课程介绍

梗直哥瞿炜的《深度学习必修课：进击算法工程师》是一门专注于人工智能算法工程师培养的系统化课程，具有以下核心特点：

1. ‌课程定位‌
   该课程以实战为导向，面向希望掌握深度学习核心算法并提升工程化能力的开发者，内容覆盖从基础理论到工业级项目落地的全链路知识‌。
   

2. ‌内容架构‌

   • ‌理论体系‌：包含神经网络架构设计、计算机视觉算法（如卷积网络）、自然语言处理模型（如Transformer）等模块‌。
   • ‌实践项目‌：通过动画可视化拆解算法原理，配套工业级代码实现案例，包括模型压缩、部署优化等工程实践‌。
   • ‌能力延伸‌：涉及强化学习、模型调优等进阶内容，配套算法面试与职业发展指导‌。

3. ‌教学特色‌

   • 采用「理论推导+代码逐行解析」的双轨教学模式，独创三维动画呈现神经网络运作机制‌。
   • 课程内容源自瞿炜教授在谷歌、西门子等企业的实战经验，融合其在哈佛、京都大学的教学方法论‌。

4. ‌行业影响力‌
   该课程连续两年蝉联B站AI类付费课程榜首，累计访问量超数千万人次，配套出版的《破解深度学习》系列书籍已形成完整知识生态‌。

5. ‌配套服务‌
   学员可获得星河AI研究院的专属学习社群，包含技术答疑、大厂内推、行业研究报告等增值服务‌。

课程目录

/15-050-梗直哥瞿炜–深度学习必修课：进击算法工程师/
│├─梗直哥-【机器学习必修课：经典算法与Python实战】
│├─梗直哥–强化学习必修课：引领智能新时代
│├─梗直哥–深度学习必修课：进击算法工程师
梗直哥-【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 60.9MB
│├─01-2初识机器学习.mp4 36.9MB
│├─01-3课程使用的技术栈.mp4 37MB
│├─02-1本章总览.mp4 7.9MB
│├─02-2数据长什么样：常见数据集、典型实例、如何使用.mp4 35.3MB
│├─02-3研究哪些问题：分类、回归等.mp4 40MB
│├─02-4如何分门别类：监督、无监督、强化学习等.mp4 29.3MB
│├─02-5机器学习的七大常见误区和局限.mp4 35.1MB
│├─03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4 33MB
│├─03-11Numpy数组统计运算：常用的都在这儿了.mp4 16MB
│├─03-12Numpy数组arg运算和排序.mp4 18.4MB
│├─03-13Numpy数组神奇索引和布尔索引.mp4 23.7MB
│├─03-14Matplotlib数据可视化：基础绘制与设置.mp4 23MB
│├─03-1本章总览：相互关系与学习路线.mp4 9.2MB
│├─03-2Anaconda图形化操作.mp4 15.9MB
│├─03-3Anaconda命令行操作.mp4 18.9MB
│├─03-4JupyterNotebook基础使用.mp4 19.8MB
│├─03-5JupyterNotebook高级使用：常用魔法命令.mp4 15MB
│├─03-6Numpy基础：安装与性能对比.mp4 15.5MB
│├─03-7Numpy数组创建：特定数组、等差数组、随机数组.mp4 36.9MB
│├─03-8Numpy数组基础索引：索引和切片.mp4 16.8MB
│├─03-9Numpy非常重要的数组合并与拆分操作.mp4 18.7MB
│├─04-1本章总览.mp4 12.1MB
│├─04-2KNN算法核心思想和原理.mp4 39.4MB
│├─04-3KNN分类任务代码实现.mp4 32.8MB
│├─04-4数据集划分：训练集与预测集.mp4 31.7MB
│├─04-5模型评价[].mp4 33.8MB
│├─04-6超参数.mp4 30.3MB
│├─04-7特征归一化.mp4 27.8MB
│├─04-8KNN回归任务代码实现.mp4 29.5MB
│├─04-9KNN优缺点和适用条件.mp4 20.9MB
│├─05-10复杂逻辑回归及代码实现.mp4 18MB
│├─05-11线性算法优缺点和适用条件.mp4 21.6MB
│├─05-1本章总览.mp4 14.5MB
│├─05-2线性回归核心思想和原理.mp4 40.3MB
│├─05-3逻辑回归核心思想和原理.mp4 25.4MB
│├─05-4线性回归代码实现.mp4 28MB
│├─05-5模型评价：MSE、RMSE、MAE和R方.mp4 29.1MB
│├─05-6多项式回归代码实现.mp4 19.7MB
│├─05-7逻辑回归算法.mp4 21.8MB
│├─05-8线性逻辑回归代码实现.mp4 28.5MB
│├─05-9多分类策略.mp4 8.7MB
│├─06-10LASSO和岭回归代码实现.mp4 23.9MB
│├─06-11模型泛化().mp4 24.6MB
│├─06-12评价指标：混淆矩阵、精准率和召回率.mp4 36.5MB
│├─06-13评价指标：ROC曲线.mp4 33.8MB
│├─06-1本章总览().mp4 30.6MB
│├─06-2损失函数.mp4 39.4MB
│├─06-3梯度下降〖〗.mp4 35.7MB
│├─06-4决策边界『』.mp4 25.3MB
│├─06-5过拟合与欠拟合.mp4 25.1MB
│├─06-6学习曲线｛｝.mp4 26.7MB
│├─06-7交叉验证().mp4 23.9MB
│├─06-8模型误差『』.mp4 42.8MB
│├─06-9正则化.mp4 45MB
│├─07-1本章总览.mp4 14.4MB
│├─07-2决策树核心思想和原理.mp4 22.7MB
│├─07-3信息熵.mp4 39.7MB
│├─07-4决策树分类任务代码实现.mp4 38.7MB
│├─07-5基尼系数().mp4 19.6MB
│├─07-6决策树剪枝.mp4 26MB
│├─07-7决策树回归任务代码实现.mp4 12.6MB
│├─07-8决策树优缺点和适用条件.mp4 16.5MB
│├─08-1本章总览｛｝.mp4 26.8MB
│├─08-2神经网络核心思想和原理.mp4 56.4MB
│├─08-3激活函数｛｝.mp4 36.1MB
│├─08-4正向传播与反向传播.mp4 23.4MB
│├─08-5梯度下降优化算法.mp4 36.8MB
│├─08-6神经网络简单代码实现.mp4 28.9MB
│├─08-7梯度消失和梯度爆炸.mp4 28.5MB
│├─08-8模型选择｛｝.mp4 39.7MB
│├─08-9神经网络优缺点和适用条件.mp4 20.2MB
│├─09-10SVM优缺点和适用条件.mp4 11.3MB
│├─09-1本章总览〔〕.mp4 35.6MB
│├─09-2SVM核心思想和原理.mp4 15.7MB
│├─09-3硬间隔SVM.mp4 33.1MB
│├─09-4SVM软间隔｛｝.mp4 25.5MB
│├─09-5线性SVM分类任务代码实现.mp4 17.9MB
│├─09-6非线性SVM：核技巧.mp4 35.3MB
│├─09-7SVM核函数.mp4 21.9MB
│├─09-8非线性SVM代码实现.mp4 22.9MB
│├─09-9SVM回归任务代码实现.mp4 14.3MB
│├─10-1本章总览.mp4 22.4MB
│├─10-2贝叶斯方法核心思想和原理.mp4 32MB
│├─10-3朴素贝叶斯分类.mp4 20.3MB
│├─10-4朴素贝叶斯的代码实现.mp4 27.2MB
│├─10-5多项式朴素贝叶斯代码实现.mp4 23.6MB
│├─10-6贝叶斯方法优缺点和适用条件.mp4 25.5MB
│├─11-1本章总览.mp4 14.6MB
│├─11-2集成学习核心思想和原理.mp4 20MB
│├─11-3集成学习代码实现.mp4 24.4MB
│├─11-4并行策略：Bagging、OOB等方法.mp4 38.8MB
│├─11-5并行策略：随机森林.mp4 17.6MB
│├─11-6串行策略：Boosting.mp4 27.4MB
│├─11-7结合策略：Stacking方法.mp4 13.3MB
│├─11-8集成学习优缺点和适用条件.mp4 24.9MB
│├─12-1本章总览.mp4 9.9MB
│├─12-2聚类算法核心思想和原理.mp4 16.3MB
│├─12-3k-means和分层聚类.mp4 22.8MB
│├─12-4聚类算法代码实现.mp4 21.9MB
│├─12-5聚类评估代码实现.mp4 20.3MB
│├─12-6聚类算法优缺点和适用条件.mp4 19.7MB
│├─13-1本章总览.mp4 17.3MB
│├─13-2PCA核心思想和原理.mp4 25.4MB
│├─13-3PCA求解算法.mp4 21.6MB
│├─13-4PCA算法代码实现.mp4 15.2MB
│├─13-5降维任务代码实现.mp4 23.6MB
│├─13-6PCA在数据降噪中的应用.mp4 13.8MB
│├─13-7PCA在人脸识别中的应用.mp4 28.4MB
│├─13-8主成分分析优缺点和适用条件.mp4 9.5MB
│├─14-1本章总览{}.mp4 14MB
│├─14-2概率图模型核心思想和原理.mp4 52.8MB
│├─14-3EM算法参数估计.mp4 20.4MB
│├─14-4隐马尔可夫模型代码实现.mp4 43MB
│├─14-5概率图模型优缺点和适用条件.mp4 11.6MB
│├─15-1本章总览.mp4 8.5MB
│├─15-2泰坦尼克生还预测.mp4 62MB
│├─15-3房价预测.mp4 67.2MB
│├─15-4交易反欺诈代码实现.mp4 35.9MB
│├─15-5如何深入研究机器学习.mp4 11.5MB
梗直哥–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 59MB
│├─1_10-1-基于模型的强化学习核心思想和原理.mp4 48MB
│├─1_11-1模仿学习.mp4 48.4MB
│├─1_12-1-项目实战：Gym游戏.mp4 51.4MB
│├─1_2-1-线性代数.mp4 26.9MB
│├─1_3-1-CUDA+Anaconda深度学习环境配置.mp4 18.7MB
│├─1_4-1-序列建模与概率图模型.mp4 38.1MB
│├─1_5-1-动态回归核心思想和原理.mp4 30.9MB
│├─1_6-1-蒙特卡洛方法.mp4 32.5MB
│├─1_7-1-深度Q网络核心思想和原理.mp4 44.7MB
│├─1_8-1-策略梯度核心思想和原理.mp4 44.2MB
│├─1_9-1-演员评论家算法核心思想和原理.mp4 20.1MB
│├─2_1-2-认识强化学习.mp4 53.8MB
│├─2_10-2-Dyna-Q算法.mp4 44.6MB
│├─2_11-2-博弈论与强化学习.mp4 64.7MB
│├─2_12-2-项目实战：大模型RLHF.mp4 31.4MB
│├─2_2-2-微积分.mp4 30MB
│├─2_3-2-conda使用命令.mp4 11.9MB
│├─2_4-2-马尔可夫观测过程：学会“看”.mp4 40.9MB
│├─2_5-2-策略迭代.mp4 40MB
│├─2_6-2-时序差分方法.mp4 34.2MB
│├─2_7-2-DQN-代码实现.mp4 35.8MB
│├─2_8-2-蒙特卡洛策略梯度.mp4 24.2MB
│├─2_9-2-改进型演员评论家算法.mp4 23MB
│├─3_1-3-课程使用的技术栈.mp4 12MB
│├─3_10-3-Dyna-Q算法代码实现.mp4 17.7MB
│├─3_11-3-多智能体强化学习.mp4 44.4MB
│├─3_12-3-强化学习最新发展趋势.mp4 65.6MB
│├─3_2-3-概率.mp4 46.6MB
│├─3_3-3-Jupyter-Notebook快速上手.mp4 14.1MB
│├─3_4-3-马尔可夫决策过程：试着-“干”.mp4 29.6MB
│├─3_5-3-价值迭代.mp4 19.2MB
│├─3_6-3-蒙特卡洛方法和时序差分代码实现.mp4 22.8MB
│├─3_7-3-常见问题改进和扩展.mp4 27.5MB
│├─3_8-3-策略梯度方法代码实现.mp4 19.4MB
│├─3_9-3-演员评论家算法代码实现.mp4 19.7MB
│├─4_10-4-基于模型的策略优化.mp4 19.7MB
│├─4_11-4-MADDP的代码实现.mp4 45.1MB
│├─4_12-4-下一步的学习建议.mp4 33.3MB
│├─4_3-4-仿真环境Gym安装.mp4 19MB
│├─4_4-4-马尔可夫奖励过程：懂得“想”.mp4 49.4MB
│├─4_5-4-动态规划代码实现.mp4 43.5MB
│├─4_6-4-广义策略迭代.mp4 19.6MB
│├─4_7-4-DQN改进算法代码实现.mp4 31MB
│├─4_8-4-近端策略优化算法.mp4 36.2MB
│├─4_9-4-深度确定性策略梯度.mp4 30.3MB
│├─5_10-5-MBPO的代码实现.mp4 53.8MB
│├─5_11-5-AlphaStar系统｛｝.mp4 82.4MB
│├─5_3-5-深度学习库PyTorch的安装.mp4 9.2MB
│├─5_4-5-贝尔曼方程：迭代求解价值函数.mp4 30.6MB
│├─5_6-5-Q-Learning算法.mp4 32.3MB
│├─5_8-5-近端策略优化（PPO）代码实现.mp4 34.6MB
│├─5_9-5-DDPG算法代码实现.mp4 22.5MB
│├─6_11-6-基于人类反馈大强化学习.mp4 47.1MB
│├─6_4-6-模型分类与选择.mp4 30.8MB
│├─6_6-6-SARSA算法.mp4 20.8MB
│├─6_9-6-软性演员评论家算法.mp4 38.6MB
│├─7_4-7-常见问题解析【】.mp4 21.7MB
│├─7_6-7-Q-Learning&SARSA代码实现.mp4 23.8MB
│├─7_9-7-SAC代码实现.mp4 35.1MB
│├─8_4-8-马尔可夫过程代码实现.mp4 40.2MB
梗直哥–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 52.2MB
│├─002.1-2 初识深度学习.mp4 52.9MB
│├─003.1-3 课程使用的技术栈.mp4 12.7MB
│├─004.2-1 线性代数.mp4 56.4MB
│├─005.2-2 微积分{}.mp4 49MB
│├─006.2-3 概率.mp4 59.2MB
│├─007.3-1 CUDA+Anaconda深度学习环境搭建.mp4 20.9MB
│├─008.3-2 conda实用命令.mp4 13MB
│├─009.3-3 Jupyter Notebook快速上手.mp4 15.5MB
│├─010.3-4 深度学习库PyTorch安装.mp4 9MB
│├─011.4-1 神经网络原理.mp4 44.8MB
│├─012.4-2 多层感知机.mp4 47.3MB
│├─013.4-3 前向传播和反向传播.mp4 39.5MB
│├─014.4-4 多层感知机代码实现.mp4 29.3MB
│├─015.4-5 回归问题.mp4 35.6MB
│├─016.4-6 线性回归代码实现.mp4 23.1MB
│├─017.4-7 分类问题.mp4 23MB
│├─018.4-8 多分类问题代码实现.mp4 42.8MB
│├─019.5-1 训练的常见问题.mp4 33.8MB
│├─020.5-2 过拟合欠拟合应对策略.mp4 41.2MB
│├─021.5-3 过拟合和欠拟合示例.mp4 22.4MB
│├─022.5-4 正则化.mp4 42.2MB
│├─023.5-5 Dropout〖〗.mp4 32.1MB
│├─024.5-6 Dropout代码实现.mp4 17.3MB
│├─025.5-7 梯度消失和梯度爆炸.mp4 47.2MB
│├─026.5-8 模型文件的读写.mp4 16.5MB
│├─027.6-1 最优化与深度学习.mp4 48MB
│├─028.6-2 损失函数.mp4 42.8MB
│├─029.6-3 损失函数性质.mp4 29.2MB
│├─030.6-4 梯度下降.mp4 31.6MB
│├─031.6-5 随机梯度下降法.mp4 20.6MB
│├─032.6-6 小批量梯度下降法.mp4 32MB
│├─033.6-7 动量法『』.mp4 25MB
│├─034.6-8 AdaGrad算法.mp4 24.8MB
│├─035.6-9 RMSProp_Adadelta算法.mp4 15.9MB
│├─036.6-10 Adam算法.mp4 47.1MB
│├─037.6-11 梯度下降代码实现.mp4 30.9MB
│├─038.6-12 学习率调节器.mp4 27.9MB
│├─039.7-1 全连接层问题.mp4 38.5MB
│├─040.7-2 图像卷积.mp4 34.8MB
│├─041.7-3 卷积层.mp4 44.8MB
│├─042.7-4 卷积层常见操作.mp4 35.2MB
│├─043.7-5 池化层Pooling.mp4 33.6MB
│├─044.7-6 卷积神经网络代码实现（LeNet）.mp4 27.2MB
│├─045.8-1 AlexNet〔〕.mp4 49.6MB
│├─046.8-2 VGGNet（）.mp4 47.7MB
│├─047.8-3 批量规范化.mp4 23.6MB
│├─048.8-4 GoogLeNet{}.mp4 41MB
│├─049.8-5 ResNet『』.mp4 65MB
│├─050.8-6 DenseNet【】.mp4 58.5MB
│├─051.9-1 序列建模.mp4 30.3MB
│├─052.9-2 文本数据预处理.mp4 60MB
│├─053.9-3 循环神经网络.mp4 48.2MB
│├─054.9-4 随时间反向传播算法.mp4 43.9MB
│├─055.9-5 循环神经网络代码实现.mp4 27.8MB
│├─056.9-6 RNN的长期依赖问题.mp4 37.7MB
│├─057.10-1 深度循环神经网络.mp4 24.2MB
│├─058.10-2 双向循环神经网络.mp4 25.8MB
│├─059.10-3 门控循环单元.mp4 28.6MB
│├─060.10-4 长短期记忆网络.mp4 43.1MB
│├─061.10-5 复杂循环神经网络代码实现.mp4 35.8MB
│├─062.10-6 编码器-解码器网络.mp4 41.1MB
│├─063.10-7 序列到序列模型代码实现.mp4 33MB
│├─064.10-8 束搜索算法.mp4 25.7MB
│├─065.10-9 机器翻译简单代码实现.mp4 39.3MB
│├─066.11-1 什么是注意力机制.mp4 43.4MB
│├─067.11-2 注意力的计算.mp4 57.5MB
│├─068.11-3 键值对注意力和多头注意力.mp4 24.1MB
│├─069.11-4 自注意力机制.mp4 30.2MB
│├─070.11-5 注意力池化及代码实现.mp4 29.6MB
│├─071.11-6 Transformer模型〔〕.mp4 43.9MB
│├─072.11-7 Transformer代码实现.mp4 38MB
│├─073.12-1BERT模型.mp4 50.2MB
│├─074.12-2 GPT系列模型.mp4 79.6MB
│├─075.12-3 T5模型.mp4 37.8MB
│├─076.12-4 ViT模型【】.mp4 31MB
│├─077.12-5 Swin Transformer模型.mp4 54.9MB
│├─078.12-6 GPT模型代码实现.mp4 38MB
│├─079.13-1 蒙特卡洛方法.mp4 28.5MB
│├─080.13-2 变分推断.mp4 40.8MB
│├─081.13-3 变分自编码器.mp4 56.2MB
│├─082.13-4 生成对抗网络.mp4 39.9MB
│├─083.13-5 Diffusion扩散模型.mp4 77.6MB
│├─084.13-6 图像生成.mp4 56.1MB
│├─085.14-1 自定义数据加载.mp4 48.7MB
│├─086.14-2 图像数据增强.mp4 33.4MB
│├─087.14-3 迁移学习.mp4 31.8MB
│├─088.14-4 经典视觉数据集.mp4 37.3MB
│├─089.14-5 项目实战：猫狗大战.mp4 64.1MB
│├─090.15-1 词嵌入和word2vec.mp4 33.3MB
│├─091.15-2 词义搜索和句意表示.mp4 44.8MB
│├─092.15-3 预训练模型.mp4 55MB
│├─093.15-4 Hugging Face库介绍.mp4 36.4MB
│├─094.15-5 经典NLP数据集.mp4 36.4MB
│├─095.15-6 项目实战：电影评论情感分析.mp4 35.7MB
│├─096.16-1 InstructGPT模型.mp4 77MB
│├─097.16-2 CLIP模型【】.mp4 37.7MB
│├─098.16-3 DALL-E模型.mp4 54.3MB
│├─099.16-4 深度学习最新发展趋势分析.mp4 37MB
│├─100.16-5 下一步学习的建议.mp4 18.5MB