7_6-7-Q-Learning&SARSA代码实现.mp4  23.78M
├──7_9-7-SAC代码实现.mp4  35.08M
└──8_4-8-马尔可夫过程代码实现.mp4  40.23M
深度学习必修课：进击算法工程师  
├──001.1-1 课程内容和理念.mp4  52.23M
├──002.1-2 初识深度学习.mp4  52.86M
├──003.1-3 课程使用的技术栈.mp4  12.65M
├──004.2-1 线性代数.mp4  56.44M
├──005.2-2 微积分.mp4  49.04M
├──006.2-3 概率.mp4  59.21M
├──007.3-1 CUDA+Anaconda深度学习环境搭建.mp4  20.94M
├──008.3-2 conda实用命令.mp4  13.03M
├──009.3-3 Jupyter Notebook快速上手.mp4  15.54M
├──010.3-4 深度学习库PyTorch安装.mp4  9.01M
├──011.4-1 神经网络原理.mp4  44.83M
├──012.4-2 多层感知机.mp4  47.25M
├──013.4-3 前向传播和反向传播.mp4  39.52M
├──014.4-4 多层感知机代码实现.mp4  29.34M
├──015.4-5 回归问题.mp4  35.59M
├──016.4-6 线性回归代码实现.mp4  23.14M
├──017.4-7 分类问题.mp4  23.05M
├──018.4-8 多分类问题代码实现.mp4  42.84M
├──019.5-1 训练的常见问题.mp4  33.80M
├──020.5-2 过拟合欠拟合应对策略.mp4  41.17M
├──021.5-3 过拟合和欠拟合示例.mp4  22.37M
├──022.5-4 正则化.mp4  42.24M
├──023.5-5 Dropout.mp4  32.08M
├──024.5-6 Dropout代码实现.mp4  17.32M
├──025.5-7 梯度消失和梯度爆炸.mp4  47.20M
├──026.5-8 模型文件的读写.mp4  16.50M
├──027.6-1 最优化与深度学习.mp4  48.05M
├──028.6-2 损失函数.mp4  42.80M
├──029.6-3 损失函数性质.mp4  29.22M
├──030.6-4 梯度下降.mp4  31.56M
├──031.6-5 随机梯度下降法.mp4  20.63M
├──032.6-6 小批量梯度下降法.mp4  32.04M
├──033.6-7 动量法.mp4  25.04M
├──034.6-8 AdaGrad算法.mp4  24.77M
├──035.6-9 RMSProp_Adadelta算法.mp4  15.89M
├──036.6-10 Adam算法.mp4  47.07M
├──037.6-11 梯度下降代码实现.mp4  30.92M
├──038.6-12 学习率调节器.mp4  27.91M
├──039.7-1 全连接层问题.mp4  38.55M
├──040.7-2 图像卷积.mp4  34.77M
├──041.7-3 卷积层.mp4  44.83M
├──042.7-4 卷积层常见操作.mp4  35.21M
├──043.7-5 池化层Pooling.mp4  33.64M
├──044.7-6 卷积神经网络代码实现（LeNet）.mp4  27.22M
├──045.8-1 AlexNet.mp4  49.57M
├──046.8-2 VGGNet.mp4  47.71M
├──047.8-3 批量规范化.mp4  23.62M
├──048.8-4 GoogLeNet.mp4  40.98M
├──049.8-5 ResNet.mp4  65.01M
├──050.8-6 DenseNet.mp4  58.47M
├──051.9-1 序列建模.mp4  30.32M
├──052.9-2 文本数据预处理.mp4  60.04M
├──053.9-3 循环神经网络.mp4  48.25M
├──054.9-4 随时间反向传播算法.mp4  43.86M
├──055.9-5 循环神经网络代码实现.mp4  27.84M
├──056.9-6 RNN的长期依赖问题.mp4  37.66M
├──057.10-1 深度循环神经网络.mp4  24.18M
├──058.10-2 双向循环神经网络.mp4  25.84M
├──059.10-3 门控循环单元.mp4  28.59M
├──060.10-4 长短期记忆网络.mp4  43.06M
├──061.10-5 复杂循环神经网络代码实现.mp4  35.82M
├──062.10-6 编码器-解码器网络.mp4  41.10M
├──063.10-7 序列到序列模型代码实现.mp4  32.96M
├──064.10-8 束搜索算法.mp4  25.71M
├──065.10-9 机器翻译简单代码实现.mp4  39.34M
├──066.11-1 什么是注意力机制.mp4  43.37M
├──067.11-2 注意力的计算.mp4  57.52M
├──068.11-3 键值对注意力和多头注意力.mp4  24.14M
├──069.11-4 自注意力机制.mp4  30.16M
├──070.11-5 注意力池化及代码实现.mp4  29.63M
├──071.11-6 Transformer模型.mp4  43.91M
├──072.11-7 Transformer代码实现.mp4  38.00M
├──073.12-1BERT模型.mp4  50.18M
├──074.12-2 GPT系列模型.mp4  79.60M
├──075.12-3 T5模型.mp4  37.76M
├──076.12-4 ViT模型.mp4  31.02M
├──077.12-5 Swin Transformer模型.mp4  54.91M
├──078.12-6 GPT模型代码实现.mp4  37.95M
├──079.13-1 蒙特卡洛方法.mp4  28.52M
├──080.13-2 变分推断.mp4  40.75M
├──081.13-3 变分自编码器.mp4  56.20M
├──082.13-4 生成对抗网络.mp4  39.85M
├──083.13-5 Diffusion扩散模型.mp4  77.56M
├──084.13-6 图像生成.mp4  56.13M
├──085.14-1 自定义数据加载.mp4  48.72M
├──086.14-2 图像数据增强.mp4  33.44M
├──087.14-3 迁移学习.mp4  31.80M
├──088.14-4 经典视觉数据集.mp4  37.27M
├──089.14-5 项目实战：猫狗大战.mp4  64.10M
├──090.15-1 词嵌入和word2vec.mp4  33.25M
├──091.15-2 词义搜索和句意表示.mp4  44.83M
├──092.15-3 预训练模型.mp4  55.01M
├──093.15-4 Hugging Face库介绍.mp4  36.40M
├──094.15-5 经典NLP数据集.mp4  36.42M
├──095.15-6 项目实战：电影评论情感分析.mp4  35.74M
├──096.16-1 InstructGPT模型.mp4  76.99M
├──097.16-2 CLIP模型.mp4  37.65M
├──098.16-3 DALL-E模型.mp4  54.33M
├──099.16-4 深度学习最新发展趋势分析.mp4  37.03M
└──100.16-5 下一步学习的建议.mp4  18.52M