哎 4万多的课程实在上不起
只能把人家的课程表扒下来自己学了
且学且珍惜
课程链接 :https://www.jiuzhang.com/course/20/#course-price 买不起 哭唧唧!
第2章
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3章
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4章
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
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
- 4.3 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6章
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7章
机器学习KNN 算法实战 Machine Learning - KNN algorithm II
- 最近邻算法
- 找最近的K个点
- KNN算法的流程
- 实现KNN算法
- 手写数字识别
- Numpy数组
- 项目实战
- 泰坦尼克号
- 数据清洗
- 常见命令总结
- Pandas
- 解决问题的流程图
第8章
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9章
Python 数据分析之爬虫项目 I Python crawler I
- 什么是爬虫?
- 实现第一个Spider抓取链家租房信息
- 如何使用Python请求这个URL的内容?
- Python Requests
- GET VS POST
- Python Requests SESSION会话
- Spider介绍
- Python之Scrapy
- Scrapy 链家租房信息抓取
- Scrapy命令行创建
- Scrapy 介绍 - 链家租房信息抓取
- Spider填写
- 使用Python的requests相关包发送请求
第10章
Python 数据分析之爬虫项目 II Python crawler II
- Scrapy回顾
- Scrapy介绍
- Scrapy进阶
- 设计抓取微信公众号文章
- Wechat Crawler简介
- 获取公众号信息
- 获取最近的文章
- 爬虫利器Beautiful Soup的用法
- Beautiful Soup的用法
- Beautiful Soup的CSS选择器
- 补充知识
- Python的多线程实现方式
- Python的Queue模块
第11章
逻辑斯蒂回归I Logistic RegressionI
- 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12章
逻辑斯蒂回归II Logistic RegressionII
- 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13章
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14章
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(Naïve 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15章
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16章
机器学习常用算法 ML algorithms
- 降维
- 降维是什么?
- 为什么需要降维?
- 前置数学知识
- 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-Means K值的取值方法
- K-Means 初始K个点的选择
- 项目——人脸聚类
第17章
朴素贝叶斯 2 Naive Bayes II
- 朴素贝叶斯垃圾邮件分类器 – 手工实现
- 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18章
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19章
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20章
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21章
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22章
机器学习集成I Ensemble 1
- 什么是Ensemble?
- 决策树习题答案
- 什么是 Ensemble?
- 为什么学习集成方法?
- Bias vs Variance
- 模型预测与真实值之间的差距
- Irreducible Error
- 选择哪个射击成绩?
- 复杂模型的特点
- Bias Variance Tradeoff
- Bootstrap and Bagging
- Bootstrap测身高
- Bootstrap 代码
- Bagging training code
- Random Forest
- Bagging based on decision tree
- Random Forest
- Bagging
- Fake Random Forest
- Random Forest
- Adaboosting
- 随机森林的问题
- 弱学习器
- AdaBoost
- 分类器权重更新原则
- 数据点权重的更新原则
- 如何评估模型的结果?
- 如何更新模型的权重?
第23章
机器学习竞赛入门机器学习竞赛入门 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24章
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25章
机器学习集成 II Ensemble 2
- Bias 与 Variance 的计算
- Bias vs Variance
- Bias和 Varianceጱੜਫḵ
- 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26章
机器学习集成 IIIEnsemble 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27章
广告系统 I Introduction to Online Advertisement System ISystem I
- 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28章
广告点击率预估 II Introduction to Online Advertisement System II
- 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29章
Tensor flow 基础搭建机器学习模型
- Tensorflow
- Tensorflow的计算原理
- Tensorflow的基本操作
- 使用Tensorflow搭建基础模型
- linear regression
- logis/c regression
- KNN
- Naïve Bayes
- Random Forest
第30章
Tensor flow 基础搭建机器学习模型
- Tensorflow
- Tensorflow的计算原理
- Tensorflow的基本操作
- 使用Tensorflow搭建基础模型
- linear regression
- logis/c regression
- KNN
- Naïve Bayes
- Random Forest
第31章
深度学习 1 CNN
- 早期的(2012年前)的图像识别技术
- 什么是Image representation && why
- HISTGRAM
- HOG
- LBP
- 卷积神经网络
- 什么是卷积
- 为什么用卷积
- 为什么卷积work
- 人脸识别技术概述
- 人脸识别pipeline
- 人脸检测pipeline
- 如何训练
第32章
深度学习 2 CNN
- 卷积神经网络
- 卷积神经网络的架构
- 卷积神经网络的层
- 卷积神经网络的构成
- 卷积神经网络 IN ACTION
- 卷积层的实现-Cpu
- 卷积层的实现-gpu
- 推导 && numpy实现
- 实际会遇到的问题“必须有”的知识
- 卷积神经网络参数估计
- 卷积神经网络训练时间估计
- 节省时间方法
- 对不定长输入的处理
- 卷积网络技巧
- 样本不均衡问题
第33章
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
- Na⎪ve Bayes
- Linear/Logistic Regression/Neural Nets
- Decision Tree
- Ensemble
- Deep Learning
第34章
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35章
目标检测算法与R-CNN, Introduction to the object detection algorithm and R-CNN
- 卷积神经网络(CNN)简单回顾
- CNN怎么识别图片
- 怎么提取特征?
- 卷积计算原理
- 深度卷积神经网络
- 如何使用CNN进行物体检测
- CNN为什么work
- 什么是物体检测
- 传统目标检测方法的发展
- 替代传统目标检测算法
- R-CNN算法介绍
- R-CNN算法——Selective Search
- 输入图像
- 提取特征——CNN模型
- 结果分类——SVM分类器
- 位置精修——线性脊回归器
- R-CNN算法——预测结果的选取
- 3.4 如何加速基于CNN的物体检测
- 3.5 项目实战
- 实现简单的R-CNN算法
第36章
Fast R-CNN与Faster R-CNN, Fast R-CNN and faster R-CNN
- 如何加速R-CNN算法
- R-CNN算法回顾
- R-CNN的缺点
- Faster R-CNN算法介绍
- Fast R-CNN算法
- Fast R-CNN算法不足
- Faster R-CNN算法 —— Conv Layers
- Faster R-CNN算法 —— RPN
- Faster R-CNN算法 —— ROI Pooling
- Faster R-CNN算法 —— Classfication
- R-CNN系列算法对比
- 项目实战
- 训练一个人脸检测的模型
- Tensorflow使用流程
第37章
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38章
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39章
人脸识别1, Face recognition1
- 人脸识别流程
- 直观的解决方案
- 改进的解决方案
- MTCNN算法
- Multi task
- Cascaded
- Fully convolutional networks 全卷积神经网络
- 项目实战
- 实现和训练MTCNN
第40章
人脸识别2, Face recognition2
- 人脸识别流程
- 人脸识别——方法一
- 人脸识别——方法二
- 人脸识别思路
- FaceNet算法
- Triplet Loss
- FaceNet网络结构
- 项目实战
- 代码解释和模型训练
第41章
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42章
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43章
模型的选择与使用cnn 视觉
- 视觉课程总结
- 视觉课程总结——物体检测
- 视觉课程总结——人脸检测与特征点检测
- 视觉课程总结——人脸识别
- CNN算法结构分析
- 模型介绍
- AlexNet
- VGGNet
- ResNet
- DenseNet
- 比较与总结
第44章
项目:深度学习的应用
- 人脸识别流程
- 模型导出
- 人脸识别系统
- 人脸识别系统——Docker
第45章
机器翻译 seq - to - seq model 1
- RNN
- RNN – WHY ORDER MATTERS
- RNN – STRUCTURE
- RNN - Interesting applications
- RNN - 阶段性
- 机器翻译
- 机器翻译系统
- 机器翻译与冷战
- 机器翻译-统计学习
- 机器翻译-平行语料库
- 机器翻译-统计学习
- NMT 神经网络机器翻译
- 分类网络
第46章
机器翻译 seq - to - seq model 2
- 机器翻译实战
- 机器翻译实战 — 梯度下降中的梯度裁剪
- BEAM SEARCH 例⼦
- LSTM && RNN
第47章
推荐系统 word - vector 1
- Word2vec和词嵌⼊
- embedding
- 什么是word2vec
- 词向量
- 为什么需要词向
- 词向量的⽤途
- 什么是“上下⽂”
- Word2vec基本原理
- Word2vec基本原理 – 简化模型原理
- Word2vec基本原理 – 训练⽅法(以CBOW为例)
- Word2vec进阶
- 实际使⽤过程中的trick
- Hierarchical Softmax
- Negative sampling
- Negative Sampling负采样⽅法
- Word2vec常⽤实现
- Word2vec缺点
- 将word2vec应⽤到app推荐
第48章
推荐系统word - vector 2
- ml⾯试和dl ⾯试的区别
- ml⾯试和dl ⾯试的区别
- 如何准备ml⾯试和dl⾯试
- 常⻅的ml⾯试题
- 传统机器学习部分常⻅问题
- 常⻅的dl⾯试题
- 深度学习部分常⻅问题
- 如何写好项⽬经历
- 训练营中项⽬示例
- 逆向⾯试官
- ⾯试的case
- 计算机视觉岗
- nlp岗
- 广告算法岗
- 机器学习算法岗