AI课程体系
2024-07-31 13:07:51 0 举报
AI智能生成
AI课程体系
作者其他创作
大纲/内容
Python语言(上)
Python扫盲
认识python
搭建编程环境
第一个Python程序
变量和基本数据类型
注释
变量
数据类型
运算符
字符串处理
输入与输出
下标和切片
常见字符串函数
列表
访问列表
操作列表
列表函数
元祖和字典
什么是元祖
操作元祖
元祖函数
什么是字典
操作字典
字典函数&方法
浅拷贝与深拷贝
列表推导式
条件控制与循环语句
什么是条件控制语句
if语句
什么是循环语句
while循环
for循环
列表推导式
内置函数
函数
定义函数调用函数
函数参数
函数返回值
局部变量和全局变量
匿名函数
递归函数
高阶函数
面向对象编程改
面向对象
定义类
继承和多态
类属性与实例属性
访问限制
类方法与静态方法
模块和包
模块简介
模块制作
dir()函数
标准模块
包
文件和异常
文件的操作
文件的读取
异常
Python常用模块
time模块
线程与进程
Python语言(下)
NumPy数值计算
NumPy库简介
Array数组
Array数组操作
矩阵的创建与初始化
矩阵基本操作
常用函数案例演示
Pandas数据清洗处理分析
Pandas库简介
数据读取与显示
数据样本行列选取
数值计算与排序
数据预处理与透视表
自定义函数方法
核心数据结构Series详解
数据索引变换
Matplotlib数据可视化
Matplotlib简介
画出第一个简易折线图
打造一个完整的折线图
直方图与四分图
可视化图表细节
基于真实数据集的可视化分析
Scikit-learn机器学习库
回归问题
线性回归原理推导与求解
手写线性回归
逻辑回归与梯度下降
梯度下降实例
分析汽车油耗效率
使用scikit-learn库建立回归模型
使用逻辑回归改进模型效果
模型效果衡量标准
ROC指标与测试集的价值
交叉验证
机器学习(上)
机器学习基础
机器学习世界的数据
机器学习的主要任务
监督学习,非监督学习,半监督学习和增强学习
批量学习,在线学习,参数学习和非参数学习
Jupyter Notebook, numpy和Matplotlib
jupyter notebook基础
jupyter notebook中的魔法命令
Numpy数据基础
创建numpy数组和矩阵
Numpy数组的基本操作
Numpy数组的合并与分割
Numpy中的矩阵运算
Numpy中的聚合运算
Numpy中的arg运算
Numpy中的比较和FancyIndexing
Matplotlib数据可视化基础
数据加载和简单的数据探索
最基础的分类算法-k近邻算法 kNN
k近邻算法基础
scikit-learn中的机器学习算法封装
训练数据集,测试数据集
分类准确度
超参数
网格搜索与k近邻算法中更多超参数
数据归一化
scikit-learn中的Scaler
线性回归法
简单线性回归
最小二乘法
简单线性回归的实现
向量化
衡量线性回归法的指标 MSE,RMS,MAE
最好的衡量线性回归法的指标 R Squared
多元线性回归和正规方程解
实现多元线性回归
使用scikit-learn解决回归问题
线性回归的可解性和更多思考
PCA与梯度上升法
什么是PCA
使用梯度上升法求解PCA问题
求数据的主成分PCA
求数据的前n个主成分
高维数据映射为低维数据
scikit-learn中的PCA
试手MNIST数据集
使用PCA对数据进行降噪
人脸识别与特征脸
机器学习(下)
梯度下降法
什么是梯度下降法
模拟实现梯度下降法
线性回归中的梯度下降法
实现线性回归中的梯度下降法
梯度下降的向量化和数据标准化
随机梯度下降法
scikit-learn中的随机梯度下降法
如何确定梯度计算的准确性 调试梯度下降法
有关梯度下降法的更多深入讨论
多项式回归与模型泛化
什么是多项式回归
scikit-learn中的多项式回归于pipeline
过拟合与前拟合
为什么要训练数据集与测试数据集
学习曲线
验证数据集与交叉验证
偏差方差平衡
模型泛化与岭回归
LASSO
逻辑回归
什么是逻辑回归
逻辑回归的损失函数
逻辑回归损失函数的梯度
实现逻辑回归算法
决策边界
在逻辑回归中使用多项式特征
scikit-learn中的逻辑回归
OvR与OvO
评价分类结果
准确度的陷阱和混淆矩阵
精准率和召回率
支撑向量机 SVM
决策树
信息熵
使用信息熵寻找最优划分
基尼系数
CART与决策树中的超参数
集成学习和随机森林
什么是集成学习
SoftVoting Classifier
Bagging和Pasting
oob(Out-of-Bag)和Bagging
随机森林和Extra-Trees
Ada Boosting和Gradient Boosting
Stacking
神经网络(上)
神经网络入门
机器学习、深度学习简介
神经元-逻辑斯底回归模型
神经元多输出
梯度下降
数据处理与模型图构建
神经元实现(二分类逻辑斯蒂回归模型实现)
神经网络实现(多分类逻辑斯蒂回归模型实现)
卷积神经网络
神经网络进阶
卷积神经网络
卷积神经网络实战
卷积神经网络进阶
卷积神经网络进阶(alexnet)
卷积神经网络进阶(Vggnet-Resnet)
卷积神经网络进阶(inception-mobile-net)
VGG-ResNet实战
Inception-mobile_net
卷积神经网络调参
adagrad_adam
激活函数到调参技巧
Tensorboard实战
fine-tune-实战
activation-initializer-optimizer-实战
图像增强api使用
图像增强实战
批归一化实战
图像生成文本
图像生成文本问题引入⼊
图像生成文本评测指标
Encoder-Decoder框架与Beam Search算法生成文本
Multi-Modal RNN模型
Show and Tell模型
Show attend and Tell 模型
Bottom-up Top-down Attention模型
图像生成文本模型对比与总结
数据介绍,词表生成
图像特征抽取(1)-文本描述文件解析
图像特征抽取(2)-InceptionV3预训练模型抽取图像特征
输入输出文件与默认参数定义
词表载入
文本描述转换为ID表示
ImageCaptionData类封装-图片特征读取
ImageCaptionData类封装-批数据生成
计算图构建-辅助函数实现
计算图构建-图片与词语embedding
计算图构建-rnn结构实现、损失函数与训练算子实现
训练流程代码
文本生成图像问题引入与本节课总结
神经网络(下)
图像风格转换
卷积神经网络的应用
卷积神经网络的能力
图像风格转换V1算法
VGG16预训练模型格式
VGG16预训练模型读取函数封装
VGG16模型搭建与载入类的封装
图像风格转换算法定义输入与调用VGG-Net
图像风格转换计算图构建与损失函数计算
图像风格转换训练流程代码实现
图像风格转换效果展示
图像风格转换V2算法
图像风格转换V3算法
循环神经网络
序列式问题
循环神经网络
长短期记忆网络
基于LSTM的文本分类模型(TextRNN与HAN)
基于CNN的文本分类模型(TextCNN)
RNN与CNN融合解决文本分类
数据预处理之分词
数据预处理之词表生成与类别表生成
实战代码模块解析
超参数定义
词表封装与类别封装
数据集封装
计算图输入定义
计算图实现
指标计算与梯度算子实现
训练流程实现
LSTM单元内部结构实现
TextCNN实现
循环神经网络总结
对抗神经网络
对抗生成网络原理
深度卷积对抗生成网络DCGAN
反卷积
深度卷积对抗生成网络DCGAN_深度学习之神经网络RNNGAN算法原理实战
图像翻译Pix2Pix_深度学习之神经网络RNNGAN算法原理实战
无配对图像翻译CycleGAN_深度学习之神经网络RNNGAN算法原理实战
多领域图像翻译StarGAN_深度学习之神经网络RNNGAN算法原理实战
文本生成图像Text2Img_深度学习之神经网络RNNGAN算法原理实战
对抗生成网络总结_深度学习之神经网络RNNGAN算法原理实战
DCGAN实战引⼊
数据生成器实现_深度学习之神经网络RNNGAN算法原理实战
DCGAN生成器器实现_深度学习之神经网络RNNGAN算法原理实战
DCGAN判别器实现_深度学习之神经网络RNNGAN算法原理实战
DCGAN计算图构建实现与损失函数实现_深度学习之神经网络RNNGAN算法原理实战
DCGAN训练算子实现_深度学习之神经网络RNNGAN算法原理实战
训练流程实现与效果展示_深度学习之神经网络RNNGAN算法原理实战
自动机器学习网络-AutoML
AutoML引入_深度学习之神经网络RNNGAN算法原理实战
自动网络结构搜索算法一_深度学习之神经网络RNNGAN算法原理实战
自动网络结构搜索算法一的分布式训练_深度学习之神经网络RNNGAN算法原理实战
自动网络结构搜索算法二_深度学习之神经网络RNNGAN算法原理实战
自动网络结构搜索算法三_深度学习之神经网络RNNGAN算法原理实战
深度学习+TensorFlow(上)
Unit-1
初见TensorFlow2.0
开发环境准备
回归问题
回归问题实战
手写数字问题
Unit-2
手写数字识别初体验
数据类型
创建Tensor
索引与切片
维度变换
Unit-3
Broadcasting
数学运算
前向传播(张量)-实战
合并与分割
数据统计
Unit-4
张量排序
填充与复制
数据限幅
高阶OP
数据加载
Unit-5
测试(张量)-实战
全连接层
输出方式
误差计算
l梯度计算
深度学习+TensorFlow(下)
Unit-6
优化方法
书写数字问题(层)-实战
可视化
Keras高层API
Keras模型保存与加载
Unit-7
CIFAR与VGG实战
卷积神经网络
池化与采样
Unit-8
CIFAR与VGG实战
经典卷积网络
ResNet
Unit-9
循环神经网络
RNN实战
AutoEncoders
Unit-10
VAE实战
GAN
WGAN实战
大模型
llama3模型应用实战
环境相关配置解读
工具调用流程拆解
功能调用方法实例
RAG环境配置搭建
LLAMA3应用-RAG搭建方法
RAG基本流程分析
transformer实战
对图像数据构建patch序列
VIT整体架构解读
CNN遇到的问题与窘境
计算公式解读
位置编码与TNT模型
TNT模型细节分析
项目配置说明1
输入序列构建方法解读
注意力机制计算
输出层计算结果
0 条评论
下一页