百战程序员-AI算法工程师就业班2022 | 完结

针对在校、在职学员，为期3年倾心打造良品《人工智能8.0版》，人工智能院长陈博老师亲自操刀，为期6个月的教学时段，125个知识模块，每日仅需2-3小时学习时间。跟着陈博老师学习进度，名企大厂offer在招手。
结论为先：“人工智能时代刚刚开启，正是红利期，算法工程师岗位很稀缺且待遇很高，大厂急需。待遇通常在30万-100万”。

在职程序员转型
一本及以上大学本科、研究生、博士

网易员工被裁、熊猫TV倒闭，大龄员工无法再就业等新闻，都透露着程序员群体的焦虑。

程序员的收入水平基本是吊打大多数行业的。程序员们为什么会焦虑？因为怕，怕摆在面前的年龄过滤器—35岁这个槛。35岁前程序员如果不能完成一定的积累，那么随着年龄的增大，职业竞争力是在降低的。

怎么办？如果不是强于沟通、善于领导这些能力，只想在技术上深根。有很多突破的方法，其中一种方式，转型人工智能最佳职位“算法工程师”。

〖资源截图〗:

〖资源目录〗:

├──01、人工智能基础-快速入门
| ├──1：人工智能就业前景与薪资.mp4 33.78M
| ├──2：人工智能适合人群与必备技能.mp4 21.04M
| ├──3：人工智能时代是发展的必然.mp4 16.72M
| ├──4：人工智能在各领域的应用.mp4 41.82M
| ├──5：人工智能常见流程.mp4 36.38M
| ├──6：不同的学习方式.mp4 31.23M
| ├──7：深度学习比传统有优势.mp4 33.52M
| ├──8：有监督机器学习任务与本质.mp4 23.25M
| └──9：无监督机器学习任务与本质.mp4 31.13M
├──02、人工智能基础-基础
| ├──章节1：开发环境搭建
| | ├──1：下载Miniconda运行环境.mp4 31.42M
| | ├──2：Miniconda安装和测试.mp4 36.64M
| | ├──3：Pycharm安装和代码运行.mp4 30.29M
| | ├──4：Jupyter安装和代码运行.mp4 24.92M
| | ├──5：Jupyter常用快捷键.mp4 20.73M
| | ├──6：Conda虚拟环境创建与模块安装.mp4 47.66M
| | ├──7：关联虚拟环境运行代码.mp4 26.32M
| | ├──代码.rar 509.90kb
| | ├──人工智能-第1阶段Python基础.pdf 9.37M
| | └──人工智能-第1阶段python进阶和高级编程.pdf 7.52M
| └──章节2：Python基础语法
| | ├──10：Python_控制语句_多分支_三元条件运算符.mp4 21.39M
| | ├──11：Python_控制语句_while循环.mp4 16.32M
| | ├──12：Python_控制语句_for循环.mp4 18.68M
| | ├──13：Python_控制语句_嵌套循环.mp4 27.86M
| | ├──14：Python_控制语句_break_continue.mp4 16.39M
| | ├──15：Python_切片操作.mp4 30.52M
| | ├──16：Python_数据类型.mp4 20.88M
| | ├──17：Python_集合操作_列表.mp4 24.10M
| | ├──18：Python_集合操作_列表的基本操作.mp4 35.13M
| | ├──19：Python_集合操作_列表的常用方法.mp4 26.62M
| | ├──20：Python_集合操作_元组.mp4 29.08M
| | ├──21：Python_集合操作_字典和常见操作.mp4 25.76M
| | ├──22：Python_集合操作_字典keys方法_enumerate函数.mp4 18.07M
| | ├──23：Python_os模块_shutil模块.mp4 36.75M
| | ├──24：Python_打开并读取文件_中文编码问题.mp4 38.72M
| | ├──25：Python_函数_定义_调用_返回值_注释.mp4 18.23M
| | ├──26：Python_函数_局部变量_全局变量.mp4 23.50M
| | ├──27：Python_函数_默认参数_可变参数.mp4 18.06M
| | ├──28：Python_函数_递归.mp4 18.20M
| | ├──29：Python_函数式编程_高阶函数.mp4 17.71M
| | ├──30：Python_函数式编程_map_reduce_filter_匿名函数.mp4 26.94M
| | ├──31：Python_函数_闭包.mp4 27.49M
| | ├──32：Python_函数_装饰器.mp4 19.34M
| | ├──33：Python_类对象_定义与实例化对象.mp4 36.96M
| | ├──34：Python_类对象_实例属性和方法_类属性和方法.mp4 26.21M
| | ├──35：Python_类对象_内置方法.mp4 19.39M
| | ├──36：Python_类对象_运算符重载_私有对象方法_isinstance函数.mp4 26.22M
| | ├──37：Python_类对象_面向对象三大特性_类的继承.mp4 20.15M
| | ├──38：Python_类对象_子类复用父类构造器和方法_方法重写.mp4 20.79M
| | ├──8：Python是强类型的动态脚本语言.mp4 27.23M
| | ├──9：Python_控制语句_单双分支.mp4 39.27M
| | └──新建文本文档.txt 0.51kb
├──03、人工智能基础-Python科学计算和可视化
| ├──章节1：科学计算模型Numpy
| | ├──1：Numpy_概述_安装_创建数组_获取shape形状.mp4 30.30M
| | ├──2：Numpy_array_arange.mp4 23.56M
| | ├──3：Numpy_random随机数生成.mp4 35.81M
| | ├──4：Numpy_ndarray属性_zeros_ones_like等创建数组函数.mp4 32.59M
| | ├──5：NumPy_reshape_切片操作_copy函数.mp4 22.70M
| | ├──6：Numpy_改变数组维度_数组的拼接.mp4 30.40M
| | ├──7：Numpy_数组的切分和转置.mp4 19.19M
| | ├──8：Numpy_算术运算_向上向下取整.mp4 23.03M
| | ├──9：Numpy_聚合函数.mp4 15.33M
| | └──新建文本文档.txt 0.36kb
| ├──章节2：数据可视化模块
| | ├──10：Matplotlib_概述_绘制直线图.mp4 28.64M
| | ├──11：Matplotlib_绘制正余弦曲线_散点图_添加图例.mp4 23.68M
| | ├──12：Matplotlib_绘制柱状图_画布切分多个子画布_柱状图对比.mp4 34.98M
| | ├──13：Matplotlib_绘制饼图_直方图_同时绘制多组数据分布.mp4 21.29M
| | ├──14：Matplotlib_绘制等高线图_绘制三维图像.mp4 24.37M
| | ├──1599293649514137.png 18.62kb
| | ├──人工智能-第1阶段数据分析（含办公自动化分析）.pdf 6.04M
| | └──新建文本文档.txt 0.16kb
| └──章节3：数据处理分析模块Pandas
| | ├──15：Python_Pandas_Series对象创建.mp4 22.96M
| | ├──16：Python_Pandas_DataFrame对象创建.mp4 24.82M
| | ├──17：Python_Pandas_获取Series对象的值.mp4 15.52M
| | ├──18：Python_Pandas_获取DataFrame对象的值.mp4 18.85M
| | ├──19：Python_Pandas_条件过滤.mp4 17.28M
| | ├──20：Python_Pandas_空值的删除与填充.mp4 33.25M
| | ├──21：Python_Pandas_拼接和合并.mp4 27.91M
| | └──新建文本文档.txt 0.37kb
├──04、人工智能基础-高等数学知识强化
| ├──10：高阶导数_导数判断单调性_导数与极值.mp4 15.30M
| ├──11：导数判断凹凸性_导数用于泰勒展开.mp4 31.49M
| ├──12：向量的意义_n维欧式空间空间.mp4 15.35M
| ├──13：行向量列向量_转置_数乘_加减乘除.mp4 14.17M
| ├──14：向量的内积_向量运算法则.mp4 14.38M
| ├──15：学习向量计算的用途举例.mp4 16.84M
| ├──16：向量的范数_范数与正则项的关系.mp4 23.52M
| ├──17：特殊的向量.mp4 19.38M
| ├──18：矩阵_方阵_对称阵_单位阵_对角阵.mp4 13.47M
| ├──19：矩阵的运算_加减法_转置.mp4 17.35M
| ├──1：人工智能学习数学的必要性_微积分知识点.mp4 18.97M
| ├──20：矩阵相乘.mp4 14.36M
| ├──21：矩阵的逆矩阵.mp4 27.58M
| ├──22：矩阵的行列式.mp4 14.61M
| ├──23：多元函数求偏导.mp4 16.34M
| ├──24：高阶偏导数_梯度.mp4 19.74M
| ├──25：雅可比矩阵_在神经网络中应用.mp4 26.04M
| ├──26：Hessian矩阵.mp4 22.55M
| ├──27：二次型.mp4 18.55M
| ├──28：补充关于正定负定的理解.mp4 13.06M
| ├──29：特征值和特征向量(1).mp4 19.45M
| ├──2：线性代数_概率论知识点.mp4 17.26M
| ├──30：特征值和特征向量(2).mp4 18.01M
| ├──31：特征值分解.mp4 26.18M
| ├──32：多元函数的泰勒展开_矩阵和向量的求导.mp4 30.50M
| ├──33：奇异值分解定义.mp4 16.37M
| ├──34：求解奇异值分解中的UΣV矩阵.mp4 34.04M
| ├──35：奇异值分解性质_数据压缩.mp4 23.36M
| ├──36：SVD用于PCA降维.mp4 17.58M
| ├──37：SVD用于协同过滤_求逆矩阵.mp4 23.76M
| ├──38：概率论_随机事件与随机事件概率.mp4 14.04M
| ├──39：条件概率_贝叶斯公式.mp4 21.97M
| ├──3：最优化知识_数学内容学习重点.mp4 25.90M
| ├──40：随机变量.mp4 17.17M
| ├──41：数学期望和方差.mp4 16.18M
| ├──42：常用随机变量服从的分布.mp4 14.64M
| ├──43：随机向量_独立性_协方差_随机向量的正太分布.mp4 22.95M
| ├──44：最大似然估计思想.mp4 16.62M
| ├──45：最优化的基本概念.mp4 23.95M
| ├──46：迭代求解的原因.mp4 12.99M
| ├──47：梯度下降法思路.mp4 19.41M
| ├──48：梯度下降法的推导.mp4 31.39M
| ├──49：牛顿法公式推导以及优缺点.mp4 30.04M
| ├──4：导数的定义_左导数和右导数.mp4 20.10M
| ├──50：坐标下降法_数值优化面临的问题.mp4 17.05M
| ├──51：凸集.mp4 14.02M
| ├──52：凸函数.mp4 12.35M
| ├──53：凸优化的性质_一般表达形式.mp4 14.81M
| ├──54：拉格朗日函数.mp4 19.74M
| ├──5：导数的几何意义和物理意义.mp4 10.21M
| ├──6：常见函数的求导公式.mp4 15.80M
| ├──7：导数求解的四则运算法则.mp4 18.96M
| ├──8：复合函数求导法则.mp4 11.79M
| ├──9：推导激活函数的导函数.mp4 23.54M
| └──数学.pdf 1.50M
├──05、机器学习-线性回归
| ├──章节1：多元线性回归
| | ├──10：对数似然函数_推导出损失函数MSE.mp4 23.06M
| | ├──11：把目标函数按照线性代数的方式去表达.mp4 14.44M
| | ├──12：推导出目标函数的导函数形式.mp4 23.33M
| | ├──13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4 27.93M
| | ├──14：Python开发环境版本的选择及下载.mp4 23.08M
| | ├──15：Anaconda环境安装_Pycharm环境安装.mp4 26.51M
| | ├──16：Pycharm创建脚本并测试python开发环境.mp4 17.38M
| | ├──17：解析解的方式求解多元线性回归_数据Xy.mp4 16.74M
| | ├──18：解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp4 19.95M
| | ├──19：解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp4 14.08M
| | ├──1：理解简单线性回归.mp4 21.25M
| | ├──20：Scikit-learn模块的介绍.mp4 16.91M
| | ├──21：调用Scikit-learn中的多元线性回归求解模型(上).mp4 13.17M
| | ├──22：调用Scikit-learn中的多元线性回归求解模型(下).mp4 17.24M
| | ├──2：最优解_损失函数_MSE.mp4 19.54M
| | ├──3：扩展到多元线性回归.mp4 14.47M
| | ├──4：理解多元线性回归表达式几种写法的原因.mp4 16.21M
| | ├──5：理解维度这个概念.mp4 21.22M
| | ├──6：理解回归一词_中心极限定理_正太分布和做预测.mp4 28.17M
| | ├──7：假设误差服从正太分布_最大似然估计MLE.mp4 21.44M
| | ├──8：引入正太分布的概率密度函数.mp4 14.86M
| | ├──9：明确目标通过最大总似然求解θ.mp4 14.53M
| | ├──代码.rar 1.50kb
| | ├──第一阶段_手把手教你透彻掌握线性回归算法.pdf 2.71M
| | ├──软件.rar 777.48M
| | └──新建文本文档.txt 0.28kb
| ├──章节2：梯度下降法
| | ├──23：梯度下降法产生的目的和原因以及思想.mp4 28.12M
| | ├──24：梯度下降法公式.mp4 28.41M
| | ├──25：学习率设置的学问_全局最优解.mp4 26.42M
| | ├──26：梯度下降法迭代流程总结.mp4 15.17M
| | ├──27：多元线性回归下的梯度下降法.mp4 21.80M
| | ├──28：全量梯度下降.mp4 30.60M
| | ├──29：随机梯度下降_小批量梯度下降.mp4 26.32M
| | ├──30：对应梯度下降法的问题和挑战.mp4 22.61M
| | ├──31：轮次和批次.mp4 26.67M
| | ├──32：代码实现全量梯度下降第1步和第2步.mp4 12.82M
| | ├──33：代码实现全量梯度下降第3步和第4步.mp4 14.09M
| | ├──34：代码实现随机梯度下降.mp4 12.28M
| | ├──35：代码实现小批量梯度下降.mp4 11.67M
| | ├──36：代码改进保证训练数据全都能被随机取到.mp4 16.08M
| | ├──37：代码改进实现随着迭代增加动态调整学习率.mp4 16.67M
| | ├──代码.rar 1.73kb
| | ├──第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf 2.59M
| | └──新建文本文档.txt 0.25kb
| ├──章节3：归一化
| | ├──38：归一化的目的_维度之间数量级不同产生的矛盾.mp4 30.26M
| | ├──39：归一化的目的_举例子来理解做归一化和不做归一化的区别.mp4 17.01M
| | ├──40：归一化的副产品_有可能会提高模型的精度.mp4 12.57M
| | ├──41：最大值最小值归一化.mp4 14.09M
| | ├──42：标准归一化.mp4 25.97M
| | └──新建文本文档.txt 0.27kb
| ├──章节4：正则化
| | ├──43：代码完成标准归一化.mp4 21.69M
| | ├──44：正则化的目的防止过拟合.mp4 16.50M
| | ├──45：正则化通过损失函数加入惩罚项使得W越小越好.mp4 19.21M
| | ├──46：常用的L1和L2正则项以及数学意义.mp4 20.13M
| | ├──47：L1稀疏性和L2平滑性.mp4 26.03M
| | ├──48：通过L1和L2的导函数理解区别的本质原因.mp4 26.35M
| | └──新建文本文档.txt 0.31kb
| └──章节5：Lasso回归_Ridge回归_多项式回归
| | ├──49：代码调用Ridge岭回归.mp4 26.07M
| | ├──50：代码调用Lasso回归.mp4 12.59M
| | ├──51：代码调用ElasticNet回归.mp4 18.07M
| | ├──52：升维的意义_多项式回归.mp4 22.22M
| | ├──53：多项式升维代码实战_传入不同超参数对比.mp4 21.30M
| | ├──54：多项式升维代码实战_训练模型和评估.mp4 15.88M
| | ├──55：实战保险花销预测_数据介绍和加载数据.mp4 18.58M
| | ├──56：实战保险花销预测_数据预处理.mp4 19.64M
| | ├──57：实战保险花销预测_模型训练和评估_选择非线性算法改进.mp4 35.56M
| | ├──58：实战保险花销预测_特征选择思路.mp4 16.51M
| | ├──59：实战保险花销预测_特征工程.mp4 9.32M
| | ├──60：实战保险花销预测_模型训练和评估.mp4 20.51M
| | ├──代码.rar 126.37kb
| | └──新建文本文档.txt 0.28kb
├──06、机器学习-线性分类
| ├──章节1：逻辑回归
| | ├──1.txt 1.29kb
| | ├──10：绘制逻辑回归损失函数_探索两个参数和损失函数变换关系.mp4 17.81M
| | ├──11：绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度.mp4 16.90M
| | ├──12：对逻辑回归函数进行求导_结论在后面会用到.mp4 11.25M
| | ├──13：对逻辑回归的损失函数求导_推导出导函数的形式.mp4 21.28M
| | ├──14：实战逻辑回归对鸢尾花数据集进行二分类.mp4 17.78M
| | ├──15：OneVsRest将多分类问题转化成多个二分类问题.mp4 12.09M
| | ├──16：实战逻辑回归对鸢尾花数据集进行多分类.mp4 18.20M
| | ├──1：逻辑回归_Sigmoid函数.mp4 10.76M
| | ├──2：sigmoid函数作用.mp4 21.37M
| | ├──3：逻辑回归为什么用sigmoid函数_预备知识.mp4 18.66M
| | ├──4：证明伯努利分布是指数族分布_推导出逻辑回归公式.mp4 23.51M
| | ├──5：回想多元线性回归公式其实也是从广义线性回归推导出来的.mp4 4.31M
| | ├──6：推导逻辑回归损失函数_得到总似然的公式.mp4 15.43M
| | ├──7：推导逻辑回归损失函数_得到最终形式.mp4 7.85M
| | ├──8：绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数.mp4 25.03M
| | ├──9：绘制逻辑回归损失函数_探索单个参数和损失的关系.mp4 14.07M
| | ├──代码.rar 1.77kb
| | └──第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf 1.09M
| ├──章节2：Softmax回归
| | ├──1.txt 0.80kb
| | ├──17：证明多项式分布属于指数族分布一种.mp4 14.67M
| | ├──18：从广义线性回归的η推导出来Softmax的公式.mp4 9.91M
| | ├──19：有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本.mp4 16.55M
| | ├──20：再次证明Softmax损失函数当K=2时就是逻辑回归损失函数.mp4 15.21M
| | ├──21：证明Softmax公式K=2的时候就是逻辑回归_平移不变性.mp4 7.58M
| | ├──22：逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别.mp4 21.45M
| | ├──23：实战音乐分类器_讲解需求和读取数据.mp4 14.06M
| | ├──24：实战音乐分类器_探索不同曲风音乐文件的时间频率图.mp4 20.20M
| | ├──25：实战音乐分类器_傅里叶变换可以帮助我们做什么.mp4 12.88M
| | ├──26：实战音乐分类器_代码使用傅里叶变换将混音文件进行投影.mp4 16.92M
| | ├──27：实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果.mp4 21.18M
| | ├──28：实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型.mp4 17.08M
| | ├──29：实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题.mp4 28.95M
| | ├──代码.rar 47.89kb
| | └──数据.rar 2.27G
| ├──章节3：SVM支持向量机算法
| | ├──1.txt 0.20kb
| | ├──30：SVM与感知机关系_几何距离与函数距离.mp4 77.74M
| | ├──31：SVM的思想.mp4 35.91M
| | ├──32：几种SVM_SVM的损失函数.mp4 47.92M
| | ├──33：数学预备知识_拉格朗日函数.mp4 72.17M
| | ├──34：硬间隔SVM的两步优化.mp4 64.89M
| | ├──35：总结硬间隔SVM.mp4 23.25M
| | ├──36：软间隔SVM和总结流程.mp4 76.87M
| | ├──37：非线性SVM.mp4 36.91M
| | ├──38：SVM在sklearn中的使用_超参数.mp4 80.08M
| | ├──SVM算法.pdf 2.52M
| | └──代码.rar 1.05M
| └──章节4：SMO优化算法
| | ├──1.txt 0.18kb
| | ├──39：SVM算法流程总结.mp4 31.71M
| | ├──40：SMO算法求解思路_分解成很多个子二次规划问题分别求解.mp4 35.51M
| | ├──41：SMO将交给它的目标函数变成二元函数进一步变成一元函数.mp4 32.63M
| | ├──42：对一元函数求极值点_推导出旧的α和新的α的关系.mp4 26.41M
| | ├──43：将公式467带入导函数进一步简化_对求解出的新的α2进行剪裁.mp4 43.47M
| | ├──44：再次说明α2如何进行剪裁的思路_根据α2求α1.mp4 17.78M
| | ├──45：启发式选择两个α.mp4 9.68M
| | ├──46：如何计算阈值b.mp4 19.48M
| | ├──47：SVM的SMO实现读取数据和计算fx与Ei.mp4 43.99M
| | ├──48：SVM的SMO实现判断违背条件的α1.mp4 10.02M
| | ├──49：SVM的SMO实现应用公式计算alphas和b.mp4 12.37M
| | ├──50：SVM绘制已有数据点和超平面以及边界.mp4 9.49M
| | ├──51：关于sklearn中的SVM封装的类和超参.mp4 11.81M
| | ├──52：概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM.mp4 41.37M
| | ├──53：OVR和OVO多分类_算法小结_对比逻辑回归.mp4 23.17M
| | └──代码.rar 12.43kb
├──07、机器学习-无监督学习
| ├──章节1：聚类系列算法
| | ├──1.txt 0.29kb
| | ├──1：KMeans聚类流程_距离测度欧式距离和余弦距离_ev.mp4 91.94M
| | ├──2：距离测度欧式距离和余弦距离的场景_TFIDF_ev.mp4 78.44M
| | ├──3：KMeans的一些变形_KMeans的损失函数推导及假设_ev.mp4 86.57M
| | ├──4：mini-batchKMeans_Canopy聚类_聚类评估指标_ev.mp4 117.54M
| | ├──5：KMeans代码测试不同情况下的聚类效果_ev.mp4 97.13M
| | ├──6：层次聚类_密度聚类_谱聚类_ev.mp4 156.59M
| | ├──代码.rar 4.86kb
| | └──聚类.pdf 2.74M
| ├──章节2：EM算法和GMM高斯混合模型
| | ├──1.txt 0.32kb
| | ├──10：Jensen不等式的应用_ev.mp4 89.00M
| | ├──11：将EM算法应用到GMM中并且推导出了μ和Σ的公式_ev.mp4 93.56M
| | ├──12：将EM算法应用到GMM中并且推导出Π的公式_ev.mp4 26.95M
| | ├──13：GMM前景背景分离_ev.mp4 13.41M
| | ├──14：通过声音文件利用GMM算法识别性别_ev.mp4 110.81M
| | ├──15：通过声音文件利用GMM算法识别是谁_ev.mp4 39.76M
| | ├──7：单个高斯分布GM的参数估计_ev.mp4 72.12M
| | ├──8：理解GMM高斯混合分布的对数似然函数_ev.mp4 59.30M
| | ├──9：GMM参数估计Πμσ的流程_ev.mp4 63.98M
| | ├──EM算法与GMM模型.pdf 725.20kb
| | └──代码.rar 466.39M
| └──章节3：PCA降维算法
| | ├──1.txt 0.34kb
| | ├──16：特征选择与特征映射_ev.mp4 40.60M
| | ├──17：PCA的最大投影方差思路_ev.mp4 114.36M
| | ├──18：最大投影方差推导_最小投影距离思路_ev.mp4 93.96M
| | ├──19：SVD其实就可以去实现PCA了_ev.mp4 78.14M
| | ├──20：PCA的几种应用_ev.mp4 46.12M
| | └──PCA降维与SVD.pdf 864.92kb
├──08、机器学习-决策树系列
| ├──章节1：决策树
| | ├──代码
| | ├──文档
| | ├──10：绘制决策树模型_寻找最优树深度_ev.mp4 52.69M
| | ├──11：代码训练回归树拟合SineWave_ev.mp4 41.16M
| | ├──12：后剪枝的意义_ev.mp4 28.32M
| | ├──13：CCP代价复杂度后剪枝_ev.mp4 70.83M
| | ├──14：CCP代价复杂度剪枝_α超参数设定_ev.mp4 30.41M
| | ├──1：决策树模型的特点_ev.mp4 35.90M
| | ├──2：决策树的数学表达_ev.mp4 37.57M
| | ├──3：如何构建一颗决策树_ev.mp4 33.05M
| | ├──4：什么是更好的一次划分_ev.mp4 26.87M
| | ├──5：Gini系数_ev.mp4 50.14M
| | ├──6：信息增益_ev.mp4 35.48M
| | ├──7：熵与Gini系数关系_信息增益率_ev.mp4 49.75M
| | ├──8：预剪枝以及相关超参数_ev.mp4 67.96M
| | ├──9：代码实战决策树对鸢尾花数据集分类_ev.mp4 40.61M
| | └──新建文本文档.txt 0.31kb
| ├──章节2：集成学习和随机森林
| | ├──代码
| | ├──15：不同聚合方式_生成不同弱学习器方式_ev.mp4 43.72M
| | ├──16：Bagging_Boosting_Stacking_ev.mp4 32.58M
| | ├──17：随机森林_ev.mp4 46.30M
| | ├──18：代码实战随机森林对鸢尾花数据集分类_ev.mp4 49.28M
| | ├──19：OOB袋外数据_ev.mp4 51.72M
| | ├──20：Adaboost算法思路_ev.mp4 47.04M
| | ├──21：调整数据权重让权重正确率达到50%_ev.mp4 36.06M
| | ├──22：Adaboost如何调整样本权重和求基模型权重_ev.mp4 48.95M
| | └──新建文本文档.txt 0.27kb
| ├──章节3：GBDT
| | ├──代码
| | ├──23：GBDT试图使用有监督最优化算法梯度下降求解F(x)_ev.mp4 31.79M
| | ├──24：GBDT令每个弱学习器f(x)去拟合负梯度_ev.mp4 48.21M
| | ├──25：GBDT每棵树都是回归树_准备数据才能训练下一颗小树_ev.mp4 43.03M
| | ├──26：GBDT应用于回归问题_ev.mp4 47.05M
| | ├──27：GBDT回归举例_总结_ev.mp4 45.60M
| | ├──28：GBDT应用于二分类问题_ev.mp4 38.77M
| | ├──29：GBDT二分类拟合的负梯度依然是残差_ev.mp4 46.05M
| | ├──30：GBDT中shrinkage学习率和最优树权重ρ可以共存_ev.mp4 34.44M
| | ├──31：GBDT应用于多分类任务_ev.mp4 34.17M
| | ├──32：GBDT多分类如何每轮给K颗小树准备要去拟合的负梯度_ev.mp4 32.69M
| | ├──33：GBDT多分类流程_ev.mp4 39.29M
| | ├──34：对比GBDT回归、二分类、多分类相同点与不同点_ev.mp4 27.63M
| | ├──35：GBDT二分类叶子节点分值计算推导_ev.mp4 40.64M
| | ├──36：GBDT多分类叶子节点分值计算_ev.mp4 29.43M
| | ├──37：GBDT二分类举例详解_ev.mp4 39.43M
| | ├──38：GBDT多分类举例详解_ev.mp4 41.29M
| | ├──39：计算特征重要度进行特征选择_ev.mp4 26.62M
| | ├──40：GBDT用于特征组合降维_ev.mp4 23.35M
| | ├──41：特征组合降维在GBDT+LR架构应用_ev.mp4 28.63M
| | ├──42：GBDT在sklearn中源码剖析_初始化F(x)_ev.mp4 43.20M
| | ├──43：GBDT在sklearn中源码剖析_负梯度计算和叶子节点分值计算_ev.mp4 38.69M
| | ├──44：GBDT+LR架构训练模型代码实现_ev.mp4 46.16M
| | ├──45：GBDT+LR架构预测评估代码实现_ev.mp4 33.95M
| | └──新建文本文档.txt 0.35kb
| └──章节4：XGBoost
| | ├──代码
| | ├──文档
| | ├──46：回顾有监督机器学习三要素_ev.mp4 41.77M
| | ├──47：Bias_Variance_Trade-off_ev.mp4 34.34M
| | ├──48：基于树集成学习4个优点_ev.mp4 40.85M
| | ├──49：回顾基于树集成学习的模型和参数并举例说明_ev.mp4 41.64M
| | ├──50：通过目标函数Obj来达到准确率和复杂度平衡_ev.mp4 23.73M
| | ├──51：Objective_vs_Heuristic_ev.mp4 31.41M
| | ├──52：得出XGBoost最开始的Obj目标函数_ev.mp4 41.54M
| | ├──53：推导XGBoost对Loss二阶泰勒展开之后的Obj_ev.mp4 25.78M
| | ├──54：Obj化简常数项_明确训练每颗回归树需要准备gi和hi_ev.mp4 34.30M
| | ├──55：重新定义树ft和树的复杂度Ω_ev.mp4 35.02M
| | ├──56：由每个叶子节点重组目标函数Obj_ev.mp4 30.39M
| | ├──57：推导XGBoost出Wj计算公式_推导评价树好坏的Obj_ev.mp4 31.89M
| | ├──58：根据Obj收益指导每一次分裂从而学习一棵树结构_ev.mp4 46.88M
| | ├──59：举例说明从连续型和离散型变量中寻找最佳分裂条件_ev.mp4 32.75M
| | ├──60：XGBoost中防止过拟合的前剪枝_后剪枝_学习率_ev.mp4 31.75M
| | ├──61：样本权重对于模型学习的影响_ev.mp4 27.68M
| | ├──62：总结XGBoost的特性_包括缺失值的处理策略_ev.mp4 56.21M
| | └──新建文本文档.txt 0.35kb
├──09、机器学习-概率图模型
| ├──章节1：贝叶斯分类
| | ├──1.txt 0.35kb
| | ├──1：朴素贝叶斯分类算法_ev.mp4 116.00M
| | ├──2：TF-IDF_ev.mp4 49.47M
| | ├──3：NB代码实现解析_ev.mp4 99.87M
| | ├──4：sklearn中调用NB_顺便讲解了GridSearchCV_ev.mp4 101.38M
| | ├──5：语言模型的设计目的_MLE的作用进行参数估计_ev.mp4 94.28M
| | ├──6：贝叶斯网络_马尔可夫链_ev.mp4 31.65M
| | ├──NB_HMM.pdf 826.78kb
| | └──代码.rar 7.43kb
| ├──章节2：HMM算法
| | ├──1.txt 0.44kb
| | ├──10：HMM预测问题使用维特比算法_ev.mp4 26.12M
| | ├──11：HMM复习_明确概率计算问题要解决的目标_ev.mp4 64.56M
| | ├──12：前向算法来解决概率计算问题_ev.mp4 27.36M
| | ├──13：Viterbi算法案例详解_ev.mp4 71.72M
| | ├──14：Viterbi算法代码实现_ev.mp4 32.88M
| | ├──7：HMM隐马的定义_ev.mp4 32.90M
| | ├──8：HMM隐马的三组参数_三个基本问题_ev.mp4 56.02M
| | ├──9：HMM预测问题使用前向算法_ev.mp4 35.97M
| | ├──代码.rar 0.94kb
| | └──资料.rar 26.48kb
| └──章节3：CRF算法
| | ├──1.txt 0.27kb
| | ├──15：NER与分词和POS的关系_NER的标注策略_NER的主要方法_ev.mp4 84.69M
| | ├──16：讲解了一下常见的深度学习LSTM+CRF的网络拓扑_ev.mp4 40.02M
| | ├──17：了解CRF层添加的好处_ev.mp4 62.98M
| | ├──18：EmissionScore_TransitionScore_ev.mp4 51.66M
| | ├──19：CRF的目标函数_ev.mp4 14.34M
| | ├──20：计算CRF真实路径的分数_ev.mp4 44.32M
| | ├──21：计算CRF所有可能路径的总分数_ev.mp4 86.34M
| | ├──22：通过模型来预测新的句子的序列标签_ev.mp4 50.15M
| | └──CRF_NER.pdf 1.17M
├──10、机器学习与大数据-Kaggle竞赛实战
| ├──章节1：药店销量预测案例
| | ├──1：Rossmann药店销量预测_kaggle的介绍_ev.mp4 12.98M
| | ├──2：对数据字段的介绍_导包_ev.mp4 8.63M
| | ├──3：自定义损失函数_ev.mp4 9.44M
| | ├──4：对数据里面的目标变量sales的一个分析_ev.mp4 16.91M
| | ├──5：数据的预处理_ev.mp4 44.16M
| | ├──6：模型的训练_评估_ev.mp4 23.62M
| | ├──7：kaggle竞赛网站学习_ev.mp4 53.20M
| | ├──代码.rar 6.42M
| | └──新建文本文档.txt 0.38kb
| └──章节2：网页分类案例
| | ├──10：评估指标ROC和AUC_ev.mp4 20.69M
| | ├──11：竞赛其他相关提交成绩排行榜_ev.mp4 19.99M
| | ├──12：数据导入_ev.mp4 23.63M
| | ├──13：MLlib对网页分类竞赛数据预处理_ev.mp4 38.72M
| | ├──14：MLlib对网页分类竞赛数据预处理_模型训练_ev.mp4 28.04M
| | ├──15：MLlib对网页分类竞赛模型训练_模型训练评估_搜索最佳超参数_ev.mp4 25.53M
| | ├──16：使用ML对网页分类竞赛数据预处理_模型训练_交叉验证调参_01_ev.mp4 37.65M
| | ├──17：使用ML对网页分类竞赛数据预处理_模型训练_交叉验证调参_02_ev.mp4 36.02M
| | ├──18：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_03_ev.mp4 28.96M
| | ├──19：使用SparkML对网页分类竞赛数据预处理_模型训练_交叉验证调参_04_ev.mp4 30.51M
| | ├──8：Kaggle网页分类竞赛介绍_ev.mp4 11.17M
| | ├──9：评估指标ROC和AUC_ev.mp4 22.35M
| | ├──代码.rar 8.81M
| | └──新建文本文档.txt 0.28kb
├──11-机器学习与大数据-海量数据挖掘工具
| ├──章节1：Spark计算框架基础
| | ├──1.txt 0.31kb
| | ├──10：分布式计算所需进程_ev.mp4 15.58M
| | ├──11：两种算子操作本质区别_ev.mp4 26.08M
| | ├──12：Spark算子操作实战讲解_代码实战WordCount_01_ev.mp4 31.67M
| | ├──13：Spark算子操作实战讲解_代码实战WordCount_02_ev.mp4 25.90M
| | ├──14：Spark算子操作实战讲解_代码实战WordCount_03_ev.mp4 20.19M
| | ├──15：Spark算子操作实战讲解_代码实战WordCount_04_ev.mp4 17.85M
| | ├──1：Spark特性_01_ev.mp4 25.08M
| | ├──2：Spark特性_02_ev.mp4 17.40M
| | ├──3：Spark对比hadoop优势_ev.mp4 12.38M
| | ├──4：回顾hadoop讲解shuffle_ev.mp4 19.97M
| | ├──5：分布式计算框架Shuffle的原理_01_ev.mp4 25.51M
| | ├──6：分布式计算框架Shuffle的原理_02_ev.mp4 25.73M
| | ├──7：分布式计算框架Shuffle的原理_03_ev.mp4 17.39M
| | ├──8：Spark的RDD特性_01_ev.mp4 19.34M
| | ├──9：Spark的RDD特性_02_ev.mp4 21.87M
| | ├──代码.rar 383.20M
| | └──资料.rar 1.49M
| ├──章节2：Spark计算框架深入
| | ├──1.txt 0.37kb
| | ├──16：Spark数据缓存机制_ev.mp4 29.16M
| | ├──17：Spark宽依赖和窄依赖_01_ev.mp4 24.86M
| | ├──18：Spark宽依赖和窄依赖_02_ev.mp4 22.51M
| | ├──19：Spark宽依赖和窄依赖_03_ev.mp4 15.81M
| | ├──20：Spark术语总结_ev.mp4 40.14M
| | ├──21：分布式文件系统Block块的大小配置_ev.mp4 44.18M
| | ├──22：Spark程序启动运行流程详解_01_ev.mp4 19.59M
| | ├──23：Spark程序启动运行流程详解_02_ev.mp4 28.61M
| | ├──24：Spark程序启动运行流程详解_03_ev.mp4 19.88M
| | ├──25：讲解构建稀疏和稠密向量_01_ev.mp4 33.93M
| | ├──26：讲解构建稀疏和稠密向量_01_ev.mp4 36.24M
| | ├──27：构建LabeledPoint_ev.mp4 44.27M
| | └──28：介绍SparkMLlib模块中实现的算法和调用_ev.mp4 34.98M
| └──章节3：Spark机器学习MLlib和ML模块
| | ├──1.txt 0.26kb
| | ├──29：SparkMLlib对于逻辑回归算法的调用_ev.mp4 49.29M
| | ├──30：SparkMLlib调用逻辑回归_自定义阈值_1_ev.mp4 52.43M
| | ├──31：SparkMLlib调用逻辑回归_自定义阈值_2_ev.mp4 47.11M
| | ├──32：SparkMLlib调用逻辑回归_使用标准归一化_1_ev.mp4 38.63M
| | ├──33：SparkMLlib调用逻辑回归_使用标准归一化_2_ev.mp4 65.62M
| | ├──34：SparkMLlib调用逻辑回归_使用标准归一化_3_ev.mp4 33.14M
| | ├──35：SparkMLlib调用逻辑回归_使用标准归一化_4_ev.mp4 43.60M
| | ├──36：SparkMLlib调用KMeans聚类_调用决策树(1)_1_ev.mp4 37.79M
| | ├──37：SparkMLlib调用KMeans聚类_调用决策树(1)_2_ev.mp4 47.15M
| | ├──38：SparkMLlib调用KMeans聚类_调用决策树(1)_3_ev.mp4 40.95M
| | ├──39：使用逻辑回归和随机森林对股票Stock预测案例实战_1_ev.mp4 43.42M
| | ├──40：使用逻辑回归和随机森林对股票Stock预测案例实战_2_ev.mp4 34.88M
| | ├──41：使用逻辑回归和随机森林对股票Stock预测案例实战_3_ev.mp4 34.72M
| | ├──42：从数据转化到训练集的构建_ev.mp4 63.43M
| | ├──43：模型的训练以及评估和调超参_1_ev.mp4 35.13M
| | ├──44：模型的训练以及评估和调超参_2_ev.mp4 32.20M
| | ├──45：模型的训练以及评估和调超参_3_ev.mp4 43.15M
| | ├──46：SparkML机器学习库概念讲解_1_ev.mp4 59.65M
| | ├──47：SparkML机器学习库概念讲解_2_ev.mp4 53.66M
| | ├──48：SparkML机器学习库代码实战讲解_1_ev.mp4 61.17M
| | ├──49：SparkML机器学习库代码实战讲解_2_ev.mp4 63.52M
| | ├──50：SparkML网页分类案例代码实战续（1）_1_ev.mp4 62.90M
| | ├──51：SparkML网页分类案例代码实战续（1）_2_ev.mp4 60.75M
| | ├──52：SparkML网页分类案例代码实战续（2）_1_ev.mp4 57.53M
| | ├──53：SparkML网页分类案例代码实战续（2）_2_ev.mp4 44.96M
| | ├──54：SparkML网页分类案例代码实战续（3）_ev.mp4 3.98M
| | └──资料.rar 1.28M
├──12-机器学习与大数据-项目实战
| ├──章节1：–流程与架构
| | ├──1.txt 0.33kb
| | ├──10：推荐系统列表_关联特征权重_基本特征权重的计算_2_ev.mp4 43.64M
| | ├──11：推荐系统列表_关联特征权重_基本特征权重的计算_3_ev.mp4 41.91M
| | ├──12：推荐系统_数据源_1_ev.mp4 33.87M
| | ├──13：推荐系统_数据源_2_ev.mp4 31.31M
| | ├──1：推荐系统_隐式用户反馈_1_ev.mp4 44.96M
| | ├──2：推荐系统_隐式用户反馈_2_ev.mp4 49.06M
| | ├──3：推荐系统_协同过滤_1_ev.mp4 29.26M
| | ├──4：推荐系统_协同过滤_2_ev.mp4 28.44M
| | ├──5：推荐系统_协同过滤_3_ev.mp4 28.65M
| | ├──6：推荐系统_协同过滤_4_ev.mp4 29.76M
| | ├──7：推荐系统架构_实时_离线_1_ev.mp4 41.81M
| | ├──8：推荐系统架构_实时_离线_2_ev.mp4 41.79M
| | ├──9：推荐系统列表_关联特征权重_基本特征权重的计算_1_ev.mp4 37.58M
| | ├──数据.rar 759.94kb
| | └──资料.rar 2.67M
| ├──章节2：推荐系统–数据预处理和模型构建评估实战
| | ├──1.txt 0.38kb
| | ├──14：HQL语句_python脚本构建中间结果_1_ev.mp4 48.91M
| | ├──15：HQL语句_python脚本构建中间结果_2_ev.mp4 46.79M
| | ├──16：HQL语句_python脚本构建中间结果_3_ev.mp4 43.99M
| | ├──17：HQL语句_python脚本构建中间结果_4_ev.mp4 47.18M
| | ├──18：推荐系统_数据预处理_spark构建特征索引_标签列_1_ev.mp4 43.80M
| | ├──19：spark构建特征索引_标签列_2_ev.mp4 43.31M
| | ├──20：spark构建特征索引_标签列_3_ev.mp4 42.32M
| | ├──21：spark构建特征索引_标签列_4_ev.mp4 39.89M
| | ├──22：MLlib调用算法计算模型文件并存储_1_ev.mp4 40.21M
| | ├──23：MLlib调用算法计算模型文件并存储_2_ev.mp4 37.77M
| | ├──24：MLlib调用算法计算模型文件并存储_3_ev.mp4 43.55M
| | ├──25：ACC准确率和AUC面积的计算以及意义_ev.mp4 93.24M
| | ├──代码.rar 6.12kb
| | ├──集群.rar 6.46G
| | ├──软件.rar 665.46M
| | ├──数据.rar 2.90M
| | └──资料.rar 468.42kb
| └──章节3：推荐系统–模型使用和推荐服务
| | ├──1.txt 0.43kb
| | ├──26：推荐模型文件使用思路_ev.mp4 25.82M
| | ├──27：Redis数据库安装及其使用_ev.mp4 16.62M
| | ├──28：实时在线推荐列表计算逻辑代码讲解_1_ev.mp4 50.63M
| | ├──29：实时在线推荐列表计算逻辑代码讲解_2_ev.mp4 40.17M
| | ├──30：实时在线推荐列表计算逻辑代码讲解_3_ev.mp4 36.75M
| | ├──31：实时在线推荐列表计算逻辑代码讲解_4_ev.mp4 36.51M
| | ├──32：使用将推荐系统做成服务_1_ev.mp4 41.30M
| | ├──33：使用将推荐系统做成服务_2_ev.mp4 41.40M
| | ├──34：使用将推荐系统做成服务_3_ev.mp4 45.74M
| | ├──35：Dubbo推荐服务演示_SparkMLlib介绍_1_ev.mp4 51.29M
| | ├──36：Dubbo推荐服务演示_SparkMLlib介绍_2_ev.mp4 47.92M
| | ├──37：Dubbo推荐服务演示_SparkMLlib介绍_3_ev.mp4 50.71M
| | └──代码.rar 42.15M
├──13-深度学习-原理和进阶
| ├──章节1：神经网络算法
| | ├──1.txt 0.36kb
| | ├──1：神经网络是有监督的算法_生物神经元到人工神经元_ev.mp4 63.30M
| | ├──2：三种常见的激活函数_网络拓扑介绍_优化算法_ev.mp4 33.55M
| | ├──3：单层神经网络正向传播计算过程_用神经网络理解逻辑回归做多分类_ev.mp4 45.44M
| | ├──4：用神经网络理解Softmax回归_ev.mp4 44.38M
| | ├──5：隐藏层的意义_隐藏层相当于去做预处理_升维降维_ev.mp4 69.11M
| | ├──6：多节点网络输出_sklearn中NN模块的介绍_ev.mp4 53.02M
| | ├──7：sklearn中NN模型的代码使用_ev.mp4 69.28M
| | ├──8：隐藏层激活函数必须是非线性的_ev.mp4 13.69M
| | ├──9：tensorflow概要_conda创建虚拟环境_CPU版本的tensorflow安装_ev.mp4 132.12M
| | ├──神经网络.pdf 518.13kb
| | └──资料.rar 12.88M
| ├──章节2：TensorFlow深度学习工具
| | ├──1.txt 0.28kb
| | ├──10：CUDA