BZ-人工智能訓(xùn)練營(yíng)資源簡(jiǎn)介

課程目錄

├──人工智能5天入門訓(xùn)練營(yíng)

| └──視頻

| | ├──01_人工智能就業(yè)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(shí)代是發(fā)展的必然.mp4 25.61M

| | ├──04_人工智能在各領(lǐng)域的應(yīng)用.mp4 61.77M

| | ├──05_人工智能常見流程.mkv 83.88M

| | ├──06_機(jī)器學(xué)習(xí)不同的學(xué)習(xí)方式.mkv 72.54M

| | ├──07_深度學(xué)習(xí)比傳統(tǒng)機(jī)器學(xué)習(xí)有優(yōu)勢(shì).mkv 75.32M

| | ├──08_有監(jiān)督機(jī)器學(xué)習(xí)任務(wù)與本質(zhì).mp4 37.24M

| | ├──09_無監(jiān)督機(jī)器學(xué)習(xí)任務(wù)與本質(zhì).mp4 48.91M

| | ├──10_理解簡(jiǎn)單線性回歸.mp4 27.98M

| | ├──11_最優(yōu)解_損失函數(shù)_MSE.mp4 34.83M

| | ├──12_擴(kuò)展到多元線性回歸.mp4 26.65M

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

| | ├──14_理解維度這個(gè)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(yù)測(cè).mp4 61.53M

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

| | ├──17_引入正太分布的概率密度函數(shù).mp4 26.36M

| | ├──18_明確目標(biāo)通過最大總似然求解θ.mp4 25.88M

| | ├──19_對(duì)數(shù)似然函數(shù)_推導(dǎo)出損失函數(shù)MSE.mp4 39.75M

| | ├──20_把目標(biāo)函數(shù)按照線性代數(shù)的方式去表達(dá).mp4 22.09M

| | ├──21_推導(dǎo)出目標(biāo)函數(shù)的導(dǎo)函數(shù)形式.mp4 39.83M

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

| | ├──23_Python開發(fā)環(huán)境版本的選擇及下載.mp4 46.00M

| | ├──24_Anaconda環(huán)境安裝_Pycharm環(huán)境安裝.mp4 64.55M

| | ├──25_Pycharm創(chuàng)建腳本并測(cè)試python開發(fā)環(huán)境.mp4 26.27M

| | ├──26_解析解的方式求解多元線性回歸_數(shù)據(jù)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(kuò)展隨機(jī)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(diào)用Scikit-learn中的多元線性回歸求解模型(上).mp4 24.35M

| | ├──31_調(diào)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(chǎn)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(xué)習(xí)率設(shè)置的學(xué)問_全局最優(yōu)解.mp4 47.99M

| | ├──35_梯度下降法迭代流程總結(jié).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(jī)梯度下降_小批量梯度下降.mp4 43.98M

| | ├──39_對(duì)應(yīng)梯度下降法的問題和挑戰(zhàn).mp4 42.22M

| | ├──40_輪次和批次.mp4 50.90M

| | ├──41_代碼實(shí)現(xiàn)全量梯度下降第1步和第2步.mp4 20.15M

| | ├──42_代碼實(shí)現(xiàn)全量梯度下降第3步和第4步.mp4 26.11M

| | ├──43_代碼實(shí)現(xiàn)隨機(jī)梯度下降.mp4 21.62M

| | ├──44_代碼實(shí)現(xiàn)小批量梯度下降.mp4 22.83M

| | ├──45_代碼改進(jìn)保證訓(xùn)練數(shù)據(jù)全都能被隨機(jī)取到.mp4 23.94M

| | └──46_代碼改進(jìn)實(shí)現(xiàn)隨著迭代增加動(dòng)態(tài)調(diào)整學(xué)習(xí)率.mp4 34.35M

├──人工智能之快速入門與線性回歸

| └──視頻

| | ├──01_五天實(shí)訓(xùn)的內(nèi)容_人工智能應(yīng)用.mp4 181.00M

| | ├──02_AI的流程_ML和DL關(guān)系_回歸、分類、聚類、降維的本質(zhì).mp4 164.27M

| | ├──03_線性回歸的表達(dá)式_損失函數(shù)MSE.mp4 127.19M

| | ├──04_推導(dǎo)出多元線性回歸的損失函數(shù).mp4 203.15M

| | ├──05_從MSE到θ的解析解形式.mp4 83.50M

| | ├──06_安裝Anaconda和PyCharm運(yùn)行和開發(fā)軟件.mp4 70.53M

| | ├──07_python代碼實(shí)現(xiàn)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(jù)損失函數(shù)MSE推導(dǎo)梯度的公式.mp4 70.57M

├──人工智能之人臉識(shí)別與目標(biāo)檢測(cè)、語(yǔ)義分割

| └──視頻

| | ├──01_作業(yè)的講解_知識(shí)的回顧.mp4 65.84M

| | ├──02_人臉識(shí)別的架構(gòu)流程分析.mp4 120.48M

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

| | ├──04_MTCNN論文_架構(gòu)_損失函數(shù).mp4 130.11M

| | ├──05_facenet-master項(xiàng)目的下載和導(dǎo)入.mp4 76.42M

| | ├──06_人臉識(shí)別項(xiàng)目代碼_實(shí)操作業(yè)要求.mp4 372.07M

| | ├──07_FasterRCNN目標(biāo)檢測(cè)口罩項(xiàng)目展示_圖片標(biāo)注工具labelimg的使用.mp4 178.23M

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

| | └──09_MaskRCNN的架構(gòu)_思想_蒙版彈幕項(xiàng)目效果.mp4 163.40M

├──人工智能之神經(jīng)網(wǎng)絡(luò)與TensorFlow

| └──視頻

| | ├──01_作業(yè)講解_回顧昨日知識(shí).mp4 88.83M

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

| | ├──03_NN神經(jīng)元_常用的3種激活函數(shù)_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(jīng)網(wǎng)絡(luò)的好處_隱藏層的激活函數(shù)必須是非線性的原因.mp4 90.54M

| | ├──06_TensorFlow對(duì)于CPU版本的安裝.mp4 62.85M

| | ├──07_TensorFlow對(duì)于GPU版本的安裝.mp4 109.37M

| | ├──08_TensorFlow實(shí)現(xiàn)多元線性回歸預(yù)測(cè)房?jī)r(jià).mp4 198.36M

| | └──09_TensorFlow實(shí)現(xiàn)Softmax回歸分類MNIST手寫數(shù)字識(shí)別.mp4 123.55M

├──人工智能之圖像識(shí)別與圖像分割

| └──視頻

| | ├──01_TensorFlow實(shí)現(xiàn)DNN分類MNIST手寫數(shù)字識(shí)別.mp4 223.46M

| | ├──02_卷積神經(jīng)網(wǎng)絡(luò)卷積層_卷積的計(jì)算.mp4 112.61M

| | ├──03_池化的計(jì)算_SAME和VALID模式_經(jīng)典CNN結(jié)構(gòu).mp4 78.50M

| | ├──04_TensorFlow實(shí)訓(xùn)CNN分類MNIST手寫數(shù)字識(shí)別.mp4 179.12M

| | ├──05_VGG16網(wǎng)絡(luò)模型_數(shù)據(jù)增強(qiáng)_COVID19醫(yī)療圖片的識(shí)別.mp4 224.21M

| | ├──06_U-Net網(wǎng)絡(luò)模型_細(xì)胞核數(shù)據(jù)的讀取.mp4 206.51M

| | └──07_U-Net網(wǎng)絡(luò)進(jìn)行細(xì)胞核切分的訓(xùn)練代碼.mp4 97.14M

└──人工智能之線性回歸優(yōu)化與邏輯回歸

| └──視頻

| | ├──01_利用GD來求解多元線性回歸的最優(yōu)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(zhì)_Lasso回歸的本質(zhì).mp4 104.90M

| | ├──05_多項(xiàng)式回歸_保險(xiǎn)花銷預(yù)測(cè)案例.mp4 250.14M

| | ├──06_基于保險(xiǎn)案例進(jìn)行更多的數(shù)據(jù)的EDA.mp4 80.69M

| | ├──07_邏輯回歸表達(dá)式的推導(dǎo)_邏輯回歸損失函數(shù)的推導(dǎo).mp4 116.54M

| | └──08_邏輯回歸代碼實(shí)戰(zhàn)Iris二分類和多分類任務(wù).mp4 92.65M