10积分
梗直哥3套课程合集...
📢 以下文件由夸克网盘用户于2025-02-17分享（文件数量过多时仅展示部分文件）
梗直哥3套课程合集5.72GB
梗直哥-【机器学习必修课：经典算法与Python实战】2.55GB
01-1课程内容和理念.mp460.86MB01-2初识机器学习.mp436.89MB01-3课程使用的技术栈.mp437.01MB02-1本章总览.mp47.86MB02-2数据长什么样：常见数据集、典型实例、如何使用.mp435.28MB02-3研究哪些问题：分类、回归等.mp439.98MB02-4如何分门别类：监督、无监督、强化学习等.mp429.27MB02-5机器学习的七大常见误区和局限.mp435.12MB03-1本章总览：相互关系与学习路线.mp49.16MB03-2Anaconda图形化操作.mp415.87MB03-3Anaconda命令行操作.mp418.94MB03-4JupyterNotebook基础使用.mp419.82MB03-5JupyterNotebook高级使用：常用魔法命令.mp414.99MB03-6Numpy基础：安装与性能对比.mp415.47MB03-7Numpy数组创建：特定数组、等差数组、随机数组.mp436.91MB03-8Numpy数组基础索引：索引和切片.mp416.82MB03-9Numpy非常重要的数组合并与拆分操作.mp418.71MB03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp432.97MB03-11Numpy数组统计运算：常用的都在这儿了.mp416.03MB03-12Numpy数组arg运算和排序.mp418.39MB03-13Numpy数组神奇索引和布尔索引.mp423.67MB03-14Matplotlib数据可视化：基础绘制与设置.mp422.99MB04-1本章总览.mp412.11MB04-2KNN算法核心思想和原理.mp439.42MB04-3KNN分类任务代码实现.mp432.76MB04-4数据集划分：训练集与预测集.mp431.74MB04-5模型评价.mp433.82MB04-6超参数.mp430.33MB04-7特征归一化.mp427.78MB04-8KNN回归任务代码实现.mp429.45MB04-9KNN优缺点和适用条件.mp420.86MB05-1本章总览.mp414.52MB05-2线性回归核心思想和原理.mp440.35MB05-3逻辑回归核心思想和原理.mp425.37MB05-4线性回归代码实现.mp427.96MB05-5模型评价：MSE、RMSE、MAE和R方.mp429.13MB05-6多项式回归代码实现.mp419.65MB05-7逻辑回归算法.mp421.81MB05-8线性逻辑回归代码实现.mp428.49MB05-9多分类策略.mp48.68MB05-10复杂逻辑回归及代码实现.mp418.03MB05-11线性算法优缺点和适用条件.mp421.56MB06-1本章总览.mp430.55MB06-2损失函数.mp439.35MB06-3梯度下降.mp435.66MB06-4决策边界.mp425.28MB06-5过拟合与欠拟合.mp425.13MB06-6学习曲线.mp426.73MB06-7交叉验证.mp423.9MB06-8模型误差.mp442.8MB06-9正则化.mp445.01MB06-10LASSO和岭回归代码实现.mp423.94MB06-11模型泛化.mp424.56MB06-12评价指标：混淆矩阵、精准率和召回率.mp436.52MB06-13评价指标：ROC曲线.mp433.8MB07-1本章总览.mp414.39MB07-2决策树核心思想和原理.mp422.73MB07-3信息熵.mp439.7MB07-4决策树分类任务代码实现.mp438.72MB07-5基尼系数.mp419.63MB07-6决策树剪枝.mp425.97MB07-7决策树回归任务代码实现.mp412.6MB07-8决策树优缺点和适用条件.mp416.52MB08-1本章总览.mp426.78MB08-2神经网络核心思想和原理.mp456.43MB08-3激活函数.mp436.11MB08-4正向传播与反向传播.mp423.42MB08-5梯度下降优化算法.mp436.83MB08-6神经网络简单代码实现.mp428.88MB08-7梯度消失和梯度爆炸.mp428.5MB08-8模型选择.mp439.68MB08-9神经网络优缺点和适用条件.mp420.2MB09-1本章总览.mp435.65MB09-2SVM核心思想和原理.mp415.71MB09-3硬间隔SVM.mp433.05MB09-4SVM软间隔.mp425.49MB09-5线性SVM分类任务代码实现.mp417.88MB09-6非线性SVM：核技巧.mp435.3MB09-7SVM核函数.mp421.91MB09-8非线性SVM代码实现.mp422.93MB09-9SVM回归任务代码实现.mp414.35MB09-10SVM优缺点和适用条件.mp411.32MB10-1本章总览.mp422.39MB10-2贝叶斯方法核心思想和原理.mp431.95MB10-3朴素贝叶斯分类.mp420.3MB10-4朴素贝叶斯的代码实现.mp427.24MB10-5多项式朴素贝叶斯代码实现.mp423.65MB10-6贝叶斯方法优缺点和适用条件.mp425.46MB11-1本章总览.mp414.58MB11-2集成学习核心思想和原理.mp419.98MB11-3集成学习代码实现.mp424.36MB11-4并行策略：Bagging、OOB等方法.mp438.79MB11-5并行策略：随机森林.mp417.55MB11-6串行策略：Boosting.mp427.39MB11-7结合策略：Stacking方法.mp413.32MB11-8集成学习优缺点和适用条件.mp424.86MB12-1本章总览.mp49.93MB12-2聚类算法核心思想和原理.mp416.26MB12-3k-means和分层聚类.mp422.78MB12-4聚类算法代码实现.mp421.93MB梗直哥–强化学习必修课：引领智能新时代2.04GB
1_1-1-课程内容和理念.mp459.03MB1_2-1-线性代数.mp426.89MB1_3-1-CUDA+Anaconda深度学习环境配置.mp418.73MB1_4-1-序列建模与概率图模型.mp438.12MB1_5-1-动态回归核心思想和原理.mp430.86MB1_6-1-蒙特卡洛方法.mp432.5MB1_7-1-深度Q网络核心思想和原理.mp444.71MB1_8-1-策略梯度核心思想和原理.mp444.18MB1_9-1-演员评论家算法核心思想和原理.mp420.12MB1_10-1-基于模型的强化学习核心思想和原理.mp447.96MB1_11-1模仿学习.mp448.35MB1_12-1-项目实战：Gym游戏.mp451.39MB2_1-2-认识强化学习.mp453.78MB2_2-2-微积分.mp430.04MB2_3-2-conda使用命令.mp411.87MB2_4-2-马尔可夫观测过程：学会“看”.mp440.93MB2_5-2-策略迭代.mp440.01MB2_6-2-时序差分方法.mp434.17MB2_7-2-DQN-代码实现.mp435.82MB2_8-2-蒙特卡洛策略梯度.mp424.23MB2_9-2-改进型演员评论家算法.mp423.04MB2_10-2-Dyna-Q算法.mp444.61MB2_11-2-博弈论与强化学习.mp464.74MB2_12-2-项目实战：大模型RLHF.mp431.35MB3_1-3-课程使用的技术栈.mp412.01MB3_2-3-概率.mp446.6MB3_3-3-Jupyter-Notebook快速上手.mp414.13MB3_4-3-马尔可夫决策过程：试着-“干”.mp429.63MB3_5-3-价值迭代.mp419.17MB3_6-3-蒙特卡洛方法和时序差分代码实现.mp422.84MB3_7-3-常见问题改进和扩展.mp427.54MB3_8-3-策略梯度方法代码实现.mp419.41MB3_9-3-演员评论家算法代码实现.mp419.74MB3_10-3-Dyna-Q算法代码实现.mp417.74MB3_11-3-多智能体强化学习.mp444.45MB3_12-3-强化学习最新发展趋势.mp465.61MB4_3-4-仿真环境Gym安装.mp418.95MB4_4-4-马尔可夫奖励过程：懂得“想”.mp449.39MB4_5-4-动态规划代码实现.mp443.48MB4_6-4-广义策略迭代.mp419.56MB4_7-4-DQN改进算法代码实现.mp431.02MB4_8-4-近端策略优化算法.mp436.16MB4_9-4-深度确定性策略梯度.mp430.35MB4_10-4-基于模型的策略优化.mp419.66MB4_11-4-MADDP的代码实现.mp445.07MB4_12-4-下一步的学习建议.mp433.28MB5_3-5-深度学习库PyTorch的安装.mp49.24MB5_4-5-贝尔曼方程：迭代求解价值函数.mp430.56MB5_6-5-Q-Learning算法.mp432.26MB5_8-5-近端策略优化（PPO）代码实现.mp434.58MB5_9-5-DDPG算法代码实现.mp422.5MB5_10-5-MBPO的代码实现.mp453.79MB5_11-5-AlphaStar系统.mp482.38MB6_4-6-模型分类与选择.mp430.84MB6_6-6-SARSA算法.mp420.84MB6_9-6-软性演员评论家算法.mp438.57MB6_11-6-基于人类反馈大强化学习.mp447.15MB7_4-7-常见问题解析.mp421.65MB7_6-7-Q-Learning&SARSA代码实现.mp423.78MB7_9-7-SAC代码实现.mp435.08MB8_4-8-马尔可夫过程代码实现.mp440.23MB梗直哥–深度学习必修课：进击算法工程师1.13GB
001.1-1 课程内容和理念.mp452.23MB005.2-2 微积分.mp449.04MB014.4-4 多层感知机代码实现.mp429.34MB015.4-5 回归问题.mp435.59MB016.4-6 线性回归代码实现.mp423.14MB017.4-7 分类问题.mp423.05MB018.4-8 多分类问题代码实现.mp442.84MB019.5-1 训练的常见问题.mp433.8MB023.5-5 Dropout.mp432.08MB028.6-2 损失函数.mp442.8MB030.6-4 梯度下降.mp431.56MB033.6-7 动量法.mp425.04MB036.6-10 Adam算法.mp447.07MB037.6-11 梯度下降代码实现.mp430.92MB048.8-4 GoogLeNet.mp440.98MB049.8-5 ResNet.mp465.01MB050.8-6 DenseNet.mp458.47MB051.9-1 序列建模.mp430.32MB056.9-6 RNN的长期依赖问题.mp437.66MB059.10-3 门控循环单元.mp428.59MB060.10-4 长短期记忆网络.mp443.06MB066.11-1 什么是注意力机制.mp443.37MB067.11-2 注意力的计算.mp457.52MB069.11-4 自注意力机制.mp430.16MB076.12-4 ViT模型.mp431.02MB079.13-1 蒙特卡洛方法.mp428.52MB080.13-2 变分推断.mp440.75MB087.14-3 迁移学习.mp431.8MB097.16-2 CLIP模型.mp437.65MB098.16-3 DALL-E模型.mp454.33MB共191个文件，合计：5.72GB
