BZ-人工智能訓練營資源簡介

課程目錄

├──人工智能5天入門訓練營

| └──視頻

| | ├──01_人工智能就業前景與薪資.mp4 49.38M

| | ├──02_人工智能適合人群與必備技能.mkv 47.37M

| | ├──03_人工智能時代是發展的必然.mp4 25.61M

| | ├──04_人工智能在各領域的應用.mp4 61.77M

| | ├──05_人工智能常見流程.mkv 83.88M

| | ├──06_機器學習不同的學習方式.mkv 72.54M

| | ├──07_深度學習比傳統機器學習有優勢.mkv 75.32M

| | ├──08_有監督機器學習任務與本質.mp4 37.24M

| | ├──09_無監督機器學習任務與本質.mp4 48.91M

| | ├──10_理解簡單線性回歸.mp4 27.98M

| | ├──11_最優解_損失函數_MSE.mp4 34.83M

| | ├──12_擴展到多元線性回歸.mp4 26.65M

| | ├──13_理解多元線性回歸表達式幾種寫法的原因.mp4 37.58M

| | ├──14_理解維度這個概念.mp4 37.11M

| | ├──15_理解回歸一詞_中心極限定理_正太分布和做預測.mp4 61.53M

| | ├──16_假設誤差服從正太分布_最大似然估計MLE.mp4 42.35M

| | ├──17_引入正太分布的概率密度函數.mp4 26.36M

| | ├──18_明確目標通過最大總似然求解θ.mp4 25.88M

| | ├──19_對數似然函數_推導出損失函數MSE.mp4 39.75M

| | ├──20_把目標函數按照線性代數的方式去表達.mp4 22.09M

| | ├──21_推導出目標函數的導函數形式.mp4 39.83M

| | ├──22_θ解析解的公式_是否要考慮損失函數是凸函數.mp4 58.01M

| | ├──23_Python開發環境版本的選擇及下載.mp4 46.00M

| | ├──24_Anaconda環境安裝_Pycharm環境安裝.mp4 64.55M

| | ├──25_Pycharm創建腳本并測試python開發環境.mp4 26.27M

| | ├──26_解析解的方式求解多元線性回歸_數據Xy.mp4 30.66M

| | ├──27_解析解的方式求解多元線性回歸_求解模型_使用模型_繪制圖形.mp4 39.16M

| | ├──28_解析解的方式求解多元線性回歸_擴展隨機種子概念_增加維度代碼的變換.mp4 30.05M

| | ├──29_Scikit-learn模塊的介紹.mp4 29.99M

| | ├──30_調用Scikit-learn中的多元線性回歸求解模型(上).mp4 24.35M

| | ├──31_調用Scikit-learn中的多元線性回歸求解模型(下).mp4 34.52M

| | ├──32_梯度下降法產生的目的和原因以及思想.mp4 53.73M

| | ├──33_梯度下降法公式.mp4 50.85M

| | ├──34_學習率設置的學問_全局最優解.mp4 47.99M

| | ├──35_梯度下降法迭代流程總結.mp4 24.60M

| | ├──36_多元線性回歸下的梯度下降法.mp4 38.45M

| | ├──37_全量梯度下降.mp4 59.04M

| | ├──38_隨機梯度下降_小批量梯度下降.mp4 43.98M

| | ├──39_對應梯度下降法的問題和挑戰.mp4 42.22M

| | ├──40_輪次和批次.mp4 50.90M

| | ├──41_代碼實現全量梯度下降第1步和第2步.mp4 20.15M

| | ├──42_代碼實現全量梯度下降第3步和第4步.mp4 26.11M

| | ├──43_代碼實現隨機梯度下降.mp4 21.62M

| | ├──44_代碼實現小批量梯度下降.mp4 22.83M

| | ├──45_代碼改進保證訓練數據全都能被隨機取到.mp4 23.94M

| | └──46_代碼改進實現隨著迭代增加動態調整學習率.mp4 34.35M

├──人工智能之快速入門與線性回歸

| └──視頻

| | ├──01_五天實訓的內容_人工智能應用.mp4 181.00M

| | ├──02_AI的流程_ML和DL關系_回歸、分類、聚類、降維的本質.mp4 164.27M

| | ├──03_線性回歸的表達式_損失函數MSE.mp4 127.19M

| | ├──04_推導出多元線性回歸的損失函數.mp4 203.15M

| | ├──05_從MSE到θ的解析解形式.mp4 83.50M

| | ├──06_安裝Anaconda和PyCharm運行和開發軟件.mp4 70.53M

| | ├──07_python代碼實現多元線性回歸解析解的求解方法.mp4 77.19M

| | ├──08_梯度下降法的步驟_公式.mp4 119.11M

| | └──09_根據損失函數MSE推導梯度的公式.mp4 70.57M

├──人工智能之人臉識別與目標檢測、語義分割

| └──視頻

| | ├──01_作業的講解_知識的回顧.mp4 65.84M

| | ├──02_人臉識別的架構流程分析.mp4 120.48M

| | ├──03_FaceNet論文_架構_三元組損失.mp4 258.24M

| | ├──04_MTCNN論文_架構_損失函數.mp4 130.11M

| | ├──05_facenet-master項目的下載和導入.mp4 76.42M

| | ├──06_人臉識別項目代碼_實操作業要求.mp4 372.07M

| | ├──07_FasterRCNN目標檢測口罩項目展示_圖片標注工具labelimg的使用.mp4 178.23M

| | ├──08_FasterRCNN論文_架構_思想.mp4 353.63M

| | └──09_MaskRCNN的架構_思想_蒙版彈幕項目效果.mp4 163.40M

├──人工智能之神經網絡與TensorFlow

| └──視頻

| | ├──01_作業講解_回顧昨日知識.mp4 88.83M

| | ├──02_打雞血_聊一下圖像算法工程師就業薪資水平.mp4 154.82M

| | ├──03_NN神經元_常用的3種激活函數_NN理解LR做多分類.mp4 103.06M

| | ├──04_講解Softmax回歸算法.mp4 111.03M

| | ├──05_多層神經網絡的好處_隱藏層的激活函數必須是非線性的原因.mp4 90.54M

| | ├──06_TensorFlow對于CPU版本的安裝.mp4 62.85M

| | ├──07_TensorFlow對于GPU版本的安裝.mp4 109.37M

| | ├──08_TensorFlow實現多元線性回歸預測房價.mp4 198.36M

| | └──09_TensorFlow實現Softmax回歸分類MNIST手寫數字識別.mp4 123.55M

├──人工智能之圖像識別與圖像分割

| └──視頻

| | ├──01_TensorFlow實現DNN分類MNIST手寫數字識別.mp4 223.46M

| | ├──02_卷積神經網絡卷積層_卷積的計算.mp4 112.61M

| | ├──03_池化的計算_SAME和VALID模式_經典CNN結構.mp4 78.50M

| | ├──04_TensorFlow實訓CNN分類MNIST手寫數字識別.mp4 179.12M

| | ├──05_VGG16網絡模型_數據增強_COVID19醫療圖片的識別.mp4 224.21M

| | ├──06_U-Net網絡模型_細胞核數據的讀取.mp4 206.51M

| | └──07_U-Net網絡進行細胞核切分的訓練代碼.mp4 97.14M

└──人工智能之線性回歸優化與邏輯回歸

| └──視頻

| | ├──01_利用GD來求解多元線性回歸的最優解.mp4 106.63M

| | ├──02_歸一化.mp4 219.45M

| | ├──03_正則化.mp4 137.35M

| | ├──04_ScikitLearn介紹_嶺回歸的本質_Lasso回歸的本質.mp4 104.90M

| | ├──05_多項式回歸_保險花銷預測案例.mp4 250.14M

| | ├──06_基于保險案例進行更多的數據的EDA.mp4 80.69M

| | ├──07_邏輯回歸表達式的推導_邏輯回歸損失函數的推導.mp4 116.54M

| | └──08_邏輯回歸代碼實戰Iris二分類和多分類任務.mp4 92.65M