梗直哥3套课程合集【 深度学习必修课-进击算法工程师/机器+强化学习课】

星***

梗直哥3套课程合集
　 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】
　 梗直哥–强化学习必修课：引领智能新时代
　　 023.5-5 Dropout.mp4
　　 097.16-2 CLIP模型.mp4
　　 094.15-5 经典NLP数据集.mp4
　　 015.4-5 回归问题.mp4
　　 084.13-6 图像生成.mp4
　　 092.15-3 预训练模型.mp4
　　 080.13-2 变分推断.mp4
　　 091.15-2 词义搜索和句意表示.mp4
　　 085.14-1 自定义数据加载.mp4
　　 066.11-1 什么是注意力机制.mp4
　　 086.14-2 图像数据增强.mp4
　　 096.16-1 InstructGPT模型.mp4
　　 071.11-6 Transformer模型.mp4
　　 076.12-4 ViT模型.mp4
　　 067.11-2 注意力的计算.mp4
　　 083.13-5 Diffusion扩散模型.mp4
　　 089.14-5 项目实战：猫狗大战.mp4
　　 078.12-6 GPT模型代码实现.mp4
　　 093.15-4 Hugging Face库介绍.mp4
　　 072.11-7 Transformer代码实现.mp4
　　 026.5-8 模型文件的读写.mp4
　　 029.6-3 损失函数性质.mp4
　　 073.12-1BERT模型.mp4
　　 090.15-1 词嵌入和word2vec.mp4
　　 082.13-4 生成对抗网络.mp4
　　 074.12-2 GPT系列模型.mp4
　　 087.14-3 迁移学习.mp4
　　 095.15-6 项目实战：电影评论情感分析.mp4
　　 075.12-3 T5模型.mp4
　　 022.5-4 正则化.mp4
　　 081.13-3 变分自编码器.mp4
　　 069.11-4 自注意力机制.mp4
　　 057.10-1 深度循环神经网络.mp4
　　 077.12-5 Swin Transformer模型.mp4
　　 040.7-2 图像卷积.mp4
　　 064.10-8 束搜索算法.mp4
　　 041.7-3 卷积层.mp4
　　 079.13-1 蒙特卡洛方法.mp4
　　 036.6-10 Adam算法.mp4
　　 068.11-3 键值对注意力和多头注意力.mp4
　　 039.7-1 全连接层问题.mp4
　　 049.8-5 ResNet.mp4
　　 060.10-4 长短期记忆网络.mp4
　　 056.9-6 RNN的长期依赖问题.mp4
　　 046.8-2 VGGNet.mp4
　　 065.10-9 机器翻译简单代码实现.mp4
　　 051.9-1 序列建模.mp4
　　 054.9-4 随时间反向传播算法.mp4
　　 045.8-1 AlexNet.mp4
　　 043.7-5 池化层Pooling.mp4
　　 044.7-6 卷积神经网络代码实现（LeNet）.mp4
　　 058.10-2 双向循环神经网络.mp4
　　 063.10-7 序列到序列模型代码实现.mp4
　　 062.10-6 编码器-解码器网络.mp4
　　 059.10-3 门控循环单元.mp4
　　 052.9-2 文本数据预处理.mp4
　　 038.6-12 学习率调节器.mp4
　　 035.6-9 RMSProp_Adadelta算法.mp4
　　 055.9-5 循环神经网络代码实现.mp4
　　 061.10-5 复杂循环神经网络代码实现.mp4
　　 042.7-4 卷积层常见操作.mp4
　　 047.8-3 批量规范化.mp4
　　 070.11-5 注意力池化及代码实现.mp4
　　 037.6-11 梯度下降代码实现.mp4
　　 050.8-6 DenseNet.mp4
　　 048.8-4 GoogLeNet.mp4
　　 088.14-4 经典视觉数据集.mp4
　　 053.9-3 循环神经网络.mp4
　　 028.6-2 损失函数.mp4
　　 098.16-3 DALL-E模型.mp4
　　 008.3-2 conda实用命令.mp4
　　 013.4-3 前向传播和反向传播.mp4
　　 007.3-1 CUDA+Anaconda深度学习环境搭建.mp4
　　 021.5-3 过拟合和欠拟合示例.mp4
　　 006.2-3 概率.mp4
　　 030.6-4 梯度下降.mp4
　　 002.1-2 初识深度学习.mp4
　　 099.16-4 深度学习最新发展趋势分析.mp4
　　 025.5-7 梯度消失和梯度爆炸.mp4
　　 014.4-4 多层感知机代码实现.mp4
　　 012.4-2 多层感知机.mp4
　　 019.5-1 训练的常见问题.mp4
　　 005.2-2 微积分.mp4
　　 010.3-4 深度学习库PyTorch安装.mp4
　　 027.6-1 最优化与深度学习.mp4
　　 016.4-6 线性回归代码实现.mp4
　　 011.4-1 神经网络原理.mp4
　　 100.16-5 下一步学习的建议.mp4
　　 020.5-2 过拟合欠拟合应对策略.mp4
　　 018.4-8 多分类问题代码实现.mp4
　　 031.6-5 随机梯度下降法.mp4
　　 017.4-7 分类问题.mp4
　　 033.6-7 动量法.mp4
　　 034.6-8 AdaGrad算法.mp4
　　 003.1-3 课程使用的技术栈.mp4
　　 032.6-6 小批量梯度下降法.mp4
　　 001.1-1 课程内容和理念.mp4
　　 009.3-3 Jupyter Notebook快速上手.mp4
　　 004.2-1 线性代数.mp4
　　 024.5-6 Dropout代码实现.mp4
　　 7_4-7-常见问题解析.mp4
　　 1_1-1-课程内容和理念.mp4
　　 4_9-4-深度确定性策略梯度.mp4
　　 3_8-3-策略梯度方法代码实现.mp4
　　 4_11-4-MADDP的代码实现.mp4
　　 6_9-6-软性演员评论家算法.mp4
　　 5_10-5-MBPO的代码实现.mp4
　　 4_8-4-近端策略优化算法.mp4
　　 7_6-7-Q-Learning&SARSA代码实现.mp4
　　 6_4-6-模型分类与选择.mp4
　　 4_4-4-马尔可夫奖励过程：懂得“想”.mp4
　　 5_8-5-近端策略优化（PPO）代码实现.mp4
　　 8_4-8-马尔可夫过程代码实现.mp4
　　 6_11-6-基于人类反馈大强化学习.mp4
　　 3_7-3-常见问题改进和扩展.mp4
　　 6_6-6-SARSA算法.mp4
　　 3_6-3-蒙特卡洛方法和时序差分代码实现.mp4
　　 5_6-5-Q-Learning算法.mp4
　　 4_10-4-基于模型的策略优化.mp4
　　 4_6-4-广义策略迭代.mp4
　　 5_3-5-深度学习库PyTorch的安装.mp4
　　 2_1-2-认识强化学习.mp4
　　 1_11-1模仿学习.mp4
　　 4_7-4-DQN改进算法代码实现.mp4
　　 4_5-4-动态规划代码实现.mp4
　　 7_9-7-SAC代码实现.mp4
　　 5_11-5-AlphaStar系统.mp4
　　 3_9-3-演员评论家算法代码实现.mp4
　　 4_12-4-下一步的学习建议.mp4
　　 1_4-1-序列建模与概率图模型.mp4
　　 3_5-3-价值迭代.mp4
　　 2_8-2-蒙特卡洛策略梯度.mp4
　　 5_9-5-DDPG算法代码实现.mp4
　　 2_9-2-改进型演员评论家算法.mp4
　　 3_4-3-马尔可夫决策过程：试着-“干”.mp4
　　 1_2-1-线性代数.mp4
　　 1_10-1-基于模型的强化学习核心思想和原理.mp4
　　 2_11-2-博弈论与强化学习.mp4
　　 1_3-1-CUDA+Anaconda深度学习环境配置.mp4
　　 1_9-1-演员评论家算法核心思想和原理.mp4
　　 2_10-2-Dyna-Q算法.mp4
　　 3_11-3-多智能体强化学习.mp4
　　 2_3-2-conda使用命令.mp4
　　 1_12-1-项目实战：Gym游戏.mp4
　　 3_1-3-课程使用的技术栈.mp4
　　 1_5-1-动态回归核心思想和原理.mp4
　　 3_2-3-概率.mp4
　　 2_7-2-DQN-代码实现.mp4
　　 2_5-2-策略迭代.mp4
　　 2_4-2-马尔可夫观测过程：学会“看”.mp4
　　 1_6-1-蒙特卡洛方法.mp4
　　 5_4-5-贝尔曼方程：迭代求解价值函数.mp4
　　 4_3-4-仿真环境Gym安装.mp4
　　 3_3-3-Jupyter-Notebook快速上手.mp4
　　 3_10-3-Dyna-Q算法代码实现.mp4
　　 2_2-2-微积分.mp4
　　 3_12-3-强化学习最新发展趋势.mp4
　　 1_7-1-深度Q网络核心思想和原理.mp4
　　 1_8-1-策略梯度核心思想和原理.mp4
　　 2_12-2-项目实战：大模型RLHF.mp4
　　 2_6-2-时序差分方法.mp4
　　 06-2损失函数.mp4
　　 06-6学习曲线.mp4
　　 09-3硬间隔SVM.mp4
　　 05-10复杂逻辑回归及代码实现.mp4
　　 05-2线性回归核心思想和原理.mp4
　　 05-8线性逻辑回归代码实现.mp4
　　 03-12Numpy数组arg运算和排序.mp4
　　 06-13评价指标：ROC曲线.mp4
　　 03-3Anaconda命令行操作.mp4
　　 06-9正则化.mp4
　　 03-1本章总览：相互关系与学习路线.mp4
　　 03-11Numpy数组统计运算：常用的都在这儿了.mp4
　　 03-6Numpy基础：安装与性能对比.mp4
　　 07-2决策树核心思想和原理.mp4
　　 03-9Numpy非常重要的数组合并与拆分操作.mp4
　　 11-1本章总览.mp4
　　 07-1本章总览.mp4
　　 06-5过拟合与欠拟合.mp4
　　 04-5模型评价.mp4
　　 04-3KNN分类任务代码实现.mp4
　　 10-4朴素贝叶斯的代码实现.mp4
　　 09-6非线性SVM：核技巧.mp4
　　 04-1本章总览.mp4
　　 08-3激活函数.mp4
　　 03-4JupyterNotebook基础使用.mp4
　　 09-4SVM软间隔.mp4
　　 10-6贝叶斯方法优缺点和适用条件.mp4
　　 09-8非线性SVM代码实现.mp4
　　 09-10SVM优缺点和适用条件.mp4
　　 07-4决策树分类任务代码实现.mp4
　　 06-12评价指标：混淆矩阵、精准率和召回率.mp4
　　 06-3梯度下降.mp4
　　 03-7Numpy数组创建：特定数组、等差数组、随机数组.mp4
　　 08-1本章总览.mp4
　　 10-1本章总览.mp4
　　 09-7SVM核函数.mp4
　　 05-3逻辑回归核心思想和原理.mp4
　　 07-5基尼系数.mp4
　　 05-5模型评价：MSE、RMSE、MAE和R方.mp4
　　 05-4线性回归代码实现.mp4
　　 09-9SVM回归任务代码实现.mp4
　　 03-8Numpy数组基础索引：索引和切片.mp4
　　 11-3集成学习代码实现.mp4
　　 07-8决策树优缺点和适用条件.mp4
　　 08-8模型选择.mp4
　　 03-2Anaconda图形化操作.mp4
　　 10-5多项式朴素贝叶斯代码实现.mp4
　　 11-5并行策略：随机森林.mp4
　　 10-3朴素贝叶斯分类.mp4
　　 09-2SVM核心思想和原理.mp4
　　 04-7特征归一化.mp4
　　 04-2KNN算法核心思想和原理.mp4
　　 04-6超参数.mp4
　　 03-13Numpy数组神奇索引和布尔索引.mp4
　　 03-14Matplotlib数据可视化：基础绘制与设置.mp4
　　 06-1本章总览.mp4
　　 05-1本章总览.mp4
　　 15-3房价预测.mp4
　　 07-6决策树剪枝.mp4
　　 09-5线性SVM分类任务代码实现.mp4
　　 04-9KNN优缺点和适用条件.mp4
　　 02-1本章总览.mp4
　　 08-4正向传播与反向传播.mp4
　　 06-8模型误差.mp4
　　 13-7PCA在人脸识别中的应用.mp4
　　 05-9多分类策略.mp4
　　 12-1本章总览.mp4
　　 07-3信息熵.mp4
　　 11-4并行策略：Bagging、OOB等方法.mp4
　　 02-4如何分门别类：监督、无监督、强化学习等.mp4
　　 06-4决策边界.mp4
　　 11-7结合策略：Stacking方法.mp4
　　 12-2聚类算法核心思想和原理.mp4
　　 06-10LASSO和岭回归代码实现.mp4
　　 05-11线性算法优缺点和适用条件.mp4
　　 13-4PCA算法代码实现.mp4
　　 08-5梯度下降优化算法.mp4
　　 05-6多项式回归代码实现.mp4
　　 05-7逻辑回归算法.mp4
　　 07-7决策树回归任务代码实现.mp4
　　 08-2神经网络核心思想和原理.mp4
　　 06-11模型泛化.mp4
　　 08-7梯度消失和梯度爆炸.mp4
　　 13-6PCA在数据降噪中的应用.mp4
　　 13-3PCA求解算法.mp4
　　 12-4聚类算法代码实现.mp4
　　 12-3k-means和分层聚类.mp4
　　 12-6聚类算法优缺点和适用条件.mp4
　　 08-6神经网络简单代码实现.mp4
　　 14-1本章总览.mp4
　　 01-2初识机器学习.mp4
　　 01-3课程使用的技术栈.mp4
　　 06-7交叉验证.mp4
　　 15-2泰坦尼克生还预测.mp4
　　 04-4数据集划分：训练集与预测集.mp4
　　 03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
　　 02-5机器学习的七大常见误区和局限.mp4
　　 08-9神经网络优缺点和适用条件.mp4
　　 04-8KNN回归任务代码实现.mp4
　　 10-2贝叶斯方法核心思想和原理.mp4
　　 11-2集成学习核心思想和原理.mp4
　　 15-4交易反欺诈代码实现.mp4
　　 11-6串行策略：Boosting.mp4
　　 15-1本章总览.mp4
　　 13-2PCA核心思想和原理.mp4
　　 14-4隐马尔可夫模型代码实现.mp4
　　 09-1本章总览.mp4
　　 03-5JupyterNotebook高级使用：常用魔法命令.mp4
　　 14-3EM算法参数估计.mp4
　　 14-2概率图模型核心思想和原理.mp4
　　 13-5降维任务代码实现.mp4
　　 02-3研究哪些问题：分类、回归等.mp4
　　 12-5聚类评估代码实现.mp4
　　 01-1课程内容和理念.mp4
　　 02-2数据长什么样：常见数据集、典型实例、如何使用.mp4
　　 13-8主成分分析优缺点和适用条件.mp4
　　 13-1本章总览.mp4
　　 15-5如何深入研究机器学习.mp4
　　 11-8集成学习优缺点和适用条件.mp4
　　 14-5概率图模型优缺点和适用条件.mp4

下载地址:

游客，如果您要查看本帖隐藏内容请回复