跳至主要內容
TAI
Java初级
Java中级
Java高级
BigData大数据
AI人工智能
资源导航
精品文章
工具下载
面试实录
项目资源
增值服务
关于
就业学员
班级印记
大学院校
职企名录
免责声明
AI人工智能
TAI
机器学习
神经网络
深度学习
约 26 字
小于 1 分钟
目录
#
#
第 10 章 K-Means（K-均值）聚类算法
#
第 11 章 使用 Apriori 算法进行关联分析
#
第12章 使用FP-growth算法来高效发现频繁项集
#
第13章 利用 PCA 来简化数据
#
第14章 利用SVD简化数据
#
第15章 大数据与MapReduce
#
第16章 推荐系统
#
第1章 机器学习基础
#
第2章 k-近邻算法
#
第3章 决策树
#
第4章 基于概率论的分类方法: 朴素贝叶斯
#
第5章 Logistic回归
#
第6章 支持向量机
#
第7章 集成方法 ensemble method
#
第8章 预测数值型数据: 回归
#
第9章 树回归
#
SVM
#
莫烦 PyTorch 系列教程
#
#
1.1 – Why PyTorch?
#
1.2 – 安装 PyTorch
#
2.1 – Torch vs Numpy
#
2.2 – 变量 (Variable)
#
2.3 – 激励函数 (Activation)
#
3.1 – 关系拟合 (回归 Regression)
#
3.2 – 区分类型 (分类 Classification)
#
3.3 – 快速搭建回归神经网络
#
3.4 – 保存和恢复模型
#
3.5 – 数据读取 (Data Loader)
#
3.6 – 优化器 (Optimizer)
#
4.1 – CNN 卷积神经网络
#
4.2 – RNN 循环神经网络 (分类 Classification)
#
4.3 – RNN 循环神经网络 (回归 Regression)
#
4.4 – AutoEncoder (自编码/非监督学习)
#
4.5 – DQN 强化学习 (Reinforcement Learning)
#
4.6 – GAN (Generative Adversarial Nets 生成对抗网络)
#
5.1 – 为什么 Torch 是动态的
#
5.2 – GPU 加速运算
#
5.3 – Dropout 防止过拟合
#
5.4 – Batch Normalization 批标准化
#
高级神经网络结构
#
高阶内容
#
建造第一个神经网络
#
PyTorch 简介
#
PyTorch 神经网络基础
#
Misc
#
#
反向传递
#
基础知识
#
线性回归和逻辑回归的 MLE 视角
#
AI常用函数说明
#
CNN原理
#
LSTM原理
#
RNN原理
#
MIT 18.06 线性代数笔记
#
#
第八讲：求解$Ax=b$：可解性和解的结构
#
第二讲：矩阵消元
#
第二十八讲：正定矩阵和最小值
#
第二十二讲：对角化和$A$的幂
#
第二十讲：克拉默法则、逆矩阵、体积
#
第二十九讲：相似矩阵和若尔当形
#
第二十六讲：对称矩阵及正定性
#
第二十七讲：复数矩阵和快速傅里叶变换
#
第二十三讲：微分方程和$e^{At}$
#
第二十四讲：马尔科夫矩阵、傅里叶级数
#
第二十五讲：复习二
#
第二十一讲：特征值和特征向量
#
第九讲：线性相关性、基、维数
#
第六讲：列空间和零空间
#
第七讲：求解$Ax=0$，主变量，特解
#
第三讲：乘法和逆矩阵
#
第三十二讲：基变换和图像压缩
#
第三十讲：奇异值分解
#
第三十三讲：单元检测3复习
#
第三十四讲：左右逆和伪逆
#
第三十五讲：期末复习
#
第三十一讲：线性变换及对应矩阵
#
第十八讲：行列式及其性质
#
第十二讲：图和网络
#
第十讲 四个基本子空间
#
第十九讲：行列式公式和代数余子式
#
第十六讲：投影矩阵和最小二乘
#
第十七讲：正交矩阵和Gram-Schmidt正交化法
#
第十三讲：复习一
#
第十四讲：正交向量与子空间
#
第十五讲：子空间投影
#
第十一讲：矩阵空间、秩1矩阵和小世界图
#
第四讲：$A$ 的 $LU$ 分解
#
第五讲：转换、置换、向量空间R
#
第一讲：方程组的几何解释
#
Python 自然语言处理 第二版
#
#
1 语言处理与 Python
#
10 分析句子的意思
#
11 语言学数据管理
#
2 获得文本语料和词汇资源
#
3 处理原始文本
#
4 编写结构化程序
#
5 分类和标注词汇
#
6 学习分类文本
#
7 从文本提取信息
#
8 分析句子结构
#
9 构建基于特征的语法
#
后记：语言的挑战
#
前言
#
索引
#
Python01
#
不可变集合
#
函数
#
集合
#
可变和不可变类型
#
列表
#
列表推导式
#
列表与元组的速度比较
#
模块和包
#
判断语句
#
使用 Anaconda
#
数字
#
索引和分片
#
文件读写
#
循环
#
异常
#
元组
#
字典
#
字符串
#
Ipython 解释器
#
Matplotlib 基础
#
Numpy 简介
#
Python 赋值机制
#
Python 简介
#
Python 入门演示
#
Python02
#
插值
#
从 Matlab 到 Numpy
#
对角线
#
二元运算
#
概率统计方法
#
积分
#
记录数组
#
结构化数组
#
解微分方程
#
矩阵
#
内存映射
#
曲线拟合
#
生成数组的函数
#
数组读写
#
数组方法
#
数组广播机制
#
数组类型
#
数组排序
#
数组属性方法总结
#
数组形状
#
数组与字符串的转换
#
稀疏矩阵
#
向量化函数
#
一般函数
#
最小化函数
#
choose 函数实现条件筛选
#
Numpy 数组及其索引
#
SCIentific PYthon 简介
#
ufunc 对象
#
Python03
#
标签
#
不要迷信默认设置
#
处理文本（基础）
#
处理文本（数学表达式）
#
迭代器
#
动态编译
#
对象关系映射
#
各种绘图实例
#
函数进阶：参数传递，高阶函数，lambda 匿名函数，global 变量，递归
#
生成器
#
使用 style 来配置 pyplot 风格
#
图像基础
#
稀疏矩阵的线性代数
#
线性代数
#
修饰符
#
修饰符的使用
#
与操作系统进行交互：os 模块
#
正则表达式和 re 模块
#
注释
#
作用域
#
CSV 文件和 csv 模块
#
datetime 模块
#
figures, subplots, axes 和 ticks 对象
#
operator, functools, itertools, toolz, fn, funcy 模块
#
Pyplot 教程
#
SQL 数据库
#
sys 模块简介
#
with 语句和上下文管理器
#
Python04
#
定义 class
#
多重继承
#
继承
#
简介
#
接口
#
森林火灾模拟
#
什么是对象？
#
使用 OOP 对森林火灾建模
#
属性
#
特殊方法
#
重定义森林火灾模拟
#
ctypes
#
Cython：class 和 cdef class，使用 C++
#
Cython：Cython 基础，将源代码转换成扩展模块
#
Cython：Cython 语法，调用其他C库
#
Cython：Typed memoryviews
#
Python 扩展模块
#
super() 函数
#
Theano 符号图结构
#
Theano 基础
#
Theano 简介及其安装
#
Theano 配置和编译模式
#
Theano 条件语句
#
Theano 在 Windows 上的配置
#
Python05
#
二维数据结构：DataFrame
#
金庸的武侠世界
#
十分钟上手 Pandas
#
使用 basemap 画地图
#
使用 cartopy 画地图
#
探索 NBA 数据
#
一维数据结构：Series
#
collections 模块：更多数据结构
#
glob 模块：文件模式匹配
#
gzip, zipfile, tarfile 模块：处理压缩文件
#
json 模块：处理 JSON 数据
#
logging 模块：记录日志
#
pickle, cPickle 模块：序列化 Python 对象
#
requests 模块：HTTP for Human
#
shutil 模块：高级文件操作
#
string 模块：字符串处理
#
Theano 实例：更复杂的网络
#
Theano 实例：卷积神经网络
#
Theano 实例：人工神经网络
#
Theano 实例：线性回归
#
Theano 实例：Logistic 回归
#
Theano 实例：Softmax 回归
#
Theano 随机数流变量
#
Theano 循环：scan（详解）
#
Theano tensor 模块：操作符和逐元素操作
#
Theano tensor 模块：基础
#
Theano tensor 模块：索引
#
Theano tensor 模块：conv 子模块
#
Theano tensor 模块：nnet 子模块
#
TensorFlow 机器学习实用指南第二版
#
#
八、使用自编码器和 GAN 做表征学习和生成式学习
#
二、训练深度神经网络
#
九、强化学习
#
六、使用 RNN 和 CNN 处理序列
#
七、使用 RNN 和注意力机制进行自然语言处理
#
三、使用 TensorFlow 自定义模型并训练
#
十、规模化训练和部署 TensorFlow 模型
#
四、使用 TensorFlow 加载和预处理数据
#
五、使用卷积神经网络实现深度计算机视觉
#
一、使用 Keras 搭建人工神经网络
