梗直哥3套课程合集【 深度学习必修课-进击算法工程师/机器+强化学习课】

 梗直哥3套课程合集
   梗直哥–深度学习必修课：进击算法工程师
   梗直哥-【机器学习必修课：经典算法与Python实战】
   梗直哥–强化学习必修课：引领智能新时代
     023.5-5 Dropout.mp4
     097.16-2 CLIP模型.mp4
     094.15-5 经典NLP数据集.mp4
     015.4-5 回归问题.mp4
     084.13-6 图像生成.mp4
     092.15-3 预训练模型.mp4
     080.13-2 变分推断.mp4
     091.15-2 词义搜索和句意表示.mp4
     085.14-1 自定义数据加载.mp4
     066.11-1 什么是注意力机制.mp4
     086.14-2 图像数据增强.mp4
     096.16-1 InstructGPT模型.mp4
     071.11-6 Transformer模型.mp4
     076.12-4 ViT模型.mp4
     067.11-2 注意力的计算.mp4
     083.13-5 Diffusion扩散模型.mp4
     089.14-5 项目实战：猫狗大战.mp4
     078.12-6 GPT模型代码实现.mp4
     093.15-4 Hugging Face库介绍.mp4
     072.11-7 Transformer代码实现.mp4
     026.5-8 模型文件的读写.mp4
     029.6-3 损失函数性质.mp4
     073.12-1BERT模型.mp4
     090.15-1 词嵌入和word2vec.mp4
     082.13-4 生成对抗网络.mp4
     074.12-2 GPT系列模型.mp4
     087.14-3 迁移学习.mp4
     095.15-6 项目实战：电影评论情感分析.mp4
     075.12-3 T5模型.mp4
     022.5-4 正则化.mp4
     081.13-3 变分自编码器.mp4
     069.11-4 自注意力机制.mp4
     057.10-1 深度循环神经网络.mp4
     077.12-5 Swin Transformer模型.mp4
     040.7-2 图像卷积.mp4
     064.10-8 束搜索算法.mp4
     041.7-3 卷积层.mp4
     079.13-1 蒙特卡洛方法.mp4
     036.6-10 Adam算法.mp4
     068.11-3 键值对注意力和多头注意力.mp4
     039.7-1 全连接层问题.mp4
     049.8-5 ResNet.mp4
     060.10-4 长短期记忆网络.mp4
     056.9-6 RNN的长期依赖问题.mp4
     046.8-2 VGGNet.mp4
     065.10-9 机器翻译简单代码实现.mp4
     051.9-1 序列建模.mp4
     054.9-4 随时间反向传播算法.mp4
     045.8-1 AlexNet.mp4
     043.7-5 池化层Pooling.mp4
     044.7-6 卷积神经网络代码实现（LeNet）.mp4
     058.10-2 双向循环神经网络.mp4
     063.10-7 序列到序列模型代码实现.mp4
     062.10-6 编码器-解码器网络.mp4
     059.10-3 门控循环单元.mp4
     052.9-2 文本数据预处理.mp4
     038.6-12 学习率调节器.mp4
     035.6-9 RMSProp_Adadelta算法.mp4
     055.9-5 循环神经网络代码实现.mp4
     061.10-5 复杂循环神经网络代码实现.mp4
     042.7-4 卷积层常见操作.mp4
     047.8-3 批量规范化.mp4
     070.11-5 注意力池化及代码实现.mp4
     037.6-11 梯度下降代码实现.mp4
     050.8-6 DenseNet.mp4
     048.8-4 GoogLeNet.mp4
     088.14-4 经典视觉数据集.mp4
     053.9-3 循环神经网络.mp4
     028.6-2 损失函数.mp4
     098.16-3 DALL-E模型.mp4
     008.3-2 conda实用命令.mp4
     013.4-3 前向传播和反向传播.mp4
     007.3-1 CUDA+Anaconda深度学习环境搭建.mp4
     021.5-3 过拟合和欠拟合示例.mp4
     006.2-3 概率.mp4
     030.6-4 梯度下降.mp4
     002.1-2 初识深度学习.mp4
     099.16-4 深度学习最新发展趋势分析.mp4
     025.5-7 梯度消失和梯度爆炸.mp4
     014.4-4 多层感知机代码实现.mp4
     012.4-2 多层感知机.mp4
     019.5-1 训练的常见问题.mp4
     005.2-2 微积分.mp4
     010.3-4 深度学习库PyTorch安装.mp4
     027.6-1 最优化与深度学习.mp4
     016.4-6 线性回归代码实现.mp4
     011.4-1 神经网络原理.mp4
     100.16-5 下一步学习的建议.mp4
     020.5-2 过拟合欠拟合应对策略.mp4
     018.4-8 多分类问题代码实现.mp4
     031.6-5 随机梯度下降法.mp4
     017.4-7 分类问题.mp4
     033.6-7 动量法.mp4
     034.6-8 AdaGrad算法.mp4
     003.1-3 课程使用的技术栈.mp4
     032.6-6 小批量梯度下降法.mp4
     001.1-1 课程内容和理念.mp4
     009.3-3 Jupyter Notebook快速上手.mp4
     004.2-1 线性代数.mp4
     024.5-6 Dropout代码实现.mp4
     7_4-7-常见问题解析.mp4
     1_1-1-课程内容和理念.mp4
     4_9-4-深度确定性策略梯度.mp4
     3_8-3-策略梯度方法代码实现.mp4
     4_11-4-MADDP的代码实现.mp4
     6_9-6-软性演员评论家算法.mp4
     5_10-5-MBPO的代码实现.mp4
     4_8-4-近端策略优化算法.mp4
     7_6-7-Q-Learning&SARSA代码实现.mp4
     6_4-6-模型分类与选择.mp4
     4_4-4-马尔可夫奖励过程：懂得“想”.mp4
     5_8-5-近端策略优化（PPO）代码实现.mp4
     8_4-8-马尔可夫过程代码实现.mp4
     6_11-6-基于人类反馈大强化学习.mp4
     3_7-3-常见问题改进和扩展.mp4
     6_6-6-SARSA算法.mp4
     3_6-3-蒙特卡洛方法和时序差分代码实现.mp4
     5_6-5-Q-Learning算法.mp4
     4_10-4-基于模型的策略优化.mp4
     4_6-4-广义策略迭代.mp4
     5_3-5-深度学习库PyTorch的安装.mp4
     2_1-2-认识强化学习.mp4
     1_11-1模仿学习.mp4
     4_7-4-DQN改进算法代码实现.mp4
     4_5-4-动态规划代码实现.mp4
     7_9-7-SAC代码实现.mp4
     5_11-5-AlphaStar系统.mp4
     3_9-3-演员评论家算法代码实现.mp4
     4_12-4-下一步的学习建议.mp4
     1_4-1-序列建模与概率图模型.mp4
     3_5-3-价值迭代.mp4
     2_8-2-蒙特卡洛策略梯度.mp4
     5_9-5-DDPG算法代码实现.mp4
     2_9-2-改进型演员评论家算法.mp4
     3_4-3-马尔可夫决策过程：试着-“干”.mp4
     1_2-1-线性代数.mp4
     1_10-1-基于模型的强化学习核心思想和原理.mp4
     2_11-2-博弈论与强化学习.mp4
     1_3-1-CUDA+Anaconda深度学习环境配置.mp4
     1_9-1-演员评论家算法核心思想和原理.mp4
     2_10-2-Dyna-Q算法.mp4
     3_11-3-多智能体强化学习.mp4
     2_3-2-conda使用命令.mp4
     1_12-1-项目实战：Gym游戏.mp4
     3_1-3-课程使用的技术栈.mp4
     1_5-1-动态回归核心思想和原理.mp4
     3_2-3-概率.mp4
     2_7-2-DQN-代码实现.mp4
     2_5-2-策略迭代.mp4
     2_4-2-马尔可夫观测过程：学会“看”.mp4
     1_6-1-蒙特卡洛方法.mp4
     5_4-5-贝尔曼方程：迭代求解价值函数.mp4
     4_3-4-仿真环境Gym安装.mp4
     3_3-3-Jupyter-Notebook快速上手.mp4
     3_10-3-Dyna-Q算法代码实现.mp4
     2_2-2-微积分.mp4
     3_12-3-强化学习最新发展趋势.mp4
     1_7-1-深度Q网络核心思想和原理.mp4
     1_8-1-策略梯度核心思想和原理.mp4
     2_12-2-项目实战：大模型RLHF.mp4
     2_6-2-时序差分方法.mp4
     06-2损失函数.mp4
     06-6学习曲线.mp4
     09-3硬间隔SVM.mp4
     05-10复杂逻辑回归及代码实现.mp4
     05-2线性回归核心思想和原理.mp4
     05-8线性逻辑回归代码实现.mp4
     03-12Numpy数组arg运算和排序.mp4
     06-13评价指标：ROC曲线.mp4
     03-3Anaconda命令行操作.mp4
     06-9正则化.mp4
     03-1本章总览：相互关系与学习路线.mp4
     03-11Numpy数组统计运算：常用的都在这儿了.mp4
     03-6Numpy基础：安装与性能对比.mp4
     07-2决策树核心思想和原理.mp4
     03-9Numpy非常重要的数组合并与拆分操作.mp4
     11-1本章总览.mp4
     07-1本章总览.mp4
     06-5过拟合与欠拟合.mp4
     04-5模型评价.mp4
     04-3KNN分类任务代码实现.mp4
     10-4朴素贝叶斯的代码实现.mp4
     09-6非线性SVM：核技巧.mp4
     04-1本章总览.mp4
     08-3激活函数.mp4
     03-4JupyterNotebook基础使用.mp4
     09-4SVM软间隔.mp4
     10-6贝叶斯方法优缺点和适用条件.mp4
     09-8非线性SVM代码实现.mp4
     09-10SVM优缺点和适用条件.mp4
     07-4决策树分类任务代码实现.mp4
     06-12评价指标：混淆矩阵、精准率和召回率.mp4
     06-3梯度下降.mp4
     03-7Numpy数组创建：特定数组、等差数组、随机数组.mp4
     08-1本章总览.mp4
     10-1本章总览.mp4
     09-7SVM核函数.mp4
     05-3逻辑回归核心思想和原理.mp4
     07-5基尼系数.mp4
     05-5模型评价：MSE、RMSE、MAE和R方.mp4
     05-4线性回归代码实现.mp4
     09-9SVM回归任务代码实现.mp4
     03-8Numpy数组基础索引：索引和切片.mp4
     11-3集成学习代码实现.mp4
     07-8决策树优缺点和适用条件.mp4
     08-8模型选择.mp4
     03-2Anaconda图形化操作.mp4
     10-5多项式朴素贝叶斯代码实现.mp4
     11-5并行策略：随机森林.mp4
     10-3朴素贝叶斯分类.mp4
     09-2SVM核心思想和原理.mp4
     04-7特征归一化.mp4
     04-2KNN算法核心思想和原理.mp4
     04-6超参数.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
     06-1本章总览.mp4
     05-1本章总览.mp4
     15-3房价预测.mp4
     07-6决策树剪枝.mp4
     09-5线性SVM分类任务代码实现.mp4
     04-9KNN优缺点和适用条件.mp4
     02-1本章总览.mp4
     08-4正向传播与反向传播.mp4
     06-8模型误差.mp4
     13-7PCA在人脸识别中的应用.mp4
     05-9多分类策略.mp4
     12-1本章总览.mp4
     07-3信息熵.mp4
     11-4并行策略：Bagging、OOB等方法.mp4
     02-4如何分门别类：监督、无监督、强化学习等.mp4
     06-4决策边界.mp4
     11-7结合策略：Stacking方法.mp4
     12-2聚类算法核心思想和原理.mp4
     06-10LASSO和岭回归代码实现.mp4
     05-11线性算法优缺点和适用条件.mp4
     13-4PCA算法代码实现.mp4
     08-5梯度下降优化算法.mp4
     05-6多项式回归代码实现.mp4
     05-7逻辑回归算法.mp4
     07-7决策树回归任务代码实现.mp4
     08-2神经网络核心思想和原理.mp4
     06-11模型泛化.mp4
     08-7梯度消失和梯度爆炸.mp4
     13-6PCA在数据降噪中的应用.mp4
     13-3PCA求解算法.mp4
     12-4聚类算法代码实现.mp4
     12-3k-means和分层聚类.mp4
     12-6聚类算法优缺点和适用条件.mp4
     08-6神经网络简单代码实现.mp4
     14-1本章总览.mp4
     01-2初识机器学习.mp4
     01-3课程使用的技术栈.mp4
     06-7交叉验证.mp4
     15-2泰坦尼克生还预测.mp4
     04-4数据集划分：训练集与预测集.mp4
     03-10Numpy数组矩阵运算：一元运算、二元运算与矩阵运算.mp4
     02-5机器学习的七大常见误区和局限.mp4
     08-9神经网络优缺点和适用条件.mp4
     04-8KNN回归任务代码实现.mp4
     10-2贝叶斯方法核心思想和原理.mp4
     11-2集成学习核心思想和原理.mp4
     15-4交易反欺诈代码实现.mp4
     11-6串行策略：Boosting.mp4
     15-1本章总览.mp4
     13-2PCA核心思想和原理.mp4
     14-4隐马尔可夫模型代码实现.mp4
     09-1本章总览.mp4
     03-5JupyterNotebook高级使用：常用魔法命令.mp4
     14-3EM算法参数估计.mp4
     14-2概率图模型核心思想和原理.mp4
     13-5降维任务代码实现.mp4
     02-3研究哪些问题：分类、回归等.mp4
     12-5聚类评估代码实现.mp4
     01-1课程内容和理念.mp4
     02-2数据长什么样：常见数据集、典型实例、如何使用.mp4
     13-8主成分分析优缺点和适用条件.mp4
     13-1本章总览.mp4
     15-5如何深入研究机器学习.mp4
     11-8集成学习优缺点和适用条件.mp4
     14-5概率图模型优缺点和适用条件.mp4