七月在线45套会员课程合集，机器学习/自然语言/计算式视觉等

01-自动聊天机器人项目班

第1课聊天机器人的基础模型与综述

chatbot第一课配课代码.zip

第1课聊天机器人的基础模型与综述.ts

第1课综述.pdf

第2课nlp基础及扫盲

第2课nlp基础.pdf

第2课nlp基础及扫盲.ts

第3课用基础机器学习方法制作聊天机器人

第3课用基础机器学习方法制作聊天机器人.ts

第3课-机器学习构建聊天机器人.pdf

语聊和代码.zip

第4课深度学习基础及扫盲

第4课深度学习基础及扫盲.ts

第4课：聊天机器人里的深度学习基础大集合.pdf

第5课深度学习聊天机器人原理

chatbot-deeplearning-retrieval.zip

第5课深度学习聊天机器人原理.ts

第5课-基于深度学习的检索聊天机器人.pdf

第6课用深度学习方法制作聊天机器人

第6课用深度学习方法制作聊天机器人.ts

第6课-dl聊天机器人.pdf

数据集和参考资料.zip

第7课看图回答vqa

第7课vqa.pdf

第7课看图回答vqa.ts

第7课代码地址.txt

第8课简单易用的聊天机器人开发平台与展望

第8课简单易用的聊天机器人开发平台与展望.ts

第8课.zip

02-智能问答系统实战

第1课对话系统的介绍.ts

第2课智能客服系统基础知识讲解.ts

第3课深度学习技术讲解.ts

第4课检索式与生成式对话系统.ts

第5课seq2seq模型与attention机制.ts

第6课bert详解.ts

03-语音识别实战

第二阶段掌握声学模型和语言模型

第二课声学模型gmmdnn-hmm.ts

第三课语言模型与解码对齐.ts

第三阶段实战判别式训练和asr模型

第六课其他前沿asr模型.ts

第四课序列判别式训练(sequencediscriminativetraining).ts

第五课end-to-endasr.ts

第一阶段概览语音识别技术

第一课语音识别(asr)技术概览.ts

拓展阶段

补充课.ts

语音识别技术之今生：神经网络.ts

语音识别技术之前世：gmm+hmm.ts

04-语音识别技术的前世今生

语音识别技术之今生：神经网络.ts

语音识别技术之前世：gmm+hmm.ts

05-无人驾驶实战

第八课无人车定位系统.ts

第二课软件环境基础（roscmake）.ts

第九课预测系统.ts

第六课视觉定位.ts

第七课高精地图与车路协同设备.ts

第三课感知基础.ts

第十二课基于强化学习的自动驾驶系统.ts

第十课路径规划.ts

第十一课控制理论.ts

第四课感知实战：目标检测.ts

第五课感知实战：物体跟踪.ts

第一课自动驾驶概述.ts

06-无人机自主飞行实战

第10课未来工业无人机和全自主飞行载人载货应用前景与障碍.ts

第1课无人机硬件理论课.ts

第2课无人机拼装实战.ts

第3课linux基础知识.ts

第4课ros与offboardmode.ts

第5课无人机机载摄像头3d建模.ts

第6课slam原理及其介绍.ts

第7课环境感知和路径规划.ts

第8课gps，imu，slam传感器融合.ts

第9课基于地图的无人机定位及point-and-fly.ts

07-图搜索实战班

第1课图搜索实战班第1讲.ts

第1课.pdf

第2课图搜索实战班第2讲.ts

第2课.pdf

08-数据挖掘班

第10课pagerank与图挖掘

第10课pagerank.pdf

第10课pagerank与图挖掘.ts

第1课数据科学与数学基础

第1课数据科学与数学基础.ts

第1课数据挖掘基础.pdf

第一课实践：numpy基础.ipynb

第2课数据处理分析可视化

lesson_2_data-computation-analysis-visualization.zip

可视化.ts

第3课海量数据的分布式处理

第3课代码与文件.rar

第3课海量数据的分布式处理.pdf

第3课海量数据的分布式处理.ts

第4课关联规则挖掘

第4课关联规则挖掘.ts

第4课关联规则挖掘算法.pdf

第5课数据与聚类

第5课数据与聚类.pdf

第5课数据与聚类.ts

第5课数据与聚类资料打包.zip

第6课海量高维数据与近似最近邻

第6课海量高维数据与近似最近邻.ts

第7课分类与排序

julyedu_data_mining_lesson7_handout_material.txt

第7次课资料.zip

第7课分类算法与应用.pdf

第7课分类与排序.ts

第8课推荐系统

第8课推荐系统.pdf

第8课推荐系统.ts

第9课海量高维数据与维度约减

第9课海量高维数据与维度约减(附代码).pdf

第9课海量高维数据与维度约减.pdf

第9课海量高维数据与维度约减.ts

其他资料

bank_user_background.data

interview_suggestion.zip

mining_github.ipynb

movie_recommendation_using_pyspark.py

my_apriori.py

pagerank_demo.zip

reccomendationsystemexamples.ipynb

09-生成对抗网络实战

code.zip

gan.zip

gan-applications.zip

第1课生成对抗网络基本原理.ts

第2课多种多样的gan.ts

第3课更多的生成对抗网络.pdf

第3课基于能量的gan.ts

第4课gan实战.ts

第二课：wganandmore.pdf

第一课声称对抗网络基本原理.pdf

10-深度学习项目班

第7-8课深度学习推荐系统.rar

第八课从ccf神经网络到deepauto-encoderforcf.ts

第二课深度学习在大规模图像搜索中的实际应用.rar

第二课 深度学习在大规模图像搜索中的实际应用.ts

第六课fnnccpmpnn与图片混合点击率预估.ts

第六课深度学习ctr预估(下).rar

第七课从矩阵分解到fmbasednn.ts

第三课自然语言处理从入门到进阶.rar

第三课自然语言处理从入门到进阶.ts

第四课聊天机器人实战演练.rar

第四课聊天机器人实战演练.ts

第五课从fm到dnn到wide&deepmodel.ts

第五课深度学习ctr预估(上).rar

第一课深度卷积神经网络基础(原理、调参、kaggle比赛实践).ts

第一课课件_convnets_principles_dl_projects.rar

卷积神经网络与计算机视觉.ts

神经网络初步.ts

预习第二课：cnn与cv.pdf

预习第一课：神经网络初步.zip

11-深度学习论文班

第1课reducingthedimensionalityofdatawithneuralnetworks..ts

第2课afastlearningalgorithmfordeepbeliefnets..ts

第3课denselyconnectedconvolutionalnetworks.ts

第4课aguideforconvolutionarithmeticfordeeplearning.ts

第5课imagenetclassificationwithdeepconvolutionalneuralnetworks..ts

第6课speechrecognitionwithdeeprecurrentneuralnetworks.ts

第7课decoupledneuralinterfacesusingsyntheticgradients.ts

第8课deeplearningwithoutpoorlocalminima.ts

12-深度学习第四期

第二阶段透彻理解cnn

cnn与物体检测图像分割.pdf

mnist_cnn.py

第2课cnn从入门到高级应用(上).ts

第3课cnn从入门到高级应用(下).ts

第二课cnn.pdf

第二课第1节：cnn层级结构.ts

第二课第2节：数据输入层.ts

第二课第3节：卷积层.ts

第二课第4节：激励层，池化层，全连接层.ts

第二课第5节：卷积层可视化理解.ts

第二课第6节：正则化与dropout.ts

第二课第7节：典型结构与训练.ts

第二课第8节：实战：用keras实战cnn图片分类.ts

第三课第1节：图像处理任务.ts

第三课第2节：图像识别和定位任务思路一.ts

第三课第3节：图像识别和定位任务思路二.ts

第三课第4节：物体检测选择性搜索.ts

第三课第5节：物体检测r-cnn.ts

第三课第6节：物体检测fastr-cnn.ts

第三课第7节：物体检测fasterr-cnn.ts

第三课第8节：图像分割.ts

第三课第9节：部分代码和训练数据.ts

第三阶段cnn延伸：深度学习框架与高级应用

dl_platforms.pdf

lr_mnist.ipynb

productreview-rnn.ipynb

tf_basics.ipynb

第4课nn框架：caffe,tensorflow与pytorch.ts

第5课生成对抗网络gan.ts

第四课第10节：pytroch代码实战.ts

第四课第1节：caffe介绍.ts

第四课第2节：为什么使用tesorflow？.ts

第四课第3节：tensflow计算图.ts

第四课第4节：tensflow会话机制和打印结果.ts

第四课第5节：tensorboard可视化.ts

第四课第6节：tensflow数据类型.ts

第四课第7节：pytroch计算图介绍.ts

第四课第8节：pytroch建模使用方法.ts

第四课第9节：pytorch和tensorflow区别.ts

第五课第1节：对抗生成网络原理.ts

第五课第2节：深度卷积对抗生成网络.ts

第五课第3节：图像翻译(pix2pix).ts

第五课第4节：多领域图像翻译.ts

第五课第5节：文本生成图像(text2img).ts

第五课第6节：dcgan实现手写数字实战.ts

对抗生成网络.pdf

第四阶段掌握自然语言处理中的神经网络

fasttext.pdf

poem_generator.txt

rnn条件生成与attention.zip

rnn与自然语言处理.pdf

第6课从词向量到nlp分类问题.ts

第7课rnnlstmgridlstm.ts

第8课rnn条件生成与attention.ts

第八课第1节：rnn条件生成.ts

第八课第2节：机器翻译.ts

第八课第3节：attention机制.ts

第八课第5节：总结与代码实战.ts

第八课第5节：总结与代码实战_1.ts

第六课第1节：词向量介绍.ts

第六课第2节：词向量离散表示-n-gram和语言模型.ts

第六课第3节：词向量分布式表示-共现矩阵和svd降维.ts

第六课第4节：词向量分布式表示-nnlm.ts

第六课第5节：词向量分布式表示-word2vec.ts

第六课第6节：word2vec问题和词嵌入效果评估.ts

第六课第7节：word2vec工具介绍-gensim.ts

第七课第1节：rnn的应用场景.ts

第七课第2节：rnn的网络层级结构.ts

第七课第3节：不同类型的rnn.ts

第七课第4节：深层双向rnn与bptt算法.ts

第七课第5节：生成模型与图像描述.ts

第七课第6节：lstm、gru.ts

第七课第7节：实战：用lstm模型建立一个唐诗生成器.ts

自然语言处理与文本表示.pdf

第五阶段迁移学习与增强学习

dqn-flappybird.txt

table-basedq-learning.pdf

第10课迁移学习与新技术.ts

第9课增强学习与deepqnetwork.ts

第九课第1节：强化学习介绍.ts

第九课第2节：强化学习的难点.ts

第九课第3节：马尔可夫决策过程.ts

第九课第4节：打折未来奖励.ts

第九课第5节：q-learning.ts

第九课第6节：deepq-network.ts

第九课第7节：q-learning应用.ts

第九课第8节：案例flappy-bird.ts

第十课第1节：风格迁移应用.ts

第十课第2节：风格迁移实现原理步骤.ts

第十课第3节：风格迁移实现原理步骤续.ts

第十课第4节：模型fine-tuning.ts

第十课第5节：多语种语音识别multitasklearning.ts

第十课第5节：多语种语音识别multitasklearning_1.ts

第十课第6节：域对抗domain-adversarialtraining.ts

第十课第7节：capsulenet.ts

强化学习与deepq-network.pdf

第一阶段深度学习从零入门

neural_networks.zip

第1课dnn与混合网络：googlewide&deep.ts

第1课深度学习初步.pdf

第一课第1节：深度学习应用.ts

第一课第2节：线性分类器基本概念.ts

第一课第3节：hingeloss、交叉熵损失.ts

第一课第4节：神经网络的网络结构.ts

第一课第5节：非线性表达能力原理和过拟合.ts

第一课第6节：传递函数和bp算法概念.ts

第一课第7节：bp算法公式实例推导.ts

第一课第8节：实战：手写一个神经网络算法进行分类.ts

阅读作业_神经网络与深度学习.pdf

其他资料

dl4_exam_1答案.html

dl4_exam_3_答案.html

dl4_exam_4_答案.html

dl4_exam_5_答案.html

13-人工智能极简入门

第10课焦距思维：为什么卷积神经网络在深度学习中得到广泛应用？.ts

第1课机械思维：从人工智能发展史中，我们能获得什么启示？.ts

第2课数据思维：为什么大数据当代ai发展的最大推手？.ts

第3课辩证思维：如何成为智能时代的精英？.ts

第4课锯箭思维：为什么说回归分析是完成数据到价值转换的好途径？.ts

第5课中庸思维：机器学习的三大流派都是什么.ts

第6课概率思维：为什么贝叶斯是一个现代人的人生观？.ts

第7课维度思维：降维和升维给我们带来什么启示？.ts

第8课不确定思维：为什么生命以负熵为生？.ts

第9课心学思维：神经网络学习的生物学基础在哪里？.ts

14-区块链实战

第八课ico揭秘以及如何发币.ts

第二课共识、挖矿、交易以及钱包详解.ts

第六课智能合约学习准备.ts

第七课智能合约开发入门（实战项目）.ts

第三课手动实现简易区块链原型（代码实战）.ts

第四课比特币源码编译和本地实验（略懂c++即可）.ts

第五课比特币的局限性及以太坊入门.ts

第一课从比特币到区块链.ts

15-迁移学习

transfer-learningcode.zip

第1课迁移学习详解.ts

第2课迁移学习实战.ts

第一课迁移学习.pdf

16-七月在线-机器学习集训营第九期

机器学习集训营第九期

10-18

第10课聚类_1.mp4

第11课聚类与推荐系统实战_1.mp4

第12课贝叶斯网络_1.mp4

第13课隐马尔科夫模型hmm_1.mp4

第14课主题模型_1.mp4

第15课神经网络初步_1.mp4

第16课卷积神经网络与计算机视觉_1.mp4

第17课循环神经网络与自然语言处理_1.mp4

第18课深度学习实践_1.mp4

1-9

第1课回归问题与应用_1.mp4

第2课决策树与树集成模型_1.mp4

第3课svm_1.mp4

第4课最大熵与em算法（上）.m4a

第4课最大熵与em算法（下）_1.mp4

第5课机器学习中的特征工程处理_1.mp4

第6课多算法组合与模型最优化_1.mp4

第7课sklearn与机器学习实战_1.mp4

第8课高级工具xgboost_lightgbm与建模实战_1.mp4

第9课电商推荐系统_1.mp4

其他

概率论_1.mp4

凸优化_1.mp4

微积分_1.mp4

线性代数_1.mp4

资料

资料

4次数学预习课讲义

4次数学预习课讲义

概率论.pdf

凸优化简介.pdf

微分学与梯度下降法(1).pdf

线性代数基础_.pdf

gpu使用方法

gpu使用方法

七月在线18vipwin下gpu服务器使用方法.pdf

七月在线18vipmac便捷连接远程gpu服务器.pdf

第10课

第十课聚类.pdf

数据&代码.zip

第11课

kaggle_recommendation_competitions.zip

第12课

第12课贝叶斯网络.pdf

第13课

hmm_pos_tag.html

第13课hmm.pdf

第14课

第14课主题模型.pdf

资料与代码(1).zip

第15课

neural_networks.zip

深度学习初步.downloading

第16课

cnn.downloading

mnist_cnn.py

第17课

循环神经网络与应用.downloading

第18课

tensorflow_pytorch.downloading

深度学习框架介绍与应用.downloading

第1课

homework.zip

regression_based_algorithms.zip

回归类问题机器学习.downloading

第2课

decisiontrees.zip

homework.zip

决策树与随机森林.downloading

第3课

svm.pdf

第4课

gmm-em-clustering-master.downloading

第5课

kaggle-bike-sharing-competition.downloading

第5课：机器学习中的特征工程.downloading

第6课

model_ensemble-example.downloading

第7课

housing.downloading

sklearn_learning.downloading

第8课

xgboost_lightgbm.downloading

第9课

recommendersystemexamples.downloading

第9课-推荐系统原理与应用.downloading

天池电力ai大赛数据及代码

tianchi_power_baseline_bramble.downloading

学员课程笔记

linux笔记.downloading

17-七月：推荐系统实战第二期

第1课推荐系统简介：bat、头条等.mp4

第2课召回算法和业界最佳实践(一).mp4

第3课召回算法和业界最佳实践(二).mp4

第4课用户建模（召回、排序都会用到）.mp4

第5课排序算法&深度学习模型.mp4

第6课重排序算法：learntorank.mp4

第7课学术界最新算法在bat的应用1.mp4

学术界最新算法在bat的应用2.mp4

资料.zip

18-面试求职第四期

第二阶段玩转树、堆、图等高级数据结构

代码及相关图例.zip

第3课树／堆.ts

第4课图论.ts

第5课递归.ts

第6课图搜索初探.ts

第六课图搜索.pdf

第三课树和堆.pdf

第四课图论.pdf

第五课递归.pdf

第三阶段实战动态规划和贪心

代码.zip

第7课动态规划.ts

第8课贪心.ts

第8课-贪心.pdf

第七课动态规划.pdf

第四阶段掌握海量数据处理和概率，求职心不慌

10博弈论概率论数论.pdf

第10课博弈论概率数论.ts

第9课高并发／海量数据处理／笔试技巧.ts

第9课-架构和设计.pdf

第一阶段掌握基础算法和数据结构

第1课算法初步.ts

第2课必知必会的数据结构.ts

第二课必知必会的数据结构.pdf

第一课算法初步.pdf

名企ai面试100题第二版.pdf

19-量化交易策略实战

第1课量化交易基础.ts

第2课衍生品及交易策略（a）.ts

第3课衍生品及交易策略（b）.ts

第4课统计套利.ts

20-矩阵与凸优化班

lecture1.pdf

lecture2.pdf

lecture3.pdf

lecture4_凸优化初步.pdf

lecture5.pdf

lecture6_凸优化在机器学习中的应用.pdf

第1课理解矩阵.ts

第2课理解微积分和凸优化.ts

第3课微积分与逼近论.ts

第4课凸优化初步.ts

第5课凸优化进阶.ts

第6课凸优化在机器学习中的应用.ts

21-金融风控实战

第二阶段机器学习的核心：特征工程

04特征工程（下）.ipynb

第三课特征工程（上）.ts

第三课特征工程（上）.zip

第三课第1节：油品数据分析.ts

第三课第2节：特征工程介绍.ts

第三课第3节：预览数据.ts

第三课第4节：数值型数据处理.ts

第三课第5节：时间和文本型数据处理.ts

第三课第6节：基于时间序列进行特征衍生.ts

第三课第7节：基于时间序列进行特征衍生续.ts

第四课特征工程（下）.ts

第四课第1节：特征选择介绍.ts

第四课第2节：特征选择filter.ts

第四课第3节：特征选择wrapper和embedded.ts

第四课第4节：模型遇到的问题.ts

第四课第5节：模型遇到的问题续.ts

第四课第6节：变量重要性.ts

第四课第7节：变量共线性.ts

第四课第8节：变量稳定性.ts

第三阶段机器学习与评分卡模型

第六课集成算法.ts

第六课集成算法.zip

第六课第1节：评分卡复习.ts

第六课第2节：xgboost介绍.ts

第六课第3节：xgboost参数.ts

第六课第4节：调参策略.ts

第六课第5节：lightgbm做评分卡.ts

第六课第6节：lightgbm评分卡结果.ts

第六课第7节：lightgbm和逻辑回归结果对比.ts

第五课逻辑回归评分卡.ts

第五课逻辑回归评分卡.zip

第五课第1节：评分卡介绍.ts

第五课第2节：逻辑回归建立评分卡.ts

第五课第3节：模型评价ks值.ts

第五课第4节：再做特征筛选.ts

第五课第5节：生成分析报告.ts

第五课第6节：打分系统.ts

第四阶段模型优化

第7课第3节：标签分裂.ts

第7课第4节：代价敏感.ts

第7课第5节：采样算法smote.ts

第7课第6节：采样算法续.ts

第7课第7节：实战：用采样算法看模型效果.ts

第9课迁移学习.rar

第八课模型融合.ts

第八课第1节：采样算法回顾.ts

第八课第2节：模型融合介绍.ts

第八课第3节：模型融合方法.ts

第八课第4节：逻辑回归和gbdt介绍.ts

第八课第5节：逻辑回归和gbdt融合.ts

第八课第6节：实战：模型融合看模型效果.ts

第九课迁移学习.ts

第九课第1节：为什么做迁移学习？.ts

第九课第2节：主要任务和增量学习.ts

第九课第3节：模型迁移学习方法.ts

第九课第4节：几个统计分布概念.ts

第九课第5节：主要任务实现方法.ts

第九课第6节：tradaboost算法.ts

第九课第7节：实战：跨国家跨场景迁移模型.ts

第七课不均衡学习.ts

第七课不均衡学习.zip

第七课第1节：不均衡学习介绍.ts

第七课第2节：下探和半监督学习.ts

第五阶段高级风控模型

10深度学习.rar

11无监督算法与异常检测.rar

12社交网络与图算法.rar

第8课模型融合.rar

第十二课社交网络分析与金融反欺诈.ts

第十二课第1节：设备指纹.ts

第十二课第2节知识图谱介绍.ts

第十二课第3节：知识图谱风控应用.ts

第十二课第4节：pagerank算法.ts

第十二课第5节：其他复杂网络.ts

第十二课第6节：lpa算法和代码实现.ts

第十二课第7节：案例分享.ts

第十课深度学习与金融风控.ts

第十课第1节：课前知识回顾.ts

第十课第2节：欺诈风险.ts

第十课第3节：反欺诈生命周期.ts

第十课第4节：风控场景rnn应用.ts

第十课第5节：为什么用lstm算法.ts

第十课第6节：风控场景cnn应用.ts

第十课第7节：word2vec应用.ts

第十课第8节：其他算法应用.ts

第十一课异常检测实战.ts

第十一课第1节：课前知识回顾.ts

第十一课第2节：发欺诈难点.ts

第十一课第3节：反欺诈无标签建模方法.ts

第十一课第4节：异常检测算法介绍.ts

第十一课第5节：z-score和knn异常检测算法.ts

第十一课第6节：lof异常检测算法.ts

第十一课第7节：lsolationforest异常检测算法.ts

第十一课第8节：lsolationforest应用.ts

第一阶段金融风控技术基础

第二课风控数据挖掘方法.ts

第二课风控数据挖掘方法.zip

第二课第1节：生肖属相单变量分析.ts

第二课第2节：决策树算法.ts

第二课第3节：决策树规则挖掘实战.ts

第二课第4节：变量衍生.ts

第二课第5节：训练模型和分析结果.ts

第一课金融风控与反欺诈业务详解.ts

第一课金融风控与反欺诈业务详解.zip

第一课第1节：风控业务初识.ts

第一课第2节：风控流程.ts

第一课第3节：几个重要概念.ts

第一课第4节：风控数据分析.ts

第一课第5节：金融反欺诈常用特征方法.ts

第一课第6节：金融反欺诈常用特征方法续.ts

22-计算机视觉第二期

lesson1图像处理基础.zip

lesson10理解alphago（强化学习）和生成模型（gan）背后的原理.zip

lesson2图像处理进阶.zip

lesson3神经网络初步与调参.zip

lesson4深度cnn原理与实战.zip

lesson6大规模车辆图片搜索.zip

lesson7目标检测与无人驾驶.zip

lesson8深度学习在图像语义分割中的应用.zip

lesson9rnn与gan.zip

第10课：深度学习前沿：理解alphago（强化学习）和生成模型（gan）背后的原理.ts

第1课：图像处理基础.ts

第2课：图像处理进阶.ts

第3课：神经网络初步与调参技巧（byseven).ts

第4课：深度卷积神经网络原理与实践(byseven).ts

第5课图像搜索技术(byseven).ts

第7课：目标检测及其在无人驾驶领域的作用.ts

第8课：深度学习在图像语义分割中的应用.ts

第9课：rnn及其应用（imagecaptioningandvqa）.ts

重识别(byseven).ts

23-机器学习中的数学第二期

扩展

第八课第10节代码演示.ts

第八课第1节本课纲要.ts

第八课第2节优化问题简介.ts

第八课第3节svm：线性分类器.ts

第八课第4节svm对偶（代数）方法.ts

第八课第5节svm几何方法.ts

第八课第6节压缩感知：信号还原.ts

第八课第7节压缩感知：压缩感知.ts

第八课第8节压缩感知：求解压缩感知优化.ts

第八课第9节压缩感知：lasso.ts

第二课第1节课程简介.ts

第二课第2节求导法则。链式，加，乘，除.ts

第二课第3节反函数求导：.ts

第二课第4节常见函数（幂，三角，对数，复杂）的求导.ts

第二课第5节隐函数.ts

第二课第6节矩阵求导.ts

第二课第7节前馈神经网络.ts

第二课第8节反射传播算法.ts

第二课第9节梯度消失与梯度爆炸.ts

第九课第10节神经网络：结构、传递函数.ts

第九课第11节神经网络：bp.ts

第九课第12节神经网络：sgd..ts

第九课第13节神经网络：前馈，反传及参数更新.ts

第九课第14节googleplayground.ts

第九课第1节课程简介及本课纲要.ts

第九课第2节线性回归与分类.ts

第九课第3节线性回归-gt;逻辑回归.ts

第九课第4节分类与逻辑回归.ts

第九课第5节逻辑回归.ts

第九课第6节多分类.ts

第九课第7节lr到感知器.ts

第九课第8节神经网络.ts

第九课第9节神经网络：非线性切分.ts

第六课第1节本课纲要.ts

第六课第2节对称矩阵对角化.ts

第六课第3节特征分解.ts

第六课第4节奇异值及分解.ts

第六课第5节主成分分析相关概念及手推.ts

第七课第1节本课纲要.ts

第七课第2节优化问题简介极大似然估计最小二乘估计.ts

第七课第3节凸集合与凸函数.ts

第七课第4节凸优化.ts

第七课第5节凸优化中的对偶问题.ts

第七课第6节凸优化对偶性.ts

第七课第7节凸优化ktt条件.ts

第七课第8节综合问答.ts

第三课第10节蒙特卡洛近似.ts

第三课第11节机器学习实例（nb）.ts

第三课第12节熵，与机器学习实例（决策树）.ts

第三课第13节kldivergence(kl散度)gt;用于解释em算法.ts

第三课第14节互信息.ts

第三课第1节本课简介（常用符号说明）.ts

第三课第2节概率，事件，并集，独立事件，条件概率，联合概率，贝叶斯公式定义.ts

第三课第3节生成模型与判别模型.ts

第三课第4节概念点：随机变量，期望，方差.ts

第三课第5节机器学习实例（roc曲线）.ts

第三课第6节连续随机变量.ts

第三课第7节正态分布.ts

第三课第8节协方差与相关系数，协方差矩阵.ts

第三课第9节大数定理，中心极限定理.ts

第十课第1节本课简介.ts

第十课第2节从lr到决策树.ts

第十课第3节决策树整理思路.ts

第十课第4节核心概念：熵.ts

第十课第5节划分依据-信息增益，信息增益率，基尼指数.ts

第十课第6节用决策树完成回归（回归树）.ts

第十课第7节bagging.ts

第四课第10节贝叶斯公式（复习上节课）.ts

第四课第11节mixturegaussianmle.ts

第四课第12节em优化与原理.ts

第四课第13节k-means.ts

第四课第14节综合答疑.ts

第四课第1节复习.ts

第四课第2节正态分布，期望估计.ts

第四课第3节参数估计：最大似然.ts

第四课第4节伯努利分布.ts

第四课第5节正态分布.ts

第四课第5节正态分布_1.ts

第四课第7节线性回归.ts

第四课第8节逻辑回归.ts

第四课第9节机器学习实例(biasvariancetradeoff)knn.ts

第五课第10节二次性，正定，半正定矩阵.ts

第五课第11节向量的范数.ts

第五课第12节矩阵的范数.ts

第五课第13节最小二乘.ts

第五课第14节最小二乘统计意义（与最大似然的关系）.ts

第五课第15节最小二乘几何意义前导及求解（矩列阵空间）.ts

第五课第1节本课纲要.ts

第五课第2节线代基本概念.ts

第五课第3节加，减，数乘，向量乘积（内积，外积），矩阵积等运算及运算律.ts

第五课第4节矩阵转置，特殊类型矩阵，方阵的迹，向量的线性无关，空间概念，矩阵的秩.ts

第五课第5节矩阵的秩.ts

第五课第6节可逆与非奇异.ts

第五课第7节方阵的特征值与特征向量.ts

第五课第8节相似矩阵.ts

第五课第9节矩阵的等价，相似与合同.ts

第一课第10节低维到高维：多元函数的梯度.ts

第一课第11节梯度下降法与（牛顿法）.ts

第一课第12节梯度计算：随机梯度下降法sgd.ts

第一课第13节随机梯度下降法的困难：学习率选择.ts

第一课第14节随机梯度下降法的优化算法.ts

第一课第15节综合答疑.ts

第一课第1节数学在机器学习的角色，机器学习整体流程等课程整体性简介.ts

第一课第2节微积分学核心思想：逼近（用简单的事物（函数）去模拟复杂的事件（函数）），近似思想是研究复杂事物时的简化手段.ts

第一课第3节逼近思想的语言：极限论及表示.ts

第一课第4节无穷小与无穷小阶数：比x^n接近于0速度还快的无穷小记为o(x^n).ts

第一课第5节两边夹定理.ts

第一课第6节重要的几种极限.ts

第一课第7节求导的几何及代数意义.ts

第一课第8节常见函数的导数.ts

第一课第9节从线性逼近到多项式逼近：泰勒级数（n阶）.ts

第10课-机器学习分类问题与数学(下).pdf

第1课微分学与梯度下降法.pdf

第2课微分学进阶.pdf

第3课probability.pdf

第5课-线性代数基础_.pdf

第6课-线性代数进阶.pdf

第7课凸优化简介.pdf

第8课代码示范.支持向量机.ipynb

第8课凸优化进阶.pdf

第9课-机器学习分类问题与数学(上).pdf

第八课：优化的稳定性.ts

第二课：微分学进阶.ts

第九课：从线性模型谈起的机器学习分类与回归.ts

第六课：线性代数进阶.ts

第七课：凸优化简介.ts

第三课：概率论简介.ts

第十课：从信息论到工业界最爱的树模型.ts

第四课：极大似然估计.ts

第五课：线性代数基础.ts

第一课：微分学基本概念.ts

24-机器学习与量化交易项目班

第八课自动交易系统的搭建

第8课代码.zip

第八课自动交易系统的搭建.ts

第二课量化交易系统综述

第2课量化交易系统综述.pdf

第2课量化交易系统综述_课堂标记版.pdf

第二课量化交易系统综述.ts

第九课量化策略的实现

参考论文1.zip

第9课量化策略的实现.pdf

第九课量化策略的实现.ts

第六课策略建模：基于机器学习的策略建模

第6课策略建模：基于机器学习的策略建模.pdf

第六课策略建模：基于机器学习的策略建模.ts

第七课模型评估与风险控制

第7课模型评估与风险控制.pdf

第七课模型评估与风险控制.ts

第三课搭建自己的量化数据库

lec3_codes.zip

第3课搭建自己的量化数据库.pdf

第三课搭建自己的量化数据库.ts

第十课策略优化与课程总结

参考论文2.zip

第10课策略优化与课程总结.pdf

第十课策略优化与课程总结.ts

第四课用python进行金融数据分析

codeforlecture4.ipynb

data.zip

第4课用python进行金融数据分析.pdf

第四课用python进行金融数据分析.ts

第五课策略建模综述

代码.zip

第5课策略建模综述.pdf

第五课策略建模综述.ts

第一课自动化交易综述

第1课课前预习版.pdf

第1课自动化交易综述.pdf

第一课自动化交易综述.ts

扩展

第10课第1节前九课回顾.ts

第10课第2节paper1.ts

第10课第3节paper2.ts

第10课第4节相关国外课程推荐.ts

第1课第1节算法交易综述.ts

第1课第2节机器学习流程.ts

第1课第3节量化交易评估.ts

第1课第4节量化交易策略.ts

第2课第1节掌握python语言和常用的数据处理包.ts

第2课第2节量化交易技术介绍.ts

第2课第3节从技术分析到机器学习.ts

第3课第1节数据的获取、清理及存储.ts

第3课第2节金融策略.ts

第3课第3节机器学习途径实现.ts

第4课第1节ols.ts

第4课第2节ridgelasso.ts

第4课第3节handsonsklearn.ts

第5课第1节特征的选择及实现.ts

第5课第2节训练集和模型建立.ts

第5课第3节模型介绍.ts

第6课第1节特征选择.ts

第6课第2节遗传算法.ts

第6课第3节深入理解bp算法.ts

第6课第4节rnn.ts

第7课第1节作业点评.ts

第7课第2节量化交易实战.ts

第7课第3节集成学习.ts

第7课第4节adaboost自适应学习方法.ts

第8课第1节极简主义的nlp与量化建模课程.ts

第8课第2节风险控制parti.ts

第8课第3节基于事件驱动的量化交易.ts

第9课第1节面试工作闲谈.ts

第9课第2节矩阵特征值.ts

第9课第3节资产组合权重.ts

第9课第4节paper.ts

25-机器学习应用班

第10课社交网络在工业界的应用

第10课社交网络在工业界的应用.pdf

第10课社交网络在工业界的应用.ts

第10课社交网络在工业界的应用.zip

第1课数学基础

第1课数学基础.ts

第1课数学基础_课堂笔记.pdf

第2课随机森林及其应用

第2课随机森林及其应用.pdf

第2课随机森林及其应用.ts

第3课特征工程与模型调优

feature_engineering_and_model_tuning.zip

kaggleeventrecommendationcompetition.ipynb

kaggleevent推荐比赛数据百度云盘地址.txt

kaggleevent推荐比赛思路.pdf

第3课特征工程与模型调优.pdf

第3课特征工程与模型调优.ts

第4课推荐系统与案例

第4课推荐系统.pdf

第4课推荐系统与案例.ts

推荐系统3个案例.zip

第5课ctr预估

ctr资料.zip

第5课ctr预估.ts

第5课分类排序与ctr预估.pdf

寒老师汇总ctr资源.txt

第6课nlp应用基础

naive_bayes-master.zip

第6课nlp应用基础.ts

第6课自然语言处理应用基础.pdf

第7课深度学习在nlp中的应用

第7课深度学习在nlp中的应用.ts

第7课深度学习在自然语言处理的应用.pdf

第8课图像检索与相关应用

第8课图像检索与那些相关的应用.pdf

第8课图像检索与相关应用.ts

第9课计算机视觉中的物体检测

第9课计算机视觉中的物体检测.pdf

第9课计算机视觉中的物体检测.ts

其他资料

ali_power_prediction_data_processing_and_tree_based_model_modelling.ipynb

ffm.pdf

机器学习应用班index(update_all)-by远洋.docx

推荐系统3个案例.zip

小世界网络与无标度网络的社区结构研究.pdf

26-机器学习工程师第八期

第10课高级工具xgboostlightgbm与建模

lightgbm与建模实战.ts

using+xgboost+to+predict+sales.html

xgboostusagedemo.html

第11课用户画像与推荐系统

reccomendationsystemexamples.ipynb

第11课推荐系统.pdf

第11课用户画像与推荐系统.ts

第12课聚类

lesson12_clustering.zip

第12课聚类.ts

第13课聚类与推荐系统实战

lesson13_recommendationsystemcompetition.zip

第13课聚类与推荐系统实战.ts

第14课贝叶斯网络

lesson14_graphicalmodels.pdf

第14课贝叶斯网络.ts

第15课隐马尔科夫模型hmm

lesson15_graphicalmodelsii.pdf

第15课隐马尔科夫模型hmm.ts

第16课主题模型

第17课神经网络初步

第17课神经网络初步.ts

神经网络初步.zip

gibbs_lda.html

第16课主题模型.ts

主题模型课件与资料.zip

第18课卷积神经网络与计算机视觉

lesson18_cnn.pdf

第18课卷积神经网络与计算机视觉.ts

第19课循环神经网络与自然语言处理

poem_generator.zip

第19课循环神经网络与自然语言处理.ts

第19课：循环神经网络与自然语言处理.pdf

第1课（上）微积分

lesson1概率论课件.pdf

lesson1微积分课件.pdf

lesson1_补充材料_随机梯度下降法概述_翻译.pdf

lesson1_补充材料_线性代数选讲pca.ipynb

lesson1微积分线性代数选讲(管).pdf

第1课（上）微积分.ts

第1课（下）概率论

第1课（下）概率论.ts

第20课深度学习实践

deep_learning_frameworks_examples.zip

第20课深度学习实践.ts

第20课：深度学习框架与应用案例.pdf

第2课（上）线性代数

lesson2凸优化课件.pdf

lesson2线性代数课件.pdf

lesson2概率与凸优化（邓）.pdf

第2课（上）线性代数.ts

第2课（下）凸优化

第2课（下）凸优化.ts

第3课回归问题与应用

lecture_3_codes.zip

第3课回归问题与应用.ts

第3课：回归类模型与应用.pdf

第4课决策树、随机森林、gbdt

house_price.html

housingpricetest-第4课.csv

housingpricetrain-第4课.csv

lesson4_决策树随机森林.pdf

第4课决策树、随机森林、gbdt.ts

第5课svm

第5课svm.ts

第6课最大熵与em算法（上）

第6课最大熵与em算法（上）.ts

第6课最大熵与em算法（下）

iis.pdf

maxentem.pdf

第6课最大熵与em算法（下）.ts

第7课机器学习中的特征工程处理

lesson7课件_kaggle-bicycle-example.zip

第7课机器学习中的特征工程处理.ts

第7课：机器学习中的特征工程.pdf

第8课多算法组合与模型最优化

feature_engineering_and_model_tuning.zip

tianchi_power_baseline.ipynb

第8课多算法组合与模型最优化.ts

第8课：模型调优与融合.pdf

天池电力数据power_ai.csv

第9课sklearn与机器学习实战

sklearn知识要点.html

第9课sklearn与机器学习实战.ts

第9课sklearn知识要点.html

机器学习基本知识.html

无敌scikit_learn小抄.pdf

扩展资料

data_all_20170524.csv

pima-indians-diabetes.csv

tianchi_power_baseline_bramble(1).ipynb

tianchi_power_baseline_bramble.ipynb

阿里妈妈：大数据下的广告排序技术及实践.pdf

无敌scikit_learn小抄.pdf

28-关键点检测实战

第1课关键点检测概览与环境配置.ts

第2课图像识别与检测.ts

第3课人体骨骼点检测：自顶向下.ts

第4课人体骨骼点检测：自底向上.ts

第5课人脸和手部特征点检测.ts

第6课物体关键点检测.ts

29-概率统计第二期

第1课概率论基础.ts

第2课参数估计：从概率到统计.ts

第3课面试中常见的概率统计问题.ts

第4课概率统计在机器学习中的应用.ts

第5课熵与相对熵.ts

第6课最大熵原理与最大熵模型.ts

30-动态规划实战班

167.cc

215.cpp

34.cc

第1课动态规划.pdf

第1课动态规划实战班第1讲.ts

第2课动态规划.pdf

第2课动态规划实战班第2讲.ts

二分法微课.pdf

31-从头到尾带打kaggle比赛

第1课开营仪式与赛题介绍.ts

第2课如何使用python完成数据分析并构建比赛baseline.ts

第3课带你学会使用：构建验证集的3种方法，以及10多种机器学习模型.ts

第4课n种数据挖掘技巧，让你学到爽.ts

第5课3种模型集成方法，构建最强模型.ts

第6课比赛总结与展望.ts

32-从零实战目标检测

第二阶段目标检测主流体系

第3课anchors下的主力网络.ts

第4课anchorfree下的第三条路.ts

第三阶段目标检测最新发展现状

第5课憋大招前的准备工作.ts

第一阶段夯实基础

第1课目标检测概览与环境配置.ts

第2课骨干网络.ts

33-从零起步实战slam

第10课：回环检测与重建.ts

第1课slam概览与系统环境配置.ts

第2课slam中的基础.ts

第3课李群与李代数.ts

第4课相机成像及常用视觉传感器.ts

第5课非线性优化.ts

第6课视觉里程计.ts

第7课多视角几何.ts

第8课视觉里程计中的位姿估计方法.ts

第9课非线性优化.ts

34-tensorflow框架案例实战

资料

1.1_tensorflow_basics.ipynb

2.1_linear_regression.html

2.2_polynomial_regression.html

2.3_logistic_regression.html

2.4_multilayer_perception.html

lenet_inference.py

lenet_train.py

lesson_5.zip

lesson_8code.zip

lesson6-code.zip

代码链接.txt

第1课：tensorflow基础.pdf

第4课海量图像训练预处理.zip

第6课-tensorboard使用.pdf

第三课cnn-intro.pdf

风格转换与dcgan.pdf

第1课tensorflow基础.ts

第2课详解深度神经网络案例.ts

第3课卷积神经网络与图像应用.ts

第4课海量图像训练预处理.ts

第5课循环神经网络与应用.ts

第6课tensorboard工具与模型优化.ts

第7课tensorflow应用案例.ts

第8课tensorflow之上的工具库.ts

35-spark机器学习班

graphx.scala

spark系统概述与编程入门.pps

sql.scala

第1课spark系统概述与编程接口.ts

第2课spark运行模式及原理.ts

第2课spark运行原理与shuffle过程.pps

第3课spark存储、调度、与监控分析.ts

第3课spark存储、调度与监控分析.pdf

第4课spark性能调优.pdf

第4课spark性能调优.ts

第5课spark即时查询讲解.pdf

第5课spark即时查询讲解.ts

第6课spark图计算讲解.pdf

第6课spark图计算讲解.ts

第7-8课spark机器学习.zip

第7课spark机器学习讲解.ts

第8课spark机器学习应用.ts

36-pytorch的入门与实战

第八课问答系统.ts

第二课词向量简介.ts

第六课图片风格迁移和gan.ts

第七课seq2seq与attention.ts

第三课语言模型.ts

第四课自然语言分类任务.ts

第五课简单图片分类.ts

第一课深度学习回顾与pytorch简介.ts

37-python数据分析升级版

第10课python深度学习入门.ts

第1课python和数据分析入门.ts

第2课numpy.ts

第3课pandas.ts

第4课数据获取与处理.ts

第5课matplotlib与数据可视化.ts

第6课python文本分析.ts

第7课机器学习库scikit-learn与应用.ts

第8课python社交网络分析igraph.ts

第9课python多线程.ts

第八课python社交网络分析igraph.zip

第二课numpy.zip

第九课python多线程.zip

第六课python文本分析.zip

第七课机器学习库scikit-learn与应用.zip

第三课pandas.zip

第十课python深度学习入门.zip

第五课matplotlib与数据可视化.zip

第一课python和数据分析入门.zip

38-python爬虫项目班

第1课环境准备与入门

lesson_01_code.zip

第1课环境准备与入门.pdf

第1课环境准备与入门.ts

第2课python编程入门

lesson_02_code.zip

第2课python编程入门.pdf

第2课python编程入门.ts

第3课爬虫基础知识与简易爬虫实现

lesson_03_code.zip

第3课爬虫基础知识与简易爬虫实现.pdf

第3课爬虫基础知识与简易爬虫实现.ts

第4课相关库使用与登录问题

lesson_04_code.zip

第4课相关库使用与登录问题.pdf

第4课相关库使用与登录问题.ts

第5课scrapy及相关应用

代码.zip

第5课scrapy及相关应用.pdf

第5课scrapy及相关应用.ts

第6课爬虫设计实战

douban[天下无鱼][shikey.com].zip

douban_imgs[天下无鱼][shikey.com].zip

第6课scrapy图片抓取[天下无鱼][shikey.com].pdf

第6课爬虫设计实战[天下无鱼][shikey.com].ts

第7课高级内容-并发编程

lesson_07_code.zip

第7课高级内容-并发编程.pdf

第7课高级内容-并发编程.ts

第8课分布式爬虫框架设计

lesson_08_code.zip

第8课分布式爬虫框架设计.pdf

第8课分布式爬虫框架设计.ts

39-python极简入门

第10课展翅腾飞：后续发展方向.ts

第1课了解一项看似神秘的工作：编程工作和编程语言.ts

第2课夯实基础：内置对象和语句基础（一）.ts

第3课夯实基础：内置对象和语句基础（二）.ts

第4课夯实基础：内置对象和语句基础（三）.ts

第5课继承伟大发明;函数.ts

第6课光辉思想：面向对象和类（一）.ts

第7课光辉思想：面向对象和类（二）.ts

第8课轮子的世界：模块和包.ts

第9课气定神闲：异常处理和文件读写.ts

40-python基础入门3

扩展

第八课第1节python文件读写.ts

第八课第2节json.ts

第八课第3节正则表达式.ts

第八课第4节爬虫.ts

第八课第5节numpy入门.ts

第八课第6节pandas.ts

第二课第1节复习上节课内容.ts

第二课第2节python基础语法格式，表达式与声明.ts

第二课第3节关键字、标准操作符.ts

第二课第4节名字，赋值与名字空间.ts

第二课第5节python中的对象.ts

第九课第1节dataanalyst.csv招聘数据分析.ts

第九课第2节美国总统大选数据分析.ts

第九课第3节matplotlib.ts

第九课第4节实战：销售数据分析.ts

第六课第1节复习上节课内容.ts

第六课第2节面向对象思想.ts

第六课第3节类的设计与创建.ts

第六课第4节类中的关键字与装饰器.ts

第七课第1节复习上节课内容.ts

第七课第2节类的继承和多态.ts

第七课第3节类的魔术方法与描述符.ts

第七课第4节开放类与元类.ts

第七课第5节模块和包.ts

第三课第1节复习上节课内容.ts

第三课第2节条件判断与三元表达式.ts

第三课第3节循环与循环控制.ts

第三课第4节可迭代对象，迭代器与生成器.ts

第三课第5节异常与错误处理.ts

第四课第1节复习上节课内容.ts

第四课第2节函数定义，函数体，位置参数与关键字参数，函数返回值.ts

第四课第3节不定长位置参数与关键字参数.ts

第四课第4节偏函数.ts

第五课第1节复习上节课内容.ts

第五课第2节函数式编程思想.ts

第五课第3节匿名函数.ts

第五课第4节高阶函数与内置高阶函数map,reduce,filter,sorted.ts

第五课第5节嵌套函数与函数闭包，函数对象.ts

第五课第6节python名字访问规则：legb.ts

第五课第7节装饰器.ts

第一课第1节notebook环境配置，安装.ts

第一课第2节notebook使用.ts

第一课第3节markdown.ts

第一课第4节notebook隐藏辅助功能.ts

第一课第5节python简介，解释执行，运行方式.ts

第一课第6节python内置及三方库的管理及使用.ts

第一课第7节如何更好得获得帮助.ts

python1.ipynb

python2.ipynb

python3.ipynb

python4.ipynb

python5.ipynb

python6.ipynb

python7.ipynb

第1课python入门及环境搭建.ts

第2课python编程基础（上）.ts

第3课python编程基础（下）.ts

第4课函数基础.ts

第5课高级函数.ts

第6课面向对象基础.ts

第7课面向对象高级.ts

第8课文件操作及常用系统模块.ts

第9课python数据分析.ts

41-ocr文字识别实战

第二阶段：掌握文本定位与文本检测

第四课文本行定位.ts

第五课自然场景中的文本检测.ts

第三阶段掌握其他图像问题

第六课图像质量增强和预处理.ts

第一阶段一览ocr技术和字符识别

第二课单字符分割与识别.ts

第三课字符序列识别.ts

第一课ocr技术概览.ts

拓展阶段

增加内容：手把手教你用asr的框架搞定ocr.ts

预习阶段ocr基础：cnn和rnn

cnn.pdf

cnn预习视频：卷积神经网络与计算机视觉.ts

mnist_cnn.py

rnn预习视频：循环神经网络与自然语言处理.ts

循环神经网络与应用.pdf

42-nlp到word2vec实战班

第1课nlp理论基础

search+relevance.zip

第1课nlp基础.pdf

第1课nlp理论基础.ts

第2课word2vec理论基础

lrsoftmaxandbpreference.txt

第2课word2vec理论基础.ts

第2课词向量到word2vec与相关应用.pdf

第3课word2vec实战案例课-kaggle竞赛案例

chinese-sentiment-analysis.zip

kaggle-word2vec-ipynb.zip

recommendersystemsusingwordembeddings.pdf

word2vec-recommender.zip

第3课word2vec实战案例课-kaggle竞赛案例.ts

第3课应用案例.pdf

第4课从word2vec到fasttext的新发展+案例

第4课从word2vec到fasttext的发展.pdf

第4课从word2vec到fasttext的新发展+案例.ts

资料及代码.zip

43-linux从零入门实战

第八讲linux运维基础.ts

第二讲linux常用操作命令.ts

第九讲linux系统构建.ts

第六讲linux网络基础.ts

第七讲http网络服务.ts

第三讲linux代码编辑器.ts

第十讲linux操作系统常见试题解析.ts

第四讲linuxshell编程.ts

第五讲linux开发基础.ts

第一讲linux介绍.ts

44-leetcode刷题班

200.cpp

207.cpp

399.cpp

第1课数论.ts

第1课课件.pdf

第2课二分搜索.ts

第2课课件.pdf

第3课并查集.ts

第3课树微课part1.pdf

第3课树微课part2.pdf

第4课深度优先搜索.ts

第5课图.pdf

第5课图论算法.ts

第6课动态规划.ts

45-kaggle竞赛实战班

第二阶段实战计算广告、nlp、cv等方向

第3课第二节datasetandfeatures.ts

第3课第三节sparkmllibandthepipelineapi&&mllibpipelineforclickthroughrateprediction.ts

第3课第四节randomforestgbdtfmffmdnn.ts

第3课第一节onlineadvertisingandclickthroughrateprediction.ts

第4课第二节kaggle题目详解（初级）.ts

第4课第三节kaggle题目详解（进阶）.ts

第4课第一节nlp的基本思路与技巧.ts

第5课第二节竞赛方案介绍.ts

第5课第一节数据采集清洗.ts

第6课第二节lstm.ts

第6课第三节案例.ts

第6课第四节图片特征.ts

第6课第五节cnn.ts

第6课第一节rnn.ts

第六课深度学习比赛：猫狗分辨与人脸表情识别.ts

第三课计算广告实战：排序与ctr预估问题.ts

第四课通过搜索和情感分析实战nlp问题.ts

第五课通过能源预测与分配案例实战机器学习的完整流程.ts

第三阶段实战电商推荐与金融风控

第7课第二节思路拓展与实践.ts

第7课第三节竞赛案例参考.ts

第7课第一节案例介绍.ts

第8课第二节案例解析.ts

第8课第一节金融风控介绍.ts

第八课金融风控案例的完整分析与实战.ts

第七课电商推荐与销量预测案例实战.ts

第一阶段掌握kaggle比赛的通用流程

第1课第二节机器学习常用算法.ts

第1课第六节模型分析与模型融合.ts

第1课第七节kagglewiki案例.ts

第1课第三节常用工具.ts

第1课第四节数据处理.ts

第1课第五节特征工程、模型选择、交叉验证.ts

第1课第一节机器学习应用领域.ts

第2课第二节案例.ts

第2课第三节非标准数据的处理.ts

第2课第一节解决高纬数据分类回归问题.ts

第二课经济金融案例实战：房价与股市预测.ts

第一课通过kaggle经典案例掌握机器学习算法的通用流程.ts

1.zip

2.zip

3.zip

4.zip

5.zip

6.zip

7.zip

8.zip

dsb2017-kaggle肺癌检测第一名解决方案和代码.zip