梗直哥3套课程合集
├──  梗直哥-【机器学习必修课：经典算法与Python实战】
│   ├──  01-1课程内容和理念.mp4
│   ├──  01-2初识机器学习.mp4
│   ├──  01-3课程使用的技术栈.mp4
│   ├──  02-1本章总览.mp4
│   ├──  02-2数据长什么样：常见数据集、典型实例、如何使用.mp4
│   ├──  02-3研究哪些问题：分类、回归等.mp4
│   ├──  02-4如何分门别类：监督、无监督、强化学习等.mp4
│   ├──  02-5机器学习的七大常见误区和局限.mp4
│   ├──  03-1本章总览：相互关系与学习路线.mp4
│   ├──  03-2Anaconda图形化操作.mp4
│   ├──  03-3Anaconda命令行操作.mp4
│   ├──  03-4JupyterNotebook基础使用.mp4
│   ├──  03-5JupyterNotebook高级使用：常用魔法命令.mp4
│   ├──  03-6Numpy基础：安装与性能对比.mp4
│   ├──  03-7Numpy数组创建：特定数组、等差数组、随机数组.mp4
│   ├──  03-8Numpy数组基础索引：索引和切片.mp4
│   ├──  03-9Numpy非常重要的数组合并与拆分操作.mp4
│   ├──  03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
│   ├──  03-11Numpy数组统计运算：常用的都在这儿了.mp4
│   ├──  03-12Numpy数组arg运算和排序.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
│   ├──  04-1本章总览.mp4
│   ├──  04-2KNN算法核心思想和原理.mp4
│   ├──  04-3KNN分类任务代码实现.mp4
│   ├──  04-4数据集划分：训练集与预测集.mp4
│   ├──  04-5模型评价.mp4
│   ├──  04-6超参数.mp4
│   ├──  04-7特征归一化.mp4
│   ├──  04-8KNN回归任务代码实现.mp4
│   ├──  04-9KNN优缺点和适用条件.mp4
│   ├──  05-1本章总览.mp4
│   ├──  05-2线性回归核心思想和原理.mp4
│   ├──  05-3逻辑回归核心思想和原理.mp4
│   ├──  05-4线性回归代码实现.mp4
│   ├──  05-5模型评价：MSE、RMSE、MAE和R方.mp4
│   ├──  05-6多项式回归代码实现.mp4
│   ├──  05-7逻辑回归算法.mp4
│   ├──  05-8线性逻辑回归代码实现.mp4
│   ├──  05-9多分类策略.mp4
│   ├──  05-10复杂逻辑回归及代码实现.mp4
│   ├──  05-11线性算法优缺点和适用条件.mp4
│   ├──  06-1本章总览.mp4
│   ├──  06-2损失函数.mp4
│   ├──  06-3梯度下降.mp4
│   ├──  06-4决策边界.mp4
│   ├──  06-5过拟合与欠拟合.mp4
│   ├──  06-6学习曲线.mp4
│   ├──  06-7交叉验证.mp4
│   ├──  06-8模型误差.mp4
│   ├──  06-9正则化.mp4
│   ├──  06-10LASSO和岭回归代码实现.mp4
│   ├──  06-11模型泛化.mp4
│   ├──  06-12评价指标：混淆矩阵、精准率和召回率.mp4
│   ├──  06-13评价指标：ROC曲线.mp4
│   ├──  07-1本章总览.mp4
│   ├──  07-2决策树核心思想和原理.mp4
│   ├──  07-3信息熵.mp4

... 省略 165 行 ...

    ├──  041.7-3 卷积层.mp4
    ├──  042.7-4 卷积层常见操作.mp4
    ├──  043.7-5 池化层Pooling.mp4
    ├──  044.7-6 卷积神经网络代码实现（LeNet）.mp4
    ├──  045.8-1 AlexNet.mp4
    ├──  046.8-2 VGGNet.mp4
    ├──  047.8-3 批量规范化.mp4
    ├──  048.8-4 GoogLeNet  .mp4
    ├──  049.8-5 ResNet.mp4
    ├──  050.8-6 DenseNet.mp4
    ├──  051.9-1 序列建模.mp4
    ├──  052.9-2 文本数据预处理.mp4
    ├──  053.9-3 循环神经网络.mp4
    ├──  054.9-4 随时间反向传播算法.mp4
    ├──  055.9-5 循环神经网络代码实现.mp4
    ├──  056.9-6 RNN的长期依赖问题.mp4
    ├──  057.10-1 深度循环神经网络.mp4
    ├──  058.10-2 双向循环神经网络.mp4
    ├──  059.10-3 门控循环单元.mp4
    ├──  060.10-4 长短期记忆网络.mp4
    ├──  061.10-5 复杂循环神经网络代码实现.mp4
    ├──  062.10-6 编码器-解码器网络.mp4
    ├──  063.10-7 序列到序列模型代码实现.mp4
    ├──  064.10-8 束搜索算法.mp4
    ├──  065.10-9 机器翻译简单代码实现.mp4
    ├──  066.11-1 什么是注意力机制.mp4
    ├──  067.11-2 注意力的计算.mp4
    ├──  068.11-3 键值对注意力和多头注意力.mp4
    ├──  069.11-4 自注意力机制.mp4
    ├──  070.11-5 注意力池化及代码实现.mp4
    ├──  071.11-6 Transformer模型.mp4
    ├──  072.11-7 Transformer代码实现.mp4
    ├──  073.12-1BERT模型.mp4
    ├──  074.12-2 GPT系列模型.mp4
    ├──  075.12-3 T5模型.mp4
    ├──  076.12-4 ViT模型.mp4
    ├──  077.12-5 Swin Transformer模型  .mp4
    ├──  078.12-6 GPT模型代码实现.mp4
    ├──  079.13-1 蒙特卡洛方法.mp4
    ├──  080.13-2 变分推断.mp4
    ├──  081.13-3 变分自编码器.mp4
    ├──  082.13-4 生成对抗网络.mp4
    ├──  083.13-5 Diffusion扩散模型.mp4
    ├──  084.13-6 图像生成.mp4
    ├──  085.14-1 自定义数据加载.mp4
    ├──  086.14-2 图像数据增强.mp4
    ├──  087.14-3 迁移学习.mp4
    ├──  088.14-4 经典视觉数据集.mp4
    ├──  089.14-5 项目实战：猫狗大战.mp4
    ├──  090.15-1 词嵌入和word2vec.mp4
    ├──  091.15-2 词义搜索和句意表示.mp4
    ├──  092.15-3 预训练模型.mp4
    ├──  093.15-4 Hugging Face库介绍.mp4
    ├──  094.15-5 经典NLP数据集.mp4
    ├──  095.15-6 项目实战：电影评论情感分析.mp4
    ├──  096.16-1 InstructGPT模型.mp4
    ├──  097.16-2 CLIP模型.mp4
    ├──  098.16-3 DALL-E模型.mp4
    ├──  099.16-4 深度学习最新发展趋势分析.mp4
    └──  100.16-5 下一步学习的建议.mp4